عزیزاله جمشیدی
آناهیتا غزنوی جهرمی
سجاد مشرف دهکردی
محمدعلی شاکری اسدی

با توجه به ساختار کانال های مخابراتی، ارسال و دریافت اطلاعات دیجیتال تحت تأثیر نویز موجود در کانال و تداخل سمبلهای کناری واقع شده و به همین دلیل اطلاعات ارسالی دچار خطا می گردد. جهت جبران اثر نویز و تداخل از جبران ساز استفاده می شود. با توجه به غیر خطی بودن مسأله جبران سازی و با توجه به ویژگی های فیلترینگ و غیر خطی که در شبکه های عصبی مصنوعی وجود دارد، در این مقاله سعی برآن است که یک جبران ساز مبتنی بر شبکه عصبی GRNN ارائه شود. نشان داده شود که جبران ساز دیجیتال مبتنی بر شبکه عصبی GRNN به پارامتر پهنای توابع گوسی که در مراکز شبکه GRNN استفاده می شوند حساسیت زیادی ندارد و نشان خواهیم داد که می توان وزن ها را با یک جایگزینی ساده و سریعتر نسبت به سایر روش ها آموزش داد.

آموزش شبکه عصبی GRNN آموزش وزن ها، جبران ساز GRNN