تشخیص خودکار نوع مدولاسیون دیجیتال در سیستم¬های OFDM

دانشکده مهندسی برق
پایان‌نامه برای دریافت درجه کارشناسی ارشد
در رشته مهندسی برق گرایش مخابرات
تشخیص خودکار نوع مدولاسیون دیجیتال در سیستمهای OFDM
استاد راهنما:
دکتر عطاالله ابراهیم زاده شرمه
اساتید مشاور:
دکتر محمدرضا ذهابی
دکتر بیژن عباسی آرند
دانشجو:
عباس فتحتبار فیروزجاه
1393

کپی فرم صورت جلسه دفاع دانشگاه صنعتی نوشیروانی که ممهور به تحصیلات تکمیلی است
نام دانشکده: مهندسی برق
نام دانشجو: عباس فتح تبار فیروزجاه
عنوان پایان‌نامه: تشخیص خودکار نوع مدولاسیون دیجیتال در سیستمهای OFDM
تاریخ دفاع:
رشته: مهندسی برق
گرایش: مخابرات
ردیف سمت نام و نام خانوادگی مرتبه دانشگاهی دانشگاه یا مؤسسه امضا
1 استاد راهنما 2 استاد مشاور 3 استاد مشاور 4 استاد مدعو داخلی 5 استاد مدعو داخلی
تأییدیه‌ی صحت و اصالت نتایج و مالکیت مادی و معنوی
باسمه تعالی
اینجانب عباس فتح تبار فیروزجاه به شماره دانشجویی 914120037 دانشجوی رشته مهندسی برق مخابرات مقطع تحصیلی کارشناسی ارشد تأیید می‌نمایم که کلیه‌ی نتایج این پایان‌نامه ارشد تحت عنوان “تشخیص خودکار نوع مدولاسیون دیجیتال در سیستمهای OFDM” به استاد راهنمایی دکتر عطاالله ابراهیم زاده حاصل کار اینجانب و بدون هرگونه دخل و تصرف است و موارد نسخه‌برداری‌شده از آثار دیگران را با ذکر کامل مشخصات منبع ذکر کرده‌ام. درصورت اثبات خلاف مندرجات فوق، به تشخیص دانشگاه مطابق با ضوابط و مقررات حاکم (قانون حمایت از حقوق مؤلفان و مصنفان و قانون ترجمه و تکثیر کتب و نشریات و آثار صوتی، ضوابط و مقررات آموزشی، پژوهشی و انضباطی …) با اینجانب رفتار خواهد شد و حق هرگونه اعتراض درخصوص احقاق حقوق مکتسب و تشخیص و تعیین تخلف و مجازات را از خویش سلب می‌نمایم. در ضمن، مسؤلیت هرگونه پاسخگویی به اشخاص اعم از حقیقی و حقوقی و مراجع ذی‌صلاح (اعم از اداری و قضایی) به عهده‌ی اینجانب خواهد بود و دانشگاه هیچ‌گونه مسؤلیتی در این خصوص نخواهد داشت. در ضمن تمام دستاوردهای مادی و معنوی حاصله از پایان نامه ارشد متعلق به دانشگاه صنعتی نوشیروانی بابل است و اینجانب هیچ گونه ادعایی در قبال آن ندارم.

نام و نام خانوادگی:
امضا و تاریخ:

مجوز بهره‌برداری از پایان‌نامه
بهره‌برداری از این پایان‌نامه در چهارچوب مقررات کتابخانه و با توجه به محدودیتی که توسط استاد راهنما به شرح زیر تعیین می‌شود، بلامانع است:
بهره‌برداری از این پایان‌نامه/ رساله برای همگان بلامانع است.
بهره‌برداری از این پایان‌نامه/ رساله با اخذ مجوز از استاد راهنما، بلامانع است.
بهره‌برداری از این پایان‌نامه/ رساله تا تاریخ ……………………………… ممنوع است.
نام استاد یا اساتید راهنما:
تاریخ:
امضا:

تقدیم به:
تمامی رهپویان راه علم و معرفت
که به حکایت» ن و قلم« و آنچه مینگارد معترفند.
