یکی از کارآمدترین راه‌کارهای فشرده‌سازی و کاهش انرژی مصرفی شبکه‌های عصبی عمیق در دستگاه‌های نهفته، کوانتیزاسیون با استفاده از نمایش اعداد ممیز ثابت است. در سال‌های اخیر، روش‌های متنوعی برای بهبود صحت شبکه‌های کوانتیزه‌شده مطرح شده است که اغلب سربارهای محاسباتی زیادی به شبکه تحمیل می‌کنند، اگرچه این موضوع تاکنون از دید طراحان شبکه‌های عصبی عمیق پنهان مانده‌است. در این پژوهش، روش‌های مختلف کوانتیزاسیون ممیزثابت، بر اساس مولفه‌های تاثیرگذار در سربارهای سخت افزاری، طبقه‌بندی و مدل شده است. پس از آن، معماری‌های سخت‌افزاری ارائه‌شده برای هریک از مدل‌ها به صورت عادلانه، با در نظرگرفتن هزینه‌فایده‌ی بین صحت شبکه و بهره‌وری انرژی سخت‌افزار، بررسی و مقایسه می‌شوند. نتایج نشان می‌دهد تکنیک‌هایی که برای کاهش خطای روش‌های کوانتیزاسیون به کار گرفته می‌شود، اگرچه به افزایش صحت شبکه‌های عصبی منجر می‌شود اما از طرف دیگر بهره‌وری انرژی سخت‌افزار را کاهش می‌دهد. براساس نتایج شبیه‌سازی، افزودن ضریب مقیاس و آفست به کوانتیزاسیون ممیزثابت LSQ، صحت شبکه را حدود 1/0 افزایش می‌دهد اما بهره‌وری انرژی سخت‌افزار حدود 3 برابر کمتر شده است. این موضوع لزوم توجه به سربارهای سخت‌افزاری را به‌خصوص در سیستم‌های نهفته، بیش از پیش نشان می‌دهد.

همبستگی میان پیکسها در تصاویر طبیعی بسیار بالا است و به نوعی در اندیسهای تولید شده توسط کوانتیزاسیون برداری تاثیر می کند. که احتمال داشتن بلوکهای مجاور در تصویر با اندیسهای یکسان در بیت ریتهای پائینی بالا است. این مقاله شیوه ای از استفاده خصوصیت اندیسها را طرح می کند که به فشردگی بیشتری دست پیدا شود. ما می توانیم این شیوه را روی هر کدام از روشهای VQ اعمال کنیم و افزایش درجه فشرده سازی را ببینیم. در طرح ارائه شده در این مقاله حداقل 28% بهبود حتمی است به علاوه کارایی این روش از استاندارد JPEG در بیت ریتهای پائینی بسیار مطلوبتر است

یکی از راه های مقابله با فیدینگ و نویزهای موجود در کانال بکارگیری کدهای کنترل خطا یا به عبارت دیگر کدهای کانال می باشد. تاکنون بیشتر فعالیت های انجام شده در زمینه کدینگ کانال مربوط به کدهای تعریف شده در میدان های با مرتبه محدود گالوا بوده است. در این مقاله تجزیه و تحلیل عملکرد یکی از انواع کدهای کانال یعنی کد DFT، که از خانواده کدهای بلوکی تعریف شده در میدان با مرتبه نامحدود حقیقی می باشد، در حضور انواع اختلال ها همچون فیدینگ و نویز کوانتیزاسیون مورد بررسی قرار می گیرد. در این نوع کد برای انجام عملیات کدگذاری و کدگشایی از تبدیل شناخته شده DFT استفاده می گردد. در این مقاله عملکرد این نوع کد در حضور نویز کوانتیزاسیون و فیدینگ کانال مورد ارزیابی قرار می گیرد. نتایج حاصل از شبیه سازی ها موید قابلیت این نوع کد در حذف اثرات نویز و فیدینگ می باشد و همچنین نشان داده می شود که این نوع کد در سیگنال به نویزهای پایین نسبت به کدهای Reed Solomon تعریف شده در میدان های با مرتبه محدود عملکرد بهتری از خود نشان می دهد.

یکی از راه های مقابله با فیدینگ و نویزهای موجود در کانال مخابراتی استفاده از کدهای کانال می باشد. تاکنون بیشتر فعالیت های انجام شده در این زمینه مربوط به کدهای تعریف شده در میدان های با مرتبه محدود یا بعبارت دیگر میدان های گالوا بوده است. سابقه کدهای تعریف شده در میدانهای با مرتبه نامحدود مانند میدانهای حقیقی و مختلط به بیش از دو دهه قبل باز می گردد؛ ولی در سالیان اخیر این موضوع بعلت قابلیت این نوع از کدها در امکانپذیر کردن کدینگ مشترک منبع و کانال در ارسال چند رسانه ای دوباره مورد توجه محققین قرار گرفته است. برهمین اساس در این مقاله یک روش جدید دکدینگ با استفاده از فیلترهای کالمن برای کدهای کانولوشنال تعریف شده در میدان حقیقی پیشنهاد می شود و عملکرد آن در حضور انواع اختلال ها همچون اثر فیدینگ و نویر کوانتیزاسیون مورد بررسی قرار می گیرد.

