文献

J-GLOBAL ID：202002255490934518   整理番号：20A1007868

二重アンテナ移動通信網のGRおよびBPニューラルネットワークに基づく性能予測【JST・京大機械翻訳】

GR and BP neural network-based performance prediction of dual-antenna mobile communication networks

著者 (6件)： Xu Lingwei (Department of Information Science and Technology, Qingdao University of Science and Technology, Qingdao 266061, China) ,  Xu Lingwei (Hubei Key Laboratory of Intelligent Wireless Communications, South-Central University for Nationalities, Wuhan 430074, China) ,  Quan Tianqi (Department of Information Science and Technology, Qingdao University of Science and Technology, Qingdao 266061, China) ,  Wang Jingjing (Department of Information Science and Technology, Qingdao University of Science and Technology, Qingdao 266061, China) ,  Aaron Gulliver T. (Department of Electrical and Computer Engineering, University of Victoria, Victoria, BC V8W 2Y2, Canada) ,  Le Khoa N. (School of Computing, Engineering, and Mathematics, Western Sydney University, Kingswood, Sydney, NSW 2747, Australia)
資料名： Computer Networks  (Computer Networks)
巻： 172  ページ： Null  発行年： 2020年 
JST資料番号： A0360B  ISSN： 1389-1286  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本論文では,2Rayleighフェージングにおけるデュアルアンテナ移動通信ネットワークの性能を調べた。選択結合(SC)による正確な平均シンボル誤差確率(SEP)表現を,q-ary位相シフトキーイング(PSK)とパルス振幅変調(PAM)のために引き出した。また,正確な表現をチャネル容量に対して与えた。複雑な無線環境における移動通信ネットワークの性能を予測することは重要である。したがって,一般化回帰(GR)と逆伝搬(BP)ニューラルネットワークベースのSEP予測法を提案した。理論的結果を用いて訓練データを生成した。提案した予測法を,極値学習機械(ELM),局所加重線形回帰(LWLR),サポートベクトルマシン(SVM),および動径基底関数(RBF)ニューラルネットワーク法と比較した。得られた結果は,提案した方法がより良いSEP予測を提供することを検証した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  *アンテナ ,  *ネットワーク ,  *ニューラルネットワーク ,  通信路容量 ,  学習機械 ,  PAM【信号】 ,  *移動通信 ,  動径基底関数 ,  予測誤差 ,  サポートベクトルマシン
準シソーラス用語： 訓練データ ,  線形回帰 ,  *モバイルネットワーク ,  *逆伝播ニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： モバイル通信ネットワーク ,  平均シンボル誤り確率 ,  チャネル容量 ,  性能予測 ,  BPニューラルネットワーク ,  GR神経回路網

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (5件)： アンテナ ,  移動通信網 ,  GR ,  BPニューラルネットワーク ,  性能予測