و تقدیمی خالصانه به پدر، مادر، همسر و فرزند عزیزم.

تشکر و قدردانی:
سپاس خدایی را که به انسان نعمت آموختن عطا فرمود. در این مجال ،صمیمانه ترین تقدیرها را نثار خانواده گرانقدر خویش می نمایم که بیشک اتمام این مهم بدون همراهی ایشان میسر نمی بود. و نیز از تمامی معلمان و استادان، بویژه از اساتید گرانقدر گروه مخابرات ، آقایان دکتر عطاءالله ابراهیمزاده شرمه، دکتر محمدرضا ذهابی ، دکتر بیژن عباسی آرند، دکتر علی آقاگلزاده و آقای دکتر سید مهدی حسینی اندارگلی متشکرم که در امر راهنمایی، مشاوره و داوری این پایاننامه، ا ینجانب را از راهنمایی ها و بذل محبت خویش بهره مند ساختند.
چکیده
تشخیص مدولاسیون را میتوان یکی از بخشهای اصلی گیرندههای نوین مخابراتی دانست. شناساگر خودکار نوع سیگنال، عمل تعیین نوع مدولاسیون سیگنال دریافتی را در بین مجموعهای از مدولاسیونها به صورت خودکار انجام میدهد. اکثر سیستمهای شناساگر خودکار نوع مدولاسیون در تشخیص تعداد بالای مدولاسیون عملکرد نامناسبی داشته و نیز در شرایط سیگنال به نویز پایین، بازدهی کمی دارند. این نوع سیستمها جهت تشخیص، نیاز به تعداد بالایی از ویژگیهای کلیدی دارند. بهدلیل کاربرد روزافزون سیگنال دیجیتال در مخابرات و تلاش جهت انتقال اطلاعات با نرخ بالا در سیستمهای مبتنی بر OFDM، در این پژوهش، تلاش شده است تا با انتخاب ویژگیهای بسیار کارا و استفاده از طبقهبندی کنندهی موثر، شناساگر مناسبی ارائه داده شود. در شناساگر پیشنهادی در بخش استخراج ویژگی، از ویژگیهای آمارگان مرتبهی بالا (ممانها وکومولانها تا مرتبهی هشتم) براساس طبقهبندی کنندهی ماشین بردار پشتیبان استفاده شده است. لازم به ذکر است در این پایاننامه به صورت محدود از OFDM بهره برده و تاثیر سیستم OFDM بر ویژگیهای آمارگان مرتبهی بالا مورد بررسی قرار گرفت. در این پایاننامه، جهت افزایش کارایی سیستم و کاهش همبستگی میان ویژگیها، برای اولینبار در این حوزه، ترکیب خطی ویژگیها، به عنوان روشی جدید ارائه داده شده، سپس برای بهینهسازی این ترکیب، از الگوریتم بهینهسازی فاخته استفاده گردیده است. شناساگر پیشنهادی در سیگنال به نویز dB10- ، به درصد موفقیت %98.33 دست یافته است. مدولاسیونهایی که در این پژوهش مورد بررسی قرار گرفته عبارتند از: 4ASK، 8ASK، 2PSK ،4PSK ،8PSK، 16QAM، 64QAM، 128QAM،256QAM و V29.
واژه‌های کلیدی: تشخیص خودکار نوع مدولاسیون، ترکیب خطی بردار ویژگی، تشخیص الگو، سیستم OFDM، کانال محوشونده، ماشین بردار پشتیبان.
