بخشی از مقاله


چکیده


در سال های اخیر حوزه شبکه های عصبی مصنوعی و نیز کاربرد آنها مورد تحقیق و توسعه بسیاری چه از دیدگاه

نظری و چه از دید عملی قرار گرفته است. هدف مقاله حاضر ارائه روشی جدید مبتنی بر تلفیق این حوزه با یکی از مهم ترین و پرکاربرد ترین سیستم های مخابراتی امروزی یعنی سیستم طیف گسترده و به منظور تحقق فرایند اکتساب فاز کد گسترده کننده در گیرنده این سیستم به صورتی سریع و مطمئن است که این امر با توجه به توانایی شبکه عصبی هاپفیلد در شناسایی و تخصیص الگو صورت می پذیرد. قابلیت روش معرفی شده در متن حاضر برای همزمان سازی

فرستنده و گیرنده سیستم مذکور در حـضور نـویز مورد بررسی قرار گرفته و نتایج شبیه سازی ارائه می گردد.

واﮊه های کلیدی: سیستم طیف گسترده، اکتساب فاز کد، شبکه عصبی هاپفیلد.

۱-مقدمه

تحقق همزمانی کد گسترده کننده در گیرنده سیستم مخابراتی طیف گسترده به روش دنباله مستقیم١، در استخراج

صحیح اطـلاعات مدوله شده با این کد، مهم ترین نقش را ایفا می کند که اصطلاحاﹰ به این فرایند، اکتساب فاز کد گسترده

کننده اطلاق می گردد. منظور از اکتساب فاز، همزمان نمودن کد گسترده کننده ارسال شده از فرستنده و نسخه تولید شده

این کد در گیرنده سیستم است. برای یک کد گسترده کننده با طول (پریود) N، می توان N نقطه شروع مجزا در نظر گرفت که با شروع از هر کـدام از این نقاط و ادامه دادن به اندازه طول کد، به نسخه شیفت یافته ای از کد اصلی می رسیم

که اصطلاحاﹰ به هر کدام از این نسخه ها، فاز کد گسترده کننده گفته می شود. بنابراین هرکد گسترده کننده به طول N،

دقیقاﹰ N فاز مجزا دارد. از این دیدگاه، فرایند اکتساب فاز کد در گیرنده را می توان یک مسئله تخصیص الگو به حساب

آورد و هدف این متن ارائه روشی جدید برای حل این مسئله با استفاده از شبکه عصبی هاپفیلد است.

-Direct Sequence١

در سیستم های عملی طیف گسترده به دلیل وجود تاخیر زمانی نامعلوم میان فرستنده و گیرنده، کد گسترده کننده

دریافت شده می تواند به هر کدام از فاز های ممکن کد تعلق داشته باشد. اساس کار روش های مرسوم برای اکتساب فاز کد گسترده کننده، محاسبه تابع همبستگی١ میان سیگنال دریافت شده و کد تولید شده در گیرنده است، به این ترتیب که

گیرنده به طور پیوسته و یا بر طبق یک الگوی معین، کد تولید شده را نسبت به سیگنال دریافتی شیفت داده و خروجی

شباهت گیر٢ را تحت نظر می گیرد و این کار تا زمانی که در خروجی شباهت گیر یک مقدار بیشینه مشاهده شود (که

معادل همزمان شدن سیگنال دریافتی با کد تولید شده است) ادامه می یابد. وقتی همزمانی کد صورت پذیرفت، اطلاعات مدوله شده با کد گسترده کننده قابل اسخراج است.

بر حسب ساختار گیرنده، فرایند اکتساب فاز طبق روش های متنوعی نظیر جستجوی سریال٣، جستجوی موازی و یا

استفاده از فیلتر منطبق٤ که امروزه همگی آنها به طور کامل مورد مطالعه و نیز پیاده سازی قرار گرفته اند، صورت

می پذیرد]۱.[ در میان این روش ها، جستجوی سریال کمترین حجم سخت افزار و در عوض بیشترین مقدار متوسط زمان

اکتساب فاز را (که آنرا با Ts نشان می دهیم) داراست. روش جستجوی موازی سریع ترین شیوه اکتساب فاز است و

بیشترین حجم سخت افزار را به خود اختصاص می دهد، این موضوع منجر به ترکیب دو روش مذکور و پیدایش روش

سری-موازی گردیده است که از مزایای هر دو روش فوق بهره می برد. پاسخ ضربه فیلتر منطبق بر یک فاز دلخواه از کد گسترده کننده، تطبیق یافته است و با عبور فاز مذکور از فیلتر خروجی فیلتر بیشینه می گردد. از معایب این روش و تا حدودی روش سری-موازی این است که با افزایش طول کد گسترده کننده، حجم سخت افزار مورد نیاز برای پـیاده

سازی این روش ها از نـظـر عملی محدود کننده می گردد.

