تشخیص سیگنال در سیستم های مخابراتی نور مرئی با یادگیری عمیق#python, #machine_learning, #telecommuni…

تشخیص سیگنال در سیستم های مخابراتی نور مرئی با یادگیری عمیق#python, #machine_learning, #telecommunications_engineering موضوع :"تشخیص سیگنال مبتنی بر یادگیری عمیق تطبیقی در سیستم های مخابراتی نور مرئی با مدولاسیون فضایی تعمیم یافته"ابتدا سیستم GSM-VLC مطابق مدل مقاله اصلی شامل فرستنده، گیرنده، کانال نوری، مدل Lambertian، نویز، LoS و NLoS و فرآیند تولید داده‌ها پیاده‌سازی شود تا دیتاست واقعی تولید گردد. سپس به جای استفاده از معماری IADNN مقاله، یک مدل یادگیری عمیق پیشرفته طراحی شود که بتواند عملکرد بهتری نسبت به روش‌های موجود ارائه دهد. ترجیحاً از معماری‌های جدید مانند CNN-Transformer، Attention، Residual Transformer، BiLSTM-Attention، Hybrid CNN-LSTM-Transformer یا هر معماری دیگری استفاده شود که قابلیت استخراج ویژگی‌های مکانی و وابستگی‌های بلندمدت را داشته باشد. در صورت نیاز می‌توان از مکانیزم Adaptive Weighting، Multi-Head Attention، Feature Fusion، Ensemble Learning یا Channel Attention نیز برای افزایش دقت استفاده کرد.دیتاست باید کاملاً واقعی و حاصل شبیه‌سازی سیستم مخابرات VLC باشد و شامل شرایط مختلف کانال مانند SNRهای مختلف، کانال LoS، کانال NLoS، انعکاس، انسداد (Blockage)، نویز، تغییرات محیطی و پارامترهای مختلف GSM باشد. داده‌ها باید به مجموعه‌های Train، Validation و Test تقسیم شوند و تمام آموزش و ارزیابی فقط بر اساس این داده‌ها انجام گیرد.حداقل روش‌های مقایسه شامل ML، ZF،  SVM، CNN، LSTM، Transformer و ...  باشد تا مشخص شود مدل  در چه شرایطی عملکرد بهتری دارد. همچنین تحلیل پیچیدگی محاسباتی نیز انجام شود و زمان اجرا، تعداد پارامترها، حافظه مصرفی و FLOPs یا MACs مدل محاسبه گردد.تمام آزمایش‌ها باید به صورت کامل گزارش شوند. نتایج باید شامل BER در مقابل SNR، Accuracy، Precision، Recall، F1-score، ROC Curve، AUC، Confusion Matrix، Loss و Accuracy آموزش و اعتبارسنجی، نمودار همگرایی، مقایسه زمان اجرا، مقایسه پیچیدگی، تحلیل Robustness در برابر Blockage و NLoS، تحلیل حساسیت نسبت به SNR، تحلیل تعداد LEDها، تعداد گیرنده‌ها، مرتبه مدولاسیون، نرخ عبور داده (Throughput)، Reliability، Coefficient of Variation (CoV) و هر معیار دیگری که برای ارزیابی کامل مدل لازم است باشد. همچنین باید Ablation Study انجام شود تا سهم هر بخش از مدل پیشنهادی (مانند Attention، Transformer، Residual یا Adaptive Module) در بهبود عملکرد مشخص گردد. در نهایت انتظار می‌رود دقت مدل به حدود 85٪ تا 98٪ برسد و نشان داده شود.در پایان باید تمام شکل‌ها، جدول‌ها و نتایج به صورت حرفه‌ای تهیه شوند. نمودارها باید با کیفیت بالا رسم شوند، جداول مقایسه‌ای کامل باشند.بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارش‌شده به‌درستی مشاهده شوند. همچنین مدل‌ها نباید دچار overfitting یا underfitting شدید باشند و رفتار آموزش باید پایدار و قابل دفاع باشد و نتایج و تصاویر با کیفیت باشند.کد نهایی باید به‌صورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook) ارائه شود و شامل تمامی بخش‌های تولید داده، آموزش مدل‌ها و رسم نمودارها باشد. همچنین در تمام بخش‌های کد باید توضیحات (کامنت‌گذاری کامل و قابل فهم) درج شود تا منطق پیاده‌سازی کاملاً مشخص باشد.از ایجاد خروجی غیر واقعی (ساخت منحنی جعلی) حتماً و اکیداً اجتناب شده و تمامی خروجی‌ها باید مستقیماً حاصل اجرای مدل و داده‌های واقعی باشند.جهت اطمینان از درستی کدها، مجدداً شخصاً کدها قبل از پذیرش پروژه اجرا خواهند شد و نباید هیچ‌گونه خطا (Error) در اجرا مشاهده شود و یا خروجی اشتب... توسط خریدار: کاربر775196اطلاعات بیشتر:parscoders.com/project/610854/%D8%AA%D8%B…