Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: convolutional

Sortuj według:

Ogranicz wyniki do:

Performance evaluation of forward error correcting codes for design of power line carrier communication modem

Mohanachandran Chandralekha, Sumathi Srinivasan

Przegląd Elektrotechniczny

2022

R. 98, nr 11

79--82

An analysis of three coding schemes, Reed-Solomon code, the Viterbi decoded convolutional code and the concatenated Reed-Solomon – Convolutional code for power line carrier communication is presented in this article. The simulation results are validated using theoretical bounds for all mapping schemes specified in standard IEEE STD 1901.2. The theoretical and analytical result shows that the performance of inner convolutional code with outer Reed-Solomon code is the superior coding scheme with benefits such as improved bit error rate performance, better burst error correcting capability and greater redundancy.

W artykule przedstawiono analizę trzech schematów kodowania kodu Reed-Solomon, dekodowanego Viterbiego kodu splotowego oraz połączonego kodu Reed-Solomon-Convolutional dla komunikacji nośnej w sieci energetycznej. Wyniki symulacji są sprawdzane przy użyciu teoretycznych granic dla wszystkich schematów mapowania określonych w standardzie IEEE STD 1901.2. Teoretyczne i analityczne wyniki pokazują, że wydajność wewnętrznego kodu splotowego z zewnętrznym kodem Reeda-Solomona jest lepszym schematem kodowania z korzyściami, takimi jak lepsza wydajność bitowej stopy błędów, lepsza zdolność korekcji błędów seryjnych i większa redundancja.

Deep Learning Can Improve Early Skin Cancer Detection

Mohamed Abeer, Mohamed Wael A., Zekry Abdel Halim

International Journal of Electronics and Telecommunications

2019

Vol. 65, No. 3

507--512

Skin cancer is the most common form of cancer affecting humans. Melanoma is the most dangerous type of skin cancer; and early diagnosis is extremely vital in curing the disease. So far, the human knowledge in this field is very limited, thus, developing a mechanism capable of identifying the disease early on can save lives, reduce intervention and cut unnecessary costs. In this paper, the researchers developed a new learning technique to classify skin lesions, with the purpose of observing and identifying the presence of melanoma. This new technique is based on a convolutional neural network solution with multiple configurations; where the researchers employed an International Skin Imaging Collaboration (ISIC) dataset. Optimal results are achieved through a convolutional neural network composed of 14 layers. This proposed system can successfully and reliably predict the correct classification of dermoscopic lesions with 97.78% accuracy.