صفحه فهرست مطالب عنوان
1 پیشگفتار
3 1- مقدمهای بر سیستم شناسایی خودکار نوع مدولاسیون
3 1-1- آشنایی با سیستم شناسایی خودکار نوع مدولاسیون و برخی از کاربردهای آن
3 1-1-1- سیر تحول و توسعه سیستم های مخابراتی دیجیتال
6 1-1-2- اهمیت و کاربردهای سیستم شناسایی نوع مدولاسیون
8 1-2- سیر تکامل روش های شناسایی نوع مدولاسیون
8 1-3- دسته بندی کلی روشهای خودکار شناسایی نوع مدولاسیون
10 1-4- مروری بر تحقیقات گذشته
12 1-5- جمع‌بندی و ساختار پایان‌نامه
14 نتیجه گیری
15 2- انتخاب ویژگی‌های مرتبه بالا و مطالب مورد نیاز
15 مقدمه
15 2-1- مروری بر مدولاسیون های دیجیتال
17 2-2- مفهوم استخراج ویژگی
18 2-3- ممانها و کومولانهای مرتبه‌ی بالا
18 2-3-1 ممان ها
28 2-3-2-کومولانها
37 2-4- مطالب مورد نیاز
37 2-4-1- کانال چند مسیری
39 2-4-2- سیستم OFDM
39 2-4-2-1- تاریخچه مدولاسیون OFDM
40 2-4-2-2- مفهوم مالتی پلکسینگ
41 2-4-2-3- معرفی مدولاسیون OFDM
43 2-4-2-4- مدل OFDM
45 2-4-2-5- مزایا و معایب OFDM
46 2-4-3- ماشین بردارهای پشتیبان (SVM)
46 2-4- 3-1- SVM خطی و غیرخطی
51 2-4-3-2- SVM چند کلاسه
51 2-4-4- الگوریتم بهینه‌سازی فاخته (COA)
52 2-4-4-1- زندگی و تخم‌گذاری فاخته
53 2-4-4-2- جزییات الگوریتم بهینه‌سازی الهام گرفته از فاخته
57 نتیجه‌گیری
59 3- معرفی روش پیشنهادی و نتایج شبیهسازیها
59 مقدمه
59 3-1- الگوریتم فاخته در بهینه سازی عملکرد سیستم استخراج ویژگی
59 3-1-1- انتخاب ویژگی
62 3-1-2- روش پیشنهادی جهت بهبود عملکرد سیستم استخراج ویژگی
63 3-1-2- نحوه به کارگیری الگوریتم فاخته به منظور انتخاب ویژگی
64 3-2- نتایج شبیهسازی
65 3-2-1- شناسایی نوع مدولاسیون به کمک تمام ویژگیها (آمارگان مرتبهی بالا)
66 3-2-1-1- نتایج شبیه‌سازی به کمک طبقه‌بندی کننده SVM در کانال AWGN
69 3-2-1-2- نتایج شبیه‌سازی به کمک طبقه‌بندی کننده SVM در کانالهای محوشونده
74 3-2-2- نتایج شبیه سازی به کمک سیستم استخراج ویژگی پیشنهادی
89 3-3- مقایسه عملکرد سیسستم پیشنهادی با کارهای انجام شده در این زمینه
90 3-4- نتیجه گیری
92 4- جمع بندی و پیشنهاد ادامه کار
92 4-1- جمع بندی
95 4-2- پیشنهادات
96 پیوستها
100 منابع و ماخذ
صفحه فهرست اشکال عنوان
16 شکل 2-1- نمایش چیدمان (منظومه) برخی از مدولاسیون‌های دیجیتال
18 شکل 2-2- نمایش نمودار ویژگی‌های ایدهآل از سیگنال ها بر حسب SNR
21 شکل 2-3- نمایش مقدار ویژگی ممان ها برای 100 سیگنال از هر مدولاسیون.
21 شکل 2-3- الف-مقدار ویژگی ممان دو-صفر
22 شکل 2-3- ب-مقدار ویژگی ممان دو-یک
22 شکل 2-3- پ-مقدار ویژگی ممان چهار-صفر
23 شکل 2-3- ت-مقدار ویژگی ممان چهار-یک
23 شکل 2-3- ج-مقدار ویژگی ممان چهار-دو
24 شکل 2-3- چ-مقدار ویژگی ممان شش-صفر
24 شکل 2-3- ح-مقدار ویژگی ممان شش-یک
25 شکل 2-3- خ-مقدار ویژگی ممان شش-دو
25 شکل 2-3- د-مقدار ویژگی ممان شش-سه
26 شکل 2-3- ذ-مقدار ویژگی ممان هشت-صفر
26 شکل 2-3- ر-مقدار ویژگی ممان هشت- یک
27 شکل 2-3- ز-مقدار ویژگی ممان هشت- دو
27 شکل 2-3- س-مقدار ویژگی ممان هشت- سه
28 شکل 2-3- ش-مقدار ویژگی ممان هشت- چهار
شکل 2-4- مقدار میانگین کومولانها را در SNR های متفاوت برای هر نوع مدولاسیون.
31 شکل 2-4- الف- مقدار ویژگی کومولان چهار-صفر
31 شکل 2-4-ب- مقدار ویژگی کومولان چهار- یک دو
32 شکل 2-4-پ-مقدار ویژگی کومولان چهار- دو
32 شکل 2-4-ت-مقدار ویژگی کومولان شش-صفر
33 شکل 2-4-ث-مقدار ویژگی کومولان شش-یک
33 شکل 2-4-ج-مقدار ویژگی کومولان شش-دو
34 شکل 2-4-چ-مقدار ویژگی کومولان شش-سه
34 شکل 2-4-ح-مقدار ویژگی کومولان هشت-صفر
35 شکل 2-4-خ-مقدار ویژگی کومولان هشت- یک
35 شکل 2-46-د-مقدار ویژگی کومولان هشت- دو
36 شکل 2-4-ذ-مقدار ویژگی کومولان هشت- سه
36 شکل 2-4-ر-مقدار ویژگی کومولان هشت- چهار
42 شکل 2-5- سیستم چندحاملی معمولی و سیستم چندحاملی متعامد
42 شکل2-6- طیف سمبل OFDM
44 شکل2-7- بلوک دیاگرام سیستم OFDM
49 شکل2-8- نمایش بردار تکیهگاه در دو دسته داده آموزشی قابل تفکیک
52 شکل 2-9- رفتار فاخته در طبیعت
54 شکل 2-10- تخمگذاری فاخته در شعاع تخمگذاری (ELR)
55 شکل 2-11- مهاجرت فاخته ها به سمت نقطه هدف
56 شکل2-12- روندنمای الگوریتم بهینهسازی فاخته
3- معرفی روش پیشنهادی و نتایج شبیهسازیها
63 شکل3-1- سیستم پیشنهادی استخراج ویژگی
64 شکل 3-2- روندنمای سیستم ترکیبی هوشمند
66 شکل 3-3- دیاگرام کلی شناساگر مدولاسیون براساس استخراج ویژگی‌ها آمار گان مرتبه بالا
67 شکل 3-4- عملکرد SVM در SNRهای مختلف به ازای تمام ویژگیها
شکل 3-5- مقدار چند آمارگان مرتبهی بالا برای سیستم OFDM
70 شکل 3-5-الف- مقدار میانگین ممان چهار-صفر در کانال رایلی تخت سریع
70 شکل 3-5-ب- مقدار میانگین ممان هشت-صفر در کانال رایلی تخت سریع مرتبه
71 شکل 3-5-پ- مقدار میانگین ممان هشت-صفر در کانال رایلی فرکانس گزین سریع
71 شکل 3-5-ت- مقدار میانگین ممان شش-سه در کانال رایلی فرکانس گزین سریع
72 شکل 3-5-ث- مقدار میانگین ممان شش-سه در کانال رایسین فرکانس گزین سریع
شکل3-6- عملکرد SVM در SNR های مختلف، کانال محوشونده با همه ویژگیها
73 شکل3-6-الف- عملکرد SVM در SNR های متفاوت در کانال رایلی تخت و آهسته
73 شکل3-6-ب- عملکرد SVM در SNR های متفاوت در کانال رایلی فرکانس گزین سریع
77 شکل3-7- مقدار تابع هزینه بهترین فاخته در هر تکرار
78 شکل3-8- ویژگی جدید برای تمامی مدولاسیونها در SNR های متفاوت
79 شکل3-9- ویژگی جدید برای تمامی مدولاسیونها در SNR هایی با بازه بیشتر
81 شکل 3-10- مقایسه عملکرد شناساگر با تمام ویژگیها و ویژگیهای بهینه
83 شکل 3-11- مقادیر ویژگی جدید در کانال محو شونده رایلی
84 شکل 3-12- مقادیر ویژگی جدید در کانال محوشونده رایسین
85 شکل 3-13- عملکرد سیستم با ویژگی جدید در کانال محوشونده رایلی فرکانس گزین سریع
85 شکل 3-14- عملکرد شناساگر با ویژگی جدید، کانال محوشونده رایلی فرکانس گزین آهسته
86 شکل 3-15- عملکرد شناساگر با ویژگی جدید در کانال محوشونده رایسین فرکانسی تخت
86 شکل 3-16- مقایسه عملکرد کلی شناساگر با ویژگی جدید در کانال محوشونده رایلی
صفحه فهرست جداول عنوان
20 جدول 2-1- روابط ممان های موثر
