Demodulation of Sparse PPM Signals with Low Samples Using Trained RIP Matrix

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,399

متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICEE19_173

تاریخ نمایه سازی: 14 مرداد 1391

چکیده مقاله:

Compressed sensing (CS) theory considers the restricted isometry property (RIP) as a sufficient condition for measurement matrix which guarantees the recovery of any sparse signal from its compressed measurements. The RIP condition also preserves enough information for classification of sparse symbols, even with fewer measurements. In this work, we utilize RIP bound as the cost function for training a simple neural network in order to exploit the near optimal measurements or equivalently near optimal features for classification of a known set of sparse symbols. As an example, we consider demodulation of pulse position modulation (PPM) signals. The results indicate that the proposed method has much better performance than the random measurements and requires less samples than the optimum matched filter demodulator, at the expense of some performance loss. Further, the proposed approach does not need equalizer for multipath channels in contrast to the conventional receiver

نویسندگان

Seyed Hossein Hosseini

Department of Electrical Engineering, Urmia University, Urmia, Iran

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • R. G. Baraniuk, "Compressive sensing", IEEE Signal Processing Magazine, vol. ...
  • D. L. Donoho, "Compressed sensing, IEEE Tran, Info. Theory, vol. ...
  • E. J. Candes, J. K. Romberg, and T. Tao, ":Robust ...
  • K. Rosenblum, L. Zelnik-Manor, and Y. C. Eldar, "Sensing matrix ...
  • M. Stojnic, F. Parvarersh, and B. Hassibi, "On the reconstruction ...
  • S. Hamidi, M. Babaie-Zadeh, and C. Jutten, :Fast block-sparse decomposition ...
  • R. Baraniuk, V. Cevher, M. Duarte, and C. Hegde, "Model-based ...
  • M. Duarte, M Davenport, M. Wakin, and R. Baraniuk, "Sparse ...
  • _ _ _ Selected Topics in Signal Processing, vol. 4, ...
  • J. Haupt, R. Castro, R. Nowak, G. Fudge, and A. ...
  • Z. Wang, G. R. Arce, and B. M. Sadler, "Subspace ...
  • Y. Xie, Y. Eldar, and A. Goldsmith, _ :Reduced -dimension ...
  • S. Haykin, "Neural Networks, A Comprehensive Foundation", Prentice Hall, 1998. ...
  • نمایش کامل مراجع