سیگنال‌های مدولاسیون فرکانس خطی پهن باند به‌طور گسترده‌ای در سیستم‌هایی مانند رادار، سونار و موبایل استفاده می‌‌شود. الگوریتم‌های تخمین زاویه ورود سیگنال‌های مدولاسیون فرکانس خطی به تعداد زیادی فریم زمانی متکی هستند. به همین دلیل برای کاربردهای با توان پایین و بلادرنگ مناسب نیستند. در این مقاله ما یک روش برآورد مبتنی بر الگوریتم SPICE با محاسبات کم برای آرایه خطی با استفاده از تبدیل فوریه ارائه داده‌ایم. روش کار بدین ترتیب است که ابتدا با استفاده از تبدیل فوریه فرایند دچیرپ را برای سیگنال‌های مدولاسیون فرکانس خطی توسعه داده‌ایم، سپس الگوریتم SPICE را برای آرایه‌های خطی اصلاح می نماییم، آنگاه محاسبات تخمین زاویه ورود را برای تعداد کم فریم زمانی با حجم محاسبات پایین بدست آورده‌ایم. نتایج شبیه‌سازی الگوریتم پیشنهادی MSPICE (الگوریتم SPICE بهبودیافته) در مقایسه با سایر الگوریتم‌ها نظیر طبقه‌بندی سیگنال چندگانه و SPICE، بهتر بودن الگوریتم پیشنهادی را نشان می‌دهد. نشان خواهیم داد که روش پیشنهادی در نسبت توان سیگنال به توان نویز پایین دارای دقت قابل قبولی است و همچنین در نسبت توان سیگنال به توان نویز بالا خطای کمی از خود نشان خواهد داد و علاوه بر آن از لحاظ حجم محاسبات بسیار کمتر از روش MUSIC و SPICE است و مقاوم سازی مناسبی را نسبت به روش‌های دیگر خواهد داشت. پرونده مقاله

سیگنال‌های مدولاسیون فرکانس خطی (LFM) پهن باند به‌طور گسترده‌ای در سیستم‌هایی مانند رادار، سونار و موبایل استفاده می‌‌شود. الگوریتم‌های تخمین زاویه ورود دوبعدی (2D-DOA) سیگنال‌های مدولاسیون فرکانس خطی به تعداد زیادی فریم زمانی متکی هستند. به همین دلیل برای کاربردهای با توان پایین مناسب نیستند. در این مقاله یک روش برآورد مبتنی بر الگوریتم با محاسبات کم ESPRIT بر مبنای آرایه دوبعدی دایروی با استفاده از تبدیل فوریه فراکتالی (FrFT) ارائه شده است. استفاده از آرایه دایروی، امکان محاسبه دوبعدی زاویه ورود را فراهم می‌نماید. روش کار به این ترتیب است که ابتدا با استفاده از تبدیل فوریه فراکتالی الگوریتم دچیرپ را برای سیگنال‌های مدولاسیون فرکانس خطی توسعه داده‌ایم، سپس الگوریتم ESPRIT را که برای آرایه‌های خطی (ULA) استفاده می‌شود را برای آرایه‌های دوبعدی دایروی (UCA) گسترش می‌دهیم، آنگاه محاسبات زاویه ورود را برای تعداد کم فریم زمانی با حجم محاسبات پایین به‌دست آورده‌ایم. نتایج شبیه‌سازی الگوریتم پیشنهادی MESPRIT (الگوریتم ESPRIT بهبودیافته) در مقایسه با سایر الگوریتم‌ها مانند طبقه‌بندی سیگنال چندگان (MUSIC) و تخمین زاویه ورود با استفاده از الگوریتم دو مرحله‌ای سریع (TSFDOA)، بهتر بودن الگوریتم پیشنهادی را نشان می‌دهد. نشان داده‌ایم که روش پیشنهادی هم در SNRهای پایین دقت قابل قبولی دارد و هم در SNRهای بالا خطای کمی از خود نشان می‌دهد. همچنین نشان دادیم برای همه الگوریتم‌ها، دقت زاویه سمت از زاویه ارتفاع بهتر است. پرونده مقاله

