1. Introduction In high-speed digit

1. Introduction
In high-speed digital communication systems, equalizers are used very often at receivers to recover the original symbols from the received signals. Real-valued neural network models such as feedforward neural networks, radial basis function (RBF) networks and recurrent neural networks have been successfully used for solving equalization problems as neural networks are well suited for nonlinear classification problems [3]. Complex-valued neural networks have attracted considerable attention in channel equalization applications in the past decade. Cha and Kassam [1] have proposed a complex-valued radial basis function (CRBF) network which adopts the stochastic gradient learning algorithm to adjust parameters. Compared with previously existing equalizers, the CRBF equalizer is superior in terms of symbol error rate (SER). Jianping et al. [8] have developed a complex-valued minimal resource allocation network (CMRAN) equalizer. Applying the growing and pruning criteria, the CMRAN equalizer realizes a more compact structure and obtains better performance than CRBF and many other equalizers

Kết quả (Việt) 1:

1. giới thiệu Trong hệ thống truyền thông kỹ thuật số tốc độ cao, equalizers được sử dụng rất thường xuyên lúc thu để khôi phục lại biểu tượng ban đầu từ các tín hiệu nhận được. Giá trị thực mạng nơ-ron mô hình như mạng nơ-ron feedforward, xuyên tâm cơ sở chức năng (RBF) mạng và mạng nơron tái phát đã được thành công sử dụng để giải quyết vấn đề sự ngang nhau như mạng nơ-ron là rất thích hợp cho vấn đề phân loại phi tuyến [3]. Khu phức hợp có giá trị mạng nơ-ron đã thu hút sự chú ý đáng kể trong các kênh bằng ứng dụng trong thập kỷ vừa qua. Cha và Kassam [1] đã đề xuất một chức năng (CRBF) có giá trị phức tạp xuyên tâm cơ sở mạng qua thuật toán học gradient ngẫu nhiên để điều chỉnh các thông số. So với trước đây sẵn có equalizers, bộ chỉnh âm CRBF là tốt hơn trong điều khoản của tỷ lệ lỗi biểu tượng (SER). Jianping et al. [8] đã phát triển một bộ chỉnh âm mạng (CMRAN) phân bổ tài nguyên có giá trị phức tạp tối thiểu. Áp dụng ngày càng tăng và cắt tỉa các tiêu chí, bộ chỉnh âm CMRAN nhận ra một cấu trúc nhỏ gọn hơn và có được hiệu suất tốt hơn so với CRBF và nhiều khác equalizers

Kết quả (Việt) 2:

1. Giới thiệu
Trong các hệ thống truyền thông kỹ thuật số tốc độ cao, bộ cân bằng được sử dụng rất thường xuyên ở máy thu để khôi phục các biểu tượng ban đầu từ các tín hiệu nhận được. Mô hình mạng thần kinh thực có giá trị như các mạng truyền thẳng, hàm cơ sở (RBF) mạng xuyên tâm và mạng lưới thần kinh tái phát đã được sử dụng thành công để giải quyết vấn đề cân bằng mạng lưới thần kinh là rất thích hợp cho vấn đề phân loại phi tuyến [3]. Mạng lưới thần kinh phức tạp có giá trị đã thu hút được sự chú ý đáng kể trong các ứng dụng cân bằng kênh trong thập kỷ qua. Cha và Kassam [1] đã đề xuất một mạng lưới phức tạp có giá trị hàm cơ sở xuyên tâm (CRBF) mà thông qua các thuật toán học Gradient ngẫu nhiên để điều chỉnh các thông số. So với bộ cân bằng tồn tại trước đó, các bộ cân bằng CRBF là vượt trội về tỷ lệ lỗi ký hiệu (SER). Jianping et al. [8] đã phát triển một mạng lưới phân bổ nguồn lực tối thiểu giá trị phức (CMRAN) equalizer. Áp dụng các tiêu chí phát triển và cắt tỉa, các CMRAN equalizer nhận ra một cấu trúc nhỏ gọn hơn và có được hiệu suất tốt hơn so với CRBF và nhiều bộ cân bằng khác