روش های متوسط اجماعی به دلیل تحمل پذیری خطای بالا، دقت ردگیری و مقیاس پذیری مناسب از متداول ترین روش های ردگیری در شبکه های حسگر بی سیم هستند. اما این روش ها به علت ایجاد سربار مخابراتی بالا، بهره وری انرژی و پهنای باند مناسبی را در این شبکه ها ندارند. الگوریتم ردگیری پیشنهادی با استفاده از خوشه بندی پویا (بر مبنای باند کرامر-رائوپسین) و کوانتیزاسیون وفقی مشاهدات، تعداد حسگرهای درگیر و سربار اطلاعاتی تبادل شده شبکه را کاهش می دهد. از سوی دیگر الگوریتم مذکور از ترکیب روش چندجانبه و فیلتر ذره ای برای ردگیری هدف بر اساس اطلاعات کوانتیزه دریافتی بهره می جوید. این موضوع باعث شده است که در عین کاهش دقت مشاهدات ارسالی به میزان 50 درصد (4 بیت)، خطای ردگیری فقط 10 درصد نسبت به الگوریتمی که در آن از کوانتیزاسیون استفاده نشده است بالاتر باشد.

اخیرا روش های تولید کلید محرمانه مشترک با استفاده از مشخصات تصادفی بودن دامنه و فاز سیگنال دریافتی و تقارن کانال مشترک در سیستم های مخابراتی بی سیم، مورد توجه زیادی واقع شده است. پروتکل های تولید کلید بر اساس تخمین فاز سیگنال دریافتی، به علت توزیع یکنواخت فاز فیدینگ کانال، هم برای محیط های ساکن و هم سیار مناسب بوده و همچنین دارای نرخ تولید کلید بالاتری نسبت به پروتکل های تولید کلید بر اساس توان سیگنال دریافتی می باشند. علاوه بر این عموما کارهای پیشین روی پروتکل تولید کلید روی سیستم های تک آنتنه (SISO) متمرکز بوده اند که دارای نرخ تولید کلید قابل توجهی نیستند. از این رو در این مقاله برای افزایش تصادفی بودن و نرخ تولید کلید از تخمین فاز سیگنال دریافتی روی سیستم های چندآنتنه (MIMO) برای تولید کلید محرمانه مشترک استفاده می شود، زیرا سیستم های MIMO دارای یک توانایی برای عرضه متغیرهای تصادفی بیشتر جهت تولید کلید نسبت به سیستم های SISO می باشند. نتایج شبیه سازی نشان دهنده این است که نرخ تولید کلید در حالتی که تعداد آنتن های فرستنده و گیرنده یکسان و برابر با 2 و 3 باشد، به ترتیب 4 و 9 برابر زمانی است که از 1 آنتن فرستنده و گیرنده استفاده شود. همچنین هنگامی که جهت استخراج بیت های کلید محرمانه از کوانتیزاسیون چندسطحی استفاده شود، نرخ تولید کلید افزایش قابل ملاحظهای پیدا خواهد کرد.

شبکه های عصبی عمیق به دلیل موفقیت در کاربردهای مختلف، به جذابیت فوق العاده ای دست یافته اند. اما پیچیدگی محاسبات و حجم حافظه از موانع اصلی برای پیاده سازی آن ها در بسیاری از دستگاه های نهفته تلقی می شود. از مهم ترین روش های بهینه سازی که در سال های اخیر برای برطرف نمودن این موانع ارائه شده، می توان به کوانتیزاسیون و هرس کردن اشاره کرد. یکی از روش های معروف کوانتیزاسیون، استفاده از نمایش اعداد چندرقمی باینری است که علاوه بر بهره بردن از محاسبات بیتی، افت صحت شبکه های باینری را در مقایسه با شبکه های دقت کامل کاهش می دهد. اما به دلیل نداشتن قابلیت نمایش عدد صفر در آن ها، مزایای تنکی داده ها را از دست می دهند. از طرفی، شبکه های عصبی عمیق به صورت ذاتی تنک هستند و با تنک کردن پارامترهای شبکه عصبی عمیق، حجم داده ها در حافظه کاهش می یابد و همچنین به کمک روش هایی می توان انجام محاسبات را تسریع کرد. در این مقاله می خواهیم هم از مزایای کوانتیزاسیون چند رقمی و هم از تنکی داده ها بهره ببریم. برای این منظور کوانتیزاسیون چند رقمی ترنری برای نمایش اعداد ارائه می دهیم که علاوه بر افزایش صحت شبکه نسبت به شبکه چندرقمی باینری، قابلیت هرس کردن را به شبکه می دهد. سپس میزان تنکی در شبکه کوانتیزه شده را با استفاده از هرس کردن افزایش می دهیم. نتایج نشان می دهد که تسریع بالقوه شبکه ما در سطح بیت و کلمه می تواند به ترتیب 15 و 45 برابر نسبت به شبکه چند رقمی باینری پایه افزایش یابد.