در این مقاله یک ساختار عمومی جدید برای مدولاتور سیگما-دلتای تک حلقه با ترکیب دو روش اعوجاج-پایین و نویز تزویج شده برای کاربردهای کم-توان با دقت بالا ارائه شده است. روش اعوجاج-پایین در ساختار ارائه شده، باعث می شود تا تابع تبدیل سیگنال آن برابر یک شود. از طرفی روش نویز تزویج شده باعث افزایش مرتبه شکل دهی نویز کوانتیزاسیون در خروجی مدولاتور می شود. هدف از به کارگیری این روش ها در طراحی ساختار، افزایش مرتبه مدولاتور در ازای عدم نیاز به تقویت کننده های عملیاتی اضافه در زمان پیاده سازی مداری آن است تا در نهایت یک مدولاتور کم توان و کم حجم نسبت به ساختارهای مشابه، حاصل گردد. برای کاهش تقویت کننده های مورد نیاز، از فیلتر با پاسخ ضربه نامحدود (IIR) مرتبه دوم به جای انتگرال گیر در حلقه مدولاتور، استفاده گردید. برای بررسی عملکرد ساختار پیشنهادی، پیاده سازی و شبیه سازی آن برای کاربردهای بازشناسی گفتار (به طور نمونه برای سمعک های دیجیتال) در فناوری ساخت 180 نانومتر CMOS (نیم رسانای اکلسید فلز مکمل) انجام گردید. برای یک ساختار مرتبه 3 با نرخ بیش نمونه برداری 64 و سیگنال سینوسی ورودی 6- دسی بل تمام-مقیاس و فرکانس نمونه برداری 56/2 مگاهرتز، مقدار سیگنال به نویز و اعوجاج (SNDR) برابر 9/81 دسی بل و محدوده پویایی (DR) برابر 88 دسی بل به دست آمده است. مقدار توان مصرفی مدولاتور برابر 9/126 میکرووات و پهنای باند آن 20 کیلوهرتز است. نتایج شبیه سازی مداری و سیستمی مدولاتور، درستی عملکرد آن را نشان می دهد. پرونده مقاله

Sleep stages classification using the signal analysis includes EEG, EOG, EMG, PPG, and ECG. In this study, the proposed method using transfer learning to sleep stages classification. First, we have used the two PPG signals for this method It is important to use a less complex signal. The PPG signal has the least complexity, and in this article, we used this signal for transitional learning. In this study, we extracted 52 features from two signals and prepared them for the classification stage. This method includes two steps, (a) Train data PPG1 and Test data PPG2, (b) Train data PPG2 and Test data PPG1. Results proved that our method has acceptable reliability for classification. The accuracy of 94.26% and 96.49% has been reached. پرونده مقاله

Classification of sleep stages is an important method in diagnosing sleep problems. This is done by experts, based on visual inspection of bio-signals such as EEG, EOGs, ECG, EMG, etc. The deep learning method is one of the newest and most important methods for analyzing, separating, and detecting images, which is becoming more and more widespread. In this paper, for the first time, the deep learning method is used to extract the EEG signal time frequency image to classify sleep stages. Here, from the one channel of EEG signal, the time frequency image of the signal is extracted and then feature extraction using the deep learning method is done. Finally, without changing the nature of the signal, the sleep steps are detected with acceptable accuracy. In this article, for the first time, time-frequency image (TFI) was provided from the one channel of the EEG signal. Then, using the AlexNet convolutional neural network by the Wigner-Ville distribution method (ANWVD), using Deeper layers contain higher-level features were extracted, and finally, using the SVM classifier, the sleep steps were classified with acceptable accuracy. The accuracy 97.6% and the time of calculations 0.36s have been reached پرونده مقاله

Accurate brain tumor MR images detection plays an important role in diagnosis and treatment decision making. The machine learning methods for classification only uses low-level or high-level features, to tackle the problem of classifications using some handcrafted features. Development on deep learning, transfer learning and deep convolution neural networks (CNNs) has shown great progress and has succeeded in the image classification task. Deep learning is very powerful for feature representation. In this study, deep transfer learning method for features extraction and detection is used that it does not use any handcrafted features, and needs minimal preprocessing. Transfer learning is a method of transferring information during training and testing. In this study, features extraction from images with pre-trained CNN method, namely, GoogLeNet, VGGNet and AlexNet, for tumor detection is used. The accuracy of tumor detection is 99.84%. The results show that our method, shows the best accuracy for detections tumor پرونده مقاله