Download
1 / 20
200 likes | 337 Vues
This project explores the implementation of Random Neural Networks (RNN) for modeling cognitive radio networks (CRN). It discusses the mathematical framework behind RNNs, their advantages in terms of computational complexity, and their hardware and software integration. The objectives include optimizing cognitive radio networks using RNNs, creating a MATLAB environment for simulations, and analyzing performance outcomes. The study compares RNNs with artificial neural networks (ANNs) to determine efficiency and prediction accuracy for various models in cognitive radio applications.
E N D
Final Presentation Network Software System Lab Department of Electrical Engineering, Technion R C N R M N Random Neural Networks for Cognitive Radio Modeling Oz Itzhaki Jonathan Nafta Supervisor: Boris Oklander
מבוא • רשתות נוירונים אקראיות (RNN) הן מודל מתמטי חישובי של רשתות נוירונים. • מודל רשתות הנוירונים האקראיות ניתן לתיאור באמצעות משוואות אנליטיות רגילות, הוא בעל סיבוכיות חישוב נמוכה, ניתן לשילוב בחומרה ובתוכנה בצורה פשוטה יחסית. • מודל רשתות הנוירונים האקראיות מעניין בשל השימושים הרבים שניתן לבצע באמצעותו בתחומי ההנדסה והפיסיקה.
מטרות הפרויקט • התאמה של מודל רשתות נוירונים אקראיות ומלאכותיות למידול מערכות רדיו קוגנטיבי. • מימוש סביבה המשלבת RNN ו- CRN ב- Matlab לצורך ביצוע שלבי הפרויקט השונים. • אופטימיזציה של רשתות רדיו קוגניטיביות. • חקר ביצועים.
המודל המתמטי • N נוירונים ברשת. • ההסתברות שנוירון יהיה מעורה: • ההסתברות של שחרור פוטנציאל מנוירון i: • נוירון מעורה יורה סיגנלים בקצב: • קצב הירי הכולל מנוירון i:
התנהגות הרשת במצב יציב • הפילוג הסטציונרי של רשת הנוירונים במצב יציב: • הפילוג מתאר שרשרת מרקוב בזמן רציב ולכן מתקיימות משוואת צ'פמן-קולמוגורוב ובמצב יציב מתקיים תנאי האיזון: • מפיתוח המשוואות מתקיים:
מערכת לומדות – אלגוריתם הגרדיאנט • אלגוריתם הגרדיאנט מבצע אופטימיזציה מסדר ראשון לפונקציה רציפה למקוטעין. • מטרת האלגוריתם היא להביא למינימום את השגיאה שתוגדר באופן הבא: • משקולות הרשת מתעדכנים בכל איטרציה עד אשר גודל השגיאה קטן מערך הסף שהוגדר:
שלבי ביצוע אלגוריתם הגרדיאנט איתחול מטריצת המשקולות וקביעת פרמטר קצב הלימוד. עבור כל צמד כניסה-יציאה: א. איתחול את קצבי ההגעה בהתאם לכניסות המתאימות. ב. מציאת ערכי ג. על סמך הערכים שהתקבלו, נחשב את ד. נחשב את : ה. עדכון מטריצת המשקולות. 3. חישוב השגיאה והמשך באיטרציה נוספת במידה ולא עמדנו בערך הסף הנדרש.
תכונות הרשת Memory Correlation
מבנה רשת הנוירונים Magic … 1 1 0 0 1 0 0 0 1 5 9 1 0 0 0 2 6 10 OUTPUT INPUT 3 7 11 4 8 12
תוצאות סימולציה - RNN *************************************************************************** * Test Results: 55 misses out of 49990. error rate 0.110022% * * Channel Selection: 3 misses out of 4999 error rate 0.060012% * ***************************************************************************
דוגמא: RNN עם 4 ערוצים • 24 נויורונים בשכבה הנסתרת • שגיאת הלימוד של המודל הינה 0.0032. • משך זמן הלימוד: 31:32 דק'. • מספר האיטרציות הינו 38.
שגיאת חיזוי כתלות בשונות הרעש באופן טבעי, ככל שהרעש במערכת גדל כך גדלה טעות חיזוי הערוץ הפנוי הבא
רשתות נוספות • תלות סטטיסטית חזקה בין הערוצים • הדמיית מצבי עומס כללי ברשת Error rate 16.2%-17.24% Error rate 1.3%-1.8%
רשתות נוירונים מלאכותיות • שימוש ב- Matlab Neural Network Toolbox • GUI בזמן אימון הרשת • שימוש באלגוריתם Levenberg-Marquardt ובהרחבתו עם מומנט אדפטיבי • זמן התכנסות קצר משמעותית מכל תרחיש שהרצנו ב- RNN • תוצאות זהות או טובות יותר במרבית המקרים
תוצאות הרצת ANN error rate: 10.9% error rate: 0.49%
סיכום • נבדקה התכנות השימוש ברשתות נוירונים, אקראיות ומלאכותיות, לחיזוי מערכות רדיו קוגנטיביות • נבדקו מספר רב של מודלים עם פרמטרים שונים ונבחנו ביצועיהן • מודל רשת הנוירונים המלאכותיות מהיר יותר, אך יתכן והדבר הוא תלוי מימוש של מערכת רשתות הנוירונים האקראיות • ניתן להגיע לתוצאת חיזוי טובה עם אחוזי שגיאה קטנים באמצעות המודלים הנבדקים