29 جدول 2-2- روابط کومولان های موثر
30 جدول2-2- مقادیری از ممانها و کومولانها برای سیگنال بدون نویز
50 جدول 2-3- برخی از توابع کرنل معروف
65 جدول 3-1- پارامترهای کانالهای محوشونده
67 جدول 3-2- عملکرد SVM در SNR های متفاوت
68 جدول 3-3- ماتریس صحت عملکرد SVM درSNR= -10 با استفاده از تمام ویژگیها
68 جدول 3-4- ماتریس صحت عملکرد SVM درSNR= -4 با استفاده از تمام ویژگیها
69 جدول 3-5- ماتریس صحت عملکرد SVM درSNR= 2 با استفاده از تمام ویژگیها
74 جدول 3-6- ماتریس صحت عملکرد SVM درSNR= -8 dB در کانال رایلی تخت(آهسته)
74 جدول 3-7- ماتریس صحت عملکرد SVM درSNR= -8 dB ، کانال رایسین تخت(آهسته)
74 جدول 3-8- ماتریس عملکرد SVM درSNR= -8 dB ، کانال رایلی فرکانس گزین(سریع)
74 جدول 3-9- ماتریس عملکرد SVM درSNR= -8 dB ، کانال رایسین فرکانس گزین(سریع)
75 جدول 3-10- پارامترهای الگوریتم بهینهسازی فاخته
76 جدول 3-11- زمان اجرا و مقدار حداقل تابع هزینه از COA
77 جدول 3-12- ویژگی و ضرایب متناظر بهینه با استفاده از الگوریتم COA در کانال AWGN
79 جدول 3-13- میانگین مقادیر ویژگی در بازههای مختلفی از SNR
80 جدول 3-14- درصد تشخیص صحیح شناساگر با ویژگی جدید در SNR های گوناگون
80 جدول 3-15- ماتریس صحت عملکرد شناساگر با ویژگی مبتنی بر COA درSNR=-10dB
80 جدول 3-16- ماتریس صحت عملکرد شناساگر با ویژگی مبتنی بر COA درSNR=-8dB
80 جدول 3-17- ماتریس صحت عملکرد شناساگر با ویژگی مبتنی بر COA درSNR=-6dB
81 جدول 3-18- ماتریس صحت عملکرد شناساگر با ویژگی مبتنی بر COA درSNR=0dB
82 جدول 3-19- ویژگی و ضرایب متناظر بهینه با استفاده از الگوریتم COA در کانال رایلی
82 جدول 3-20- ویژگی و ضرایب متناظر بهینه با استفاده از الگوریتم COA در کانال رایسین
87 جدول 3-21- عملکرد سیستم با ویژگی جدید درSNR=-10dB ، رایلی فرکانس گزین سریع
87 جدول 3-22- عملکرد شناساگر با ویژگی جدید درSNR=-8dB ، رایلی فرکانس گزین آهسته
88 جدول 3-23- عملکرد سیستم با ویژگی جدید درSNR=-2dB ، رایسین فرکانس گزین سریع
88 جدول 3-24- عملکرد شناساگر با ویژگی جدید درSNR=4dB ، رایلی فرکانس گزین آهسته
88 جدول 3-25- عملکرد شناساگر با ویژگی جدید درSNR=4dB ، رایلی فرکانس گزین سریع
89 جدول 3-26- عملکرد شناساگر با ویژگی جدید درSNR=6dB ، کانال رایلی تخت سریع
90 جدول 3-27- مقادیر میانگین و واریانس درصد تشخیص صحیح سیستم
91 جدول 3-28- مقایسه سیستم پیشنهادی با کارهای انجام شده
لیست علایم و اختصارات ACO الگوریتم کلونی مورچه (Ant Colony Optimization)
ADSL خط مشترک دیجیتال نامتقارن (Asymmetric Digital Subscriber Line)
ASK کلیدزنی شیفت دامنه (Amplitude Shift Keying)
BPSK کلیدزنی شیفت فاز دودویی (Binary Phase Shift Keying)
COA الگوریتم بهینه سازی فاخته(Cuckoo Optimization Algorithm)
CF تابع مشخصه (Characteristic Function)
CP پیشوند گردشی (Cyclic Prefix)
DAB پخش صدای دیجیتال (Digital Audio Broadcasting)
DT تئوری (نظریه) تصمیم (Decision Tree)
DVB_T اطلاعات ویدئو رادیویی دیجیتال (Digital Video Broadcasting-Terrestrial)
ELR شعاع تخمگذاری (Egg Laying Radius)
EP برنامه ریزی تکاملی (Evolutionary Programming)
FFT تبدیل فوریه سریع (Fast Fourier Transform)
FDM مالتی پلکس تقسیم فرکانسی (Frequency Division Multiplexing)
GA الگوریتم ژنتیک (Genetic algorithm)
GI فاصله زمانی محافظ (Guard Interval)
ICA آنالیز مولفه های مستقل (Indepdent Component Analysis)
ICI تداخل بین حاملی (Inter Carrier Interference)
ISI تداخل بین سمبلی (Inter Symbol Interference)
INFOMAX ماکزیمم سازی اطلاعات(Information Maximization)
KKT تئوری بهینهسازی کراش-کوهن-تاکر (Karush-Kuhn-Tucker)
LOS مولفه مسیر مستقیم (Line-Of-Sight)
MCM مدولاسیون چند کاربری (Multi-Carrier Modulation)
ML ماکزیمم شباهت (Maximum Likelihood)
OAA روش یکی در برابر همه (One-Against -All)
OAO روش یک به یک (One- Against -One)
OFDM مدولاسیون تقسیم فرکانسی متعامد (Orthogonal Frequency Division Multiplexing)
PDF تابع چگالی احتمال(probability Density Function)
PDR گیرنده آشکارساز وسیع(Panoramic Display Receiver)
PR تشخیص الگو (Pattern Recognition)
PSO بهینه سازی ازدحام ذرات(Particle Swarm Optimization)
QAM کلیدزنی دامنه تربیعی (Quadrature Amplitude Keying)
QPSK کلیدزنی شیفت فاز تربیعی (Quadrature Phase Shift Keying)
RBF تابع پایهی شعاعی (Radial Basis Function)
SASS اندازه گام خود تطبیقی (Self Adaptive Step Size)
SBS جستجوی برگشتی متوالی (Sequential Backward Search)
SFS روش جستجوی مستقیم متوالی (Sequential Forward Search)
SRM اصل حداقل سازی ریسکساختاری (Structural Risk Minimization)
SNR نسبت سیگنال به نویز(Signal to Noise Ratio)
SVM ماشین بردار پشتیبان (Support Vectors Machine)
TDM تقسیم زمانی (Time Division Multiplexing)
پیشگفتار
پیشگفتارامروزه شبیه سازی سیستمهای مخابراتی با توجه به پیچیدگی روز به روز تجهیزات، از اهمیت بالایی برخوردار است. مطالعه و بررسی عملکرد یک سیستم با روش های تحلیلی، سخت و گاهی غیر ممکن بوده و بررسی عملکردهای سیستم مخابراتی مدرن، بدون استفاده از شبیه سازی، ساخت نمونه آزمایشی را اجتناب ناپذیر میکند. اما علیرغم هزینههای بالای ساخت یک نمونه آزمایشی، هزینههای آزمایش در شرایط مختلف چندین برابر هزینه شبیهسازی کامپیوتری خواهد بود. علاوه بر آن شبیه سازی کامپیوتری شرایطی را مورد بررسی قرار میدهد که تولید همهی آن شرایط شبیهسازی عملا با یک نمونهی ساخته شده، امکان پذیر نیست و ممکن است فراهم نبودن بسترهای زیرساختی، موجب ایجاد شکافی بزرگ میان مباحث تئوری و پیاده سازی عملی شود. دلایل ذکر شده و نیز سهل الوصول بودن استفاده از کامپیوتر، به طور منطقی بر محبوبیت شبیهسازی میافزاید.
