m. r. mosavi
-
Today, it can be said that in every field in which timely information is needed, we can use the applications of time-series prediction. In this paper, among so many chaotic systems, the Mackey-Glass and Loranz are chosen. To predict them, Multi-Layer Perceptron Neural Network (MLP NN) trained by a variety of heuristic methods are utilized such as genetic, particle swarm, ant colony, evolutionary strategy algorithms, and population-based incremental learning. Also, in addition to expressed methods, we propose two algorithms of Bio-geography-Based Optimization (BBO) and fuzzy system to predict these chaotic systems. Simulation results show that if the MLP NN is trained based on the proposed meta-heuristic algorithm of BBO, training and testing accuracy will be improved by 28.5% and 51%, respectively. Also, if the presented fuzzy system is utilized to predict the chaotic systems, it outperforms approximately by 98.5% and 91.3% in training and testing accuracy, respectively.
Keywords: Time Series, Neural Networks, Heuristic Methods, Fuzzy Systems -
The Global Positioning System (GPS) is vulnerable to various deliberate and unintentional interferences. Therefore, identifying and coping with various interferences in this system is essential. This paper analyzes a method of reducing the dimensions of Cross Ambiguity Function (CAF) images in improving the identification of spoofing interference at the GPS using Multi-Layer Perceptron Neural Network (MLP NN) and Convolutional Neural Network (CNN). Using the proposed method reduces data complexity, which can reduce the number of learning data requirements. The simulation results indicate that, by applying the proposed image processing algorithm for different dimensions of CAF images, the CNN performs better than MLP NN in terms of training accuracy; the MLP NN is superior to CNN in terms of convergence speed of training. In addition, the results demonstrate that the operation of the proposed method is appropriate in the case of small-delay spoofed signals. Therefore, for the intervals above 0.25 code chip, the proposed method detects spoofing attacks with a correct detection probability close to one.
Keywords: CAF, GPS, GPS Spoofing Attack, Latent Semantic Analysis, Neural Networks -
در این مقاله، مدار جدیدی برای بلوک پمپ بار (CP) برای کاربرد در حلقه قفل تاخیر ((DLL طراحی و سپس با استفاده از نرم افزار 2008 ADS بر مبنای فناوری µm 18/0TSMC CMOSRF و ولتاژ تغذیه 8/1 ولت در سطح ترانزیستور شبیه سازی شده است. با استفاده از DLL می توان هم زمانی دقیقی بین سیگنال های کلاک داخلی و خارجی ایجاد کرد. در این مقاله، حلقه قفل تاخیری شبیه سازی شده است که در آن به کمک مدار CP پیشنهادی مشکل عدم تطبیق جریان ها تا حد زیادی مرتفع شده و در نتیجه جیتر و خطای فاز استاتیکی در حد مطلوبی کاهش یافته است، به گونه ای که در نهایت جیتر موثر psec 7/3 در MHz920 حاصل گردید. در این حلقه، با وجود این که سیگنال های UP و DN در هر دوره تناوب متناسب با ناحیه کور فعال هستند، اما جریان قابل توجهی در خروجی CP جاری نمی شود، زیرا در آن سیگنال های UP و DN در محل منبع جریان قرار دارند و با روشن شدن هر کدام امکان انتقال جریان به خروجی مربوط به خودش در CP فراهم می شود. در عین حال، مانع انتقال جریان مربوط به کلید دیگری در صورت روشن شدن آن می شود.کلید واژگان: حلقه قفل تاخیر, پمپ بار, تشخیص دهنده فاز و فرکانس, جیترIn this paper, a new circuit is proposed for charge pump for using in delay locked loop, and then simulated in ADS software in 0.18 μm TSMC CMOSRF technology with 1.8V in transistor level. By using DLL a precise synchronization can be performed through internal and external clocks. In this paper, based on introduced charge pump current mismatching can be solved and so the jitter will be decreased. Finally, 3.7psec effective jitter in 920MHz for DLL is accrued. In this loop while UP and DN in each duty cycle are proportional to dead zone, not considerable current is flow on the output of CP. Because the UP and DN signals are in current source and by switching each one, probability of following the current to the output will be provided. However, prevents current transition to other switch if turned on.Keywords: Delay Locked Loop, Charge Pump, Phase Frequency Detector, jitter
-
Through beamforming, the desired signal is estimated by calculating the weighted sum of the input signals of an array of antenna elements. In the classical beamforming methods, computing the optimal weight vector requires prior knowledge on the direction of arrival (DoA) of the desired signal sources. However, in practice, the DoA of the signal of interest is unknown. In this paper, we introduce two different deep-neural-network-based beamformers which can estimate the signal of interest while suppressing noise and interferences in two/three stages when the DoAs are unknown. Employing deep neural networks (DNNs) such as convolutional neural networks (CNNs) and bidirectional long short-term memory (bi-LSTM) networks enables the proposed method to have better performance than existing methods. In most cases, the output signal to interference and noise ratio (SINR) of the proposed beamformer is more than 10dB higher than the output SINR of the classical beamformers.
Keywords: Adaptive Digital Beamforming, Bidirectional Long Short-Term Memory, Convolutional Neural Network -
استفاده از سیگنال های آکوستیکی زیرآبی دریافت شده توسط هیدروفن ها به منظور ارتباط بین شناورها و مدل سازی سامانه های سوناری، بسیار اهمیت دارد. این مدل سازی برای دریافت داده های ورودی به صورت تک ویژگی با حداقل تعداد است. هدف از این مقاله، استخراج ویژگی های بهینه ضرایب کپسترال فرکانس مل (MFCC) بدون کاهش دقت شناسایی برای کاربرد تشخیص سیگنال رسیده به سونار است. با توجه به اینکه تعداد ویژگی ها در پیچیدگی دسته بندی کننده بسیار موثر است، در این مقاله به منظور کاهش تعداد ویژگی ها، از الگوریتم بهینه ساز وال کوهان دار (WOA) استفاده خواهد شد. به منظور ارزیابی ویژگی های استخراج شده، از شبکه عصبی احتمالی (PNN) به عنوان دسته بندی کننده استفاده می شود. در این راستا، نتایج الگوریتم پیشنهادی با روش های MFCC متعارف و پویا مقایسه خواهد شد. نتایج شبیه سازی نشان دهنده آن است که تعداد ویژگی های MFCC از 13 عدد برای هر فریم به 5 عدد کاهش می یابد، بدون آنکه دقت دسته بندی کننده کاهش یابد.کلید واژگان: سونار, بهینه ساز وال کوهان دار, استخراج ویژگیIt is important to use underwater acoustic signals received by hydrophones to communicate between vessels and to model sonar systems. This modeling is to receive input data as a single feature with a minimum number. The purpose of this paper is to derive the optimal characteristics of Mel frequency frequency coefficient coefficients (MFCC) without reducing the detection accuracy for the application of sonar signal detection. Due to the fact that the number of features is very effective in the complexity of the classifier, in this paper, in order to reduce the number of features, the Coherent Wall Optimization (WOA) algorithm will be used. The probabilistic neural network (PNN) is used as a classifier to evaluate the extracted features. In this regard, the results of the proposed algorithm will be compared with conventional and dynamic MFCC methods. The simulation results show that the number of MFCC features is reduced from 13 per frame to 5, without reducing the classifier accuracy.Keywords: sonar, Whale hump optimizer, Feature Extraction
-
استفاده از سامانه موقعیت یابیجهانی (GPS) در سامانه های فوق خودکار،روزبه روز رو به افزایشاست و لذا مسئله امنیت این سامانه ها بسیار حایز اهمیت می باشد.یک خطر بزرگ در تخمین موقعیت توسط GPS،حمله فریباست. فریبنده سیگنال ماهواره را جعل می کند تا گیرنده را مجبور به تخمین اشتباه موقعیت نماید. تحقیقات بسیاری بر روی آشکارسازی و کاهش فریب در گیرنده GPS تمرکز دارند.در این مقاله،به کارگیریمعماری چند همبسته ساز مبتنی بر شبکه عصبی جهت مقابله با حمله فریب پیشنهاد شده است. حمله فریب با سازوکار ترکیب و تاخیر بر مبنای یک سیگنال واقعی GPS ساخته شده است. نتایج شبیه سازی های انجام شده در گیرنده نرم افزاری، حاکی از موثر بودن راهکار پیشنهادی در جهت کاهش حمله فریب می باشد. با مورد مطالعه قرار دادن سه سناریو فریب عملی، روش پیشنهادی مورد ارزیابی قرار گرفت و نتایج حاصله نشان می دهند که میزان کاهش خطای فریب با به کارگیری این روش، 42/88% می باشد.
کلید واژگان: فریب, گیرنده GPS, معماری چند همبسته ساز, شبکه عصبیThe use of Global Positioning System (GPS) in highly automated systems is increasing day by day. Therefore, itssecurity of these systems is getting important more and more. The reliability of the obtained position by GPS is in danger by spoofing attacks. A spoofer transmits replicas of authentic satellite signals to force the victim receiver to misjudge the its position estimate. Numerousresearches have been focused on spoofing detection and mitigation in the GPS receivers. In this paper, mitigation of spoofing attack is suggested by using multi-correlator architecture associated with neural network. Spoofing signal is generated by mixing two signals which are produced by authentic GPS signal and its shifted. The results of the simulations which wasperformed in the software defined receiver, indicate the solution was effective in mitigating the spoofing attack. By studying three scenarios of spoofing, the proposed method was evaluated and the results show that the rate of reduction of deception error is 88.42% by using multi-correlation architecture.
Keywords: Spoofing, GPS Receiver, Multi-correlation Architecture, neural network -
با توجه به اهمیت دقت ناوبری در کاربردهایی با سرعت بالا، اغلب سامانه ناوبری اینرسی (INS) را با یکی از سامانه های ناوبری ماهواره ای تلفیق می کنند. در یکی از انواع این روش ها که در آن INS با GPS تلفیق می شود، مسئله ی قطعی GPS یک چالش مهم و غیرقابل اجتناب است. مضاف بر قطعی GPS، استفاده از حسگرهای ارزان قیمت میکرو الکترومکانیکی (MEMS) در INS، که دارای کیفیت پایین بوده و خروجی نویزی دارند، دقت ناوبری خالص INS را به شدت کاهش داده و با طولانی شدن قطعی GPS، آن را به واگرایی می کشاند. در این مقاله با استفاده از هوش مصنوعی، ناوبری INS/GPS را در زمان قطعی GPS بهبود داده ایم. بدین صورت که بلوک هوشمند، خروجی INS را در زمان t-1 و t-2 دریافت می کند، لذا ورودی آن شامل اطلاعات مکانی و زمانی INS می باشد. خروجی بلوک هوشمند نیز مبین خروجی GPS در زمان t است. در طول مدتی که GPS در دسترس است، بلوک هوشمند در فاز آموزش است. در این فاز، خروجی بلوک هوشمند با مقدار مطلوب، که همان خروجی GPS می باشد، مقایسه می شود. در زمان قطعی GPS، عملا بلوک هوشمند خروجی INS را به سمت خروجی GPS میل می دهد. به منظور سنجش این رویکرد و نیز مقایسه دقت تخمین تعدادی از سامانه های هوشمند متفاوت، در پنج روش مختلف، از شبکه های عصبی MLP، RBF، SVR، موجک و نیز سامانه استنتاج فازی-عصبی تطبیقی به عنوان بلوک هوشمند استفاده کرده ایم. همچنین داده-هایی که در این مقاله برای سنجش روش های بیان شده، استفاده شده است، از یک محیط واقعی توسط یک مینی هواپیما جمع آوری شده است. نتایج به دست آمده برای هر پنج روش، نشان دهنده ی آن است که ناوبری تحت این رویکرد در زمان قطعی GPS، نسبت به ناوبری خالص INS به صورت چشم گیری بهبودیافته است. در میان پنج بلوک هوشمند نیز، شبکه عصبی موجک توانسته است حدودا بیش از 30 درصد نسبت به دیگر روش ها دقت داشته باشد.
کلید واژگان: ناوبری, GPS, قطعی, INS, هوش مصنوعی, شبکه عصبی, ANFISThe importance of navigation precision in high dynamic environments has led to integrating the Inertial Navigation System (INS) with satellite navigation systems. In one of those integration methods that INS is integrated with GPS, GPS outage is an unavoidable challenge. Moreover, due to significant noisy signal existing in low-cost MEMS sensors, navigation precision severely decreases, and the INS error will diverge in the long term. This paper improves the INS/GPS navigation system using Artificial Intelligence (AI) during GPS outage. In this approach, the INS outputs at t and t-1 are injected to the AI module as the positioning and timing information. While GPS is available, the AI module is trained, and its output is compared with the GPS output. The AI module indeed intents to drive the INS output to the GPS output during GPS outage. To evaluate this approach and compare with some different intelligence systems, we have utilized Neural Networks (NNs) as an AI module in five different NNs: multilayer perceptron (MLP(, radial basis function )RBF(, support vector regression (SVR(, Wavelet, and adaptive neuro-fuzzy inference system (ANFIS). The required dataset to compare all five mentioned methods is gathered in a real environment by a mini-airplane. The results of all five methods represent that the proposed methods have superior performance compared to other traditional methods; so that the wavelet NN outperforms others by approximately 30%.
Keywords: Navigation, GPS, Outage, INS, artificial intelligence, neural network -
با توجه به استفاده روزافزون سامانه ناوبری GPS در حوزه های مختلف، افزایش دقت و کارآیی این سامانه اهمیت ویژه ای دارد. سیگنال مخابره شده از ماهواره ها مسافت زیادی را تا رسیدن به گیرنده موجود در سطح زمین طی می کند که این امر منجر به کاهش توان سیگنال می گردد. این سیگنال ضعیف می تواند به راحتی تحت تاثیر سیگنال های تداخل عمدی (یا به اصطلاح جمینگ) و یا حتی غیرعمدی قرار گیرد. یکی از موزی ترین تداخل ها، جمینگ موج پیوسته (CW) است. محبوب ترین روش کاهش تاثیر این تداخل بر روی سیگنال GPS فیلتر شکاف می باشد. بنابراین در این مقاله، برای مقابله با اثر جمینگ CW بر سیگنال GPS، استفاده از یک فیلتر شکاف تطبیقی با پاسخ ضریه نامحدود پیشنهاد گردیده است که برای تطبیق ضرایب آن متناسب با توان و فرکانس جمینگ اعمال شده، یکی از انواع الگوریتم تکاملی PSO به نام IPSO مورد استفاده قرار گرفته است. الگوریتم های تکاملی برای یافتن پاسخ مسایلی به کار می روند که هیچ راه حل مشخصی برای آن ها وجود ندارد و این دقیقا چیزی است که برای رفع اشکال طراحی فیلتر دیجیتال مورد نیاز است. همچنین استفاده از الگوریتم تکاملی منجر به سادگی روند تطبیق می شود چرا که از انجام عملیات ریاضی سخت و پیچیده جلوگیری می کند. در نهایت، کارآیی روش پیشنهادی با روش های مشابه مقایسه شده است. نتایج عدد نشان می دهد که روش پیشنهادی علاوه بر بهبود بسیار چشمگیر در شباهت سیگنال بازیابی شده به سیگنال بدون اختلال (به طور متوسط 99 درصد)، تعداد ماهواره های اکتساب شده را در تمام بازه توان جمینگ، به شش ماهواره رسانده است. همچنین خطای موقعیت یابی کاربر را که به عنوان هدف اصلی گیرنده GPS می باشد به میزان بسیار زیادی کاهش داده است.
کلید واژگان: فیلتر شکاف, جمینگ, سامانه ناوبری GPSAs nowadays the GPS navigation system has more usage in different areas, increasing its efficiency and accuracy has gained more importance. The transmitted signal travels a long distance from the satellites to reach the receivers on the ground, so its power fades. This faded signal can easily be affected by intentional noises, the so-called jamming, or unintentional noises. One of the most destructive kinds of jamming is the continuous wave (CW) jamming. The most favored method for countering this jamming is the notch filter. Therefore, in this paper, an adaptive notch filter (ANF) with a narrow response in proposed to reduce the effects of CW jamming. A kind of PSO evolutionary algorithm called the improved particle swarm optimization algorithm (IPSO) is used to adapt the filter’s coefficients according to the power and frequency of the jamming signal. Evolutionary algorithms are used in problems without any straight forward answer, and that is why we chose this method for designing the filter. It also reduces the complexity of solving such mathematical problems. Finally, the efficiency of the proposed method is compared to other similar solutions, showing a significant improvement in the similarity of recovered signal to the original signal (up to 99%), as well as an increase in the number of observed satellites up to 6, and error reduction in determining the user coordinates which is the primary goal of the GPS system.
Keywords: GPS, Jamming, Adaptive Notch Filter, Evolutionary Algorithm
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.