در برخی مقالات، پیاده سازی فرایند اکتساب فاز کد با استفاده از شبکه های عصبی مصنوعی مورد بررسی و روش هایی بر اساس آن بیان شده است ]۶-۳.[ به عنوان مثال در مرجع ]۴[ شیوه ای به نام "اکتساب سریع کد با استفاده از شبکه عصبی٥"پیشنهاد شده است که بر اساس آموزش شبکه عصبی بر طبق تمامی فاز های ممکن کد گسترده کننده استوار و دارای عملکردی سریع همراه با احتمال آشکارسازی مناسبی است. البته محدودیت اساسی این روش در این
است که فقط برای حالاتی که طول کد کوتاه فرض شود قابل اعمال است. در این راستا در مرجع ]۳[ شیوه دیگری بر

مبنای استفاده از شبکه های عصبی چندلایه معرفی و نشان داده شده که دارای عملکرد مناسب تری برای کد های با طول زیاد است. در این روش سیگنال دریافت شده که شامل کد گسترده کننده با طول (پریود) N است پس از نمونه برداری وارد یک شیفت رجیستر M تایی می شود (M<N) که به عنوان یک مبدل سری به موازی عمل می کند و سپس خروجی شیفت رجیستر وارد شبکه عصبی چندلایه می گردد. این شبکه عصبی به نحوی آموزش داده شده است که پاسخ آن فقط

به ازای عبور یک رشته M تایی معین M) چیپ از کد گسترده کننده) از شبکه برابر 1 و به ازای سایر ورودی ها برابر 0

باشد. این موضوع باعث می شود تا هنگام عبور رشته M تایی مذکور از شبکه، همزمانی کد به نحوی قابل قبول صورت

پذیرد.

حال اگر بتوان شیوه ای یافت که بر اساس آن گیرنده در آنِ واحد قادر به شناسایی چند الگوی M تایی که از کد

گسترده کننده انتخاب شده اند باشد، در این صورت فرایند اکتساب فاز بسیار سریع تر و در عین حال مطمئن تر محقﹶق


-Autocorrelation Function١ -Correlator٢ -Serial Search٣ -Matched filter۴

-Rapid Acquisition using Neural networks(RANN)۵

خواهد شد و این موضوع هدف اصلی مقاله حاضر است تا روشی جدید که در عین حال در برگیرنده مسائل مربوط به

طراحی چنین سیستمی باشد، ارائه نماید.

رئوس مطالب این متن به شرح زیر است؛ در بخش دوم اصول و ساختار شبکه عصبی هاپفیلد در حد نیاز این مقاله

بیان می گردد، بخش سوم به شرح نحوه عملکرد و ساختار روش اکتساب فاز معرفی شده در این مقاله می پردازد و در

نهایت در بخش چهارم نتایج شبیه سازی سیستم مذکور ارائه می گردد.

۲- اصول عملکرد شبکه عصبی هاپفیلد


شبکه عصبی هاپفیلد از خانواده شبکه های عصبی دارای فیدبک است که شامل مجموعه ای از نورون ها به همراه

عناصر تأخیر (حافظه) مربوط به هر کدام از این نورون هاست. شکل ۱ ساختار کلی این شبکه را نشان می دهد. تعداد

حلقه های فیدبک برابر تعداد نورون هاست، خروجی هر نورون از طریق یک عـنصر تـأخیر به ورودی هـمه نـورون ها

(به جز خـودش) بـاز می گردد.

در شکل ۱ خروجی نورون j ام توسط رابطه زیر بیان می شود:

N
(1) x j (n)  ϕ( ∑ wji xi (n −1))
i1, i ≠ j
که در آن ϕ(.) یک تابع غیرخطی (تابعsignum متقارن) است. وظیفه اصلی حافظه، تبدیل شبکه از حالت استاتیک به حالت دینامیک است؛ بنابراین شبکه عصبی هاپفیلد از خود رفتار دینامیک غیرخطی بروز می دهد]۲.[ جزئیات تحلیل این شبکه فراتر از موضوع این متن است و در اینجا تنها توضیح مختصری ارائه می شود.


w11
Z -1 1 w12


w21
Z -1 2 w22


w31
Z-1 3 w33

Unit-delay
operations Neurons

شکل ۱- ساختار کلی یک شبکه هاپفیلد با M = 3 نورون

مفهوم مشترک میان همه انواع شبکه های عصبی (شبکه های چندلایه و یا دارای فیدبک)، تابع انرﮊی شبکه است که

آن را با E نشان می دهیم و بیانگر عملکرد شبکه از دیدگاه اختلاف بین پاسخی است که از شبکه انتظار داریم و پاسخی که شبکه در اختیارمان قرار می دهد. نقاط مینیموم این تابع باید بر حسب پارامتر های شبکه تعیین گردند که این امر طی

مرحله آموزش شبکه صورت می پذیرد.

تابع انرﮊی شبکه عصبی هاپفیلد (E) تابعی است که به صورت یکنوا با زمان کاهش پیدا می کند ]۲[، بنابراین شبکه

هـاپفیلد با وجود داشتن فـیـدبـک در ساختار خـود نـاپـایدار نمی گردد. برای شبکه هاپفیلد گسسته (با داشتن تابع signum متقارن) که دارای M نورون است، E به صورت زیر قابل بیان است:
M M 1
(2) i ≠ j ( n) (n )x x ∑ ∑ w E (n)  −

j i ji 2 i 1 j1

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید