Οι συνελικτικοί κώδικες είναι ένας δημοφιλής τρόπος κωδικοποίησης στα σύγχρονα ψηφιακά
συστήματα επικοινωνιών. Για την αποκωδικοποίηση της ληφθείσας ακολουθίας, μπορεί να γίνει
χρήση διάφορων στατιστικών μεθόδων. Ένας βέλτιστος και αρκετά διαδεδομένος τρόπος
αποκωδικοποίησης συνελικτικά κωδικοποιημένων σημάτων είναι μια μέθοδος μεγίστης
πιθανοφάνειας, ο αλγόριθμος Viterbi.
Τα τεχνητά νευρωνικά δίκτυα είναι σύγχρονα μοντέλα μηχανικής μάθησης. Η δομή τους και η
βασικές αρχές λειτουργίας τους είναι εμπνευσμένες από τα νευρωνικά δίκτυα των έμβιων
οργανισμών. Αποτελούνται από τεχνητούς νευρώνες, οι οποίοι συνδέονται μεταξύ τους. Ο τρόπος
σύνδεσης μεταξύ των νευρώνων καθορίζεται από την επιλεγόμενη αρχιτεκτονική. Η λειτουργία
τους χωρίζεται σε δύο φάσεις: την φάση εκπαίδευσης ή μάθησης και την φάση ανάκλησης. Κατά
την διαδικασία μάθησης, το νευρωνικό δίκτυο μαθαίνει τις κατάλληλές τιμές για τα βάρη των
συνδέσεων έτσι ώστε να μπορεί να προσεγγίσει την λειτουργία που θέλει ο σχεδιαστής. Κατά την
φάση της ανάκλησης, το νευρωνικό δίκτυο χρησιμοποιείται από τον σχεδιαστή για την τέλεση
προβλέψεων βάσει όσων έμαθε κατά την φάση της εκπαίδευσης.
Στα πλαίσια της παρούσης διπλωματικής εργασίας, διερευνήθηκε η ικανότητα των νευρωνικών
δικτύων να δρουν ως αποκωδικοποιητές σημάτων, τα οποία έχουν κωδικοποιηθεί με χρήση
συνελικτικού κώδικα. Σχεδιάστηκε και εκπαιδεύτηκε νευρωνικό δίκτυο ικανό να αποκωδικοποιήσει
με αρκετά μεγάλη επιτυχία μηνύματα, τα οποία είχαν σταλεί από έναν ψηφιακό δέκτη, ο οποίος
έκανε χρήση συνελικτικού κώδικα. Για να προσομοιωθούν οι πραγματικές συνθήκες κάτω υπό τις
οποίες λειτουργεί ένα τηλεπικοινωνιακό σύστημα, στην αποσταλείσα ακολουθία εισαγόταν και
γκαουσιανός θόρυβος.
Δοκιμάστηκαν και αξιολογήθηκαν διάφορες δημοφιλείς αρχιτεκτονικές νευρωνικών δικτύων ως
προς τις αποδόσεις τους ως αποκωδικοποιητές. Μέτρο σύγκρισης αποτέλεσε ο δημοφιλής
αλγόριθμος Viterbi. Εξετάστηκε τόσο ο ρυθμός σφάλματος ανά ψηφίο (BER) όσο και ο χρόνος
αποκωδικοποίησης. Ακόμη, αναλύθηκαν και εξετάστηκαν διάφοροι τρόποι μορφοποίησης της
ληφθείσας ακολουθίας, ώστε αυτή να τροφοδοτηθεί στο νευρωνικό δίκτυο.
(EL)
Convolutional codes are a popular method of encoding in modern digital communication systems.
For the decoding of the received sequence, various statistical methods can be employed. An optimal
and widely used method for decoding convolutionally encoded signals is the maximum likelihood
method, specifically the Viterbi algorithm.
Artificial neural networks are contemporary models of machine learning. Their structure and basic
principles of operation are inspired by the neural networks of living organisms. They consist of
artificial neurons that are interconnected, and the way these neurons are connected is determined
by the chosen architecture. Their operation is divided into two phases: the training or learning phase
and the recall phase. During the learning process, the neural network learns the appropriate values
for the connection weights to approximate the desired functionality. In the recall phase, the neural
network is used by the designer to make predictions based on what it learned during the training
phase.
In the context of this thesis, the ability of neural networks to act as signal decoders encoded using
convolutional codes was explored. A neural network was designed and trained to successfully
decode messages sent by a digital transmitter using convolutional codes. To simulate real-world
conditions under which a communication system operates, Gaussian noise was introduced into the
transmitted sequence.
Various popular architectures of neural networks were tested and evaluated as decoders in terms of
their performances. The widely used Viterbi algorithm served as a comparison measure. Both the
bit error rate (BER) and decoding time were examined. Additionally, various ways of formatting the
received sequence for input to the neural network were analyzed and investigated.
(EN)
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
