Bu çalışmada, bilişsel radyo (BR) tabanlı dikgen olmayan çoklu erişim tekniği (NOMA) kullanılarak, yakın kullanıcıya ait toplam ergodik kapasite değerinin, önerilen ileri beslemeli geri yayılımlı yapay sinir ağı (YSA) ve doğrusal olmayan dışsal girdili otoregresif ağ (Nonlinear Autoregressive Network with Exogenous Inputs, NARX) modeli ile farklı eğitim algoritmaları yoluyla yüksek doğruluk oranında ve hızlı eğitim sürelerinde tahmin edilmesi amaçlanmıştır. Sinir ağında kullanılan veri seti, üstel sönümleme kanalı karakteristiği ile modellenen BR-NOMA sistem modelinden elde edilmiştir. Denetimli öğrenme yöntemi kullanılarak tasarlanan YSA’ya girdi ve çıktı verileri öğretilerek yakın kullanıcıya ait ergodik kapasite tahmini yapılmıştır. YSA ve NARX sinir ağları başarımı değerlendirilirken eğitim süresi, iterasyon sayısı, ağın doygunluğa ulaşmaması durumları göz önünde bulundurulmuştur. Yakın kullanıcıya ait gerçek ergodik kapasite değeri ile ileri beslemeli geri yayılımlı YSA ve NARX ağlarının tahmin etmiş olduğu değerler karşılaştırılmıştır. Önerilen sinir ağlarının Levenberg-Marquardt, Bayesian ve Scaled-Conjugate eğitim algoritmaları altındaki performans analizi, hatanın minimuma ulaştığı epok değer grafiği, hata histogram analizi ve eğitim durum analizi açılarından incelenmiştir.

No abstract

Bu çalışmada, röle yardımlı aşağı yönlü dikgen olmayan çoklu erişim (NOMA) sistemlerinin bilişsel radyo ağlardaki ergodik kapasite analizi incelenmektedir. Önerilen sistem modelindeki matematiksel çıkarımlar, ikincil ağdaki yakın ve uzak kullanıcılar için tam ve yaklaşık ergodik kapasite kapalı form denklemlerinin üstel dağılımlı kanal göz önüne alınarak türetilmesiyle elde edilmektedir. Hem rölede, hem de yakın ve uzak kullanıcılarda ardışık girişim iptali gerçekleşmesi durumunda, toplam ergodik kapasite performansı düğümler arası mesafe, güç paylaşım katsayısı, iletim gücü ve yol kaybı üssü parametreleri dikkate alınarak, 10 6 tekrarlı Monte Carlo benzetimleriyle analiz edilmektedir. Elde edilen nümerik sonuçlar, yakın kullanıcıya atanan güç tahsisinin artması ile ergodik toplam kapasitenin arttığını göstermektedir. Birincil ağ vericisinin röleden uzaklaşmasının sistem performansını iyileştirdiği de gözlenmiştir. Yakın kullanıcı için tam olarak hesaplanan ergodik toplam kapasite başarımının, yaklaşık olarak hesaplanan ergodik toplam kapasite performansı ile örtüşmesi, ancak yüksek işaret gürültü oranı (SNR) bölgesinde mümkün olmaktadır. Bu durum, ikincil ağ olarak kurgulanan aşağı yönlü NOMA sisteminin, ortak kanal girişimi olarak etki gösteren birincil ağ ile aynı frekans bandını kullanmasının etkisi olarak değerlendirilmiştir.

The term "emotion" refers to an individual's response to an event, person, or condition. In recent years, there has been an increase in the number of papers that have studied emotion estimation. In this study, a dataset based on three different emotions, utilized to classify feelings using EEG brainwaves, has been analysed. In the dataset, six film clips have been used to elicit positive and negative emotions from a male and a female. However, there has not been a trigger to elicit a neutral mood. Various classification approaches have been used to classify the dataset, including MLP, SVM, PNN, KNN, and decision tree methods. The Bagged Tree technique which is utilized for the first time has been achieved a 98.60 percent success rate in this study, according to the researchers. In addition, the dataset has been classified using the PNN approach, and achieved a success rate of 94.32 percent.