یک بخش بسیار مهم در تمامی سیستمهای مخابراتی، بخش بازیابی اطلاعات در گیرنده است. اهمیت این بخش زمانی روشن میگردد که بنا به هر دلیلی، گیرنده از محتوی نوع سیگنال ارسالی در فرستنده و نیز شرایط کانال اطلاع نداشته باشد. تاکنون روشهای مختلفی برای تشخیص خودکار نوع مدولاسیون دیجیتال پیشنهاد شده است که هر کدام، در شرایط گوناگون سعی در ارائه روشی خودکار برای شناسایی نوع مدولاسیون داشتهاند. روشهای ارائه شده در دو روش کلی خلاصه میشوند: روشهای مبتنی بر نظریهی تصمیم (با معیارهای آماری) و روشهای مبتنی بر تشخیص الگو.
با توجه به سادگی و تعمیمپذیری روشهای مبتنی بر تشخیص الگو در این پایاننامه به دنبال ارائه روشی هستیم تا با آن بتوان ویژگیهای کارایی را از سیگنال استخراج و انتخاب نموده و سپس با استفاده از مفاهیم تشخیص الگو، نوع مدولاسیون را تشخیص دهیم. در بیشتر سیستمهای پیشنهاد شدهی قبلی، همواره ویژگیهایی از سیگنال دریافتی در گیرنده استخراج میگردد. این ویژگیها در مرحلهی بعدی به واحد دیگری به نام واحد طبقهبندیکننده تحویل داده میشود. طبقهبندیکننده ابتدا درصدی از این ویژگیها را برای تمامی کلاسها انتخاب نموده و براساس آنها، فرآیندی موسوم به فرآیند آموزش دادهها را، پیادهسازی میکند. در حالت آموزش، شناساگر عموما، فضای بردار ویژگی را با شاخصهایی بین کلاسها تقسیم مینماید. سپس در حالت آزمایش، طبقه بندی کننده، براساس درصد باقی مانده از سیگنالها، ویژگیها را با این شاخصهای عملکردی میسنجد. کارایی سیستم در این حالت، تابعی براساس درصد تشخیص صحیح سیستم است. هر چقدر ویژگیها از نظر مفاهیم آماری (میانگین، واریانس و غیره) در دو حالت آموزش و تست برای هر کلاس، پایدارتر بوده و نیز نسبت به دیگر کلاسها همبستگی کمتری داشته باشند؛ قدرت تشخیص شناساگر، بیشتر خواهد بود. متناظرا هر سیستمی که به دادههای کمتری برای آموزش و آزمایش نیاز داشته باشد قابلیت بیشتری دارد و اصطلاحا نسبت به دادههای ندیده مقاومتر است.
در روشهای شناسایی قبلی که مبتنی بر تشخیص الگو هستند ویژگیهایی از سیگنال استخراج شده و بعد از آن این ویژگیها با شناساگری که درصد تشخیص بهتری را ارائه میداد، مورد ارزیابی قرار میگرفت. تقریبا در تمامی کارهای گذشته برای کاهش ابعاد ویژگی و نیز کاهش پیچیدگی سیستم، روشهایی برای انتخاب ویژگی پیشنهاد میگردید. در این روشها عموما از الگوریتمهای تکاملی برای جستجوی سراسری فضای ویژگی استفاده میشده و زیر مجموعهای از بردار ویژگی که منجر به درصد تشخیص بالاتر میشد به عنوان زیرمجموعه کارا انتخاب میشد. در پارهای از روشها نیز از این الگوریتمها برای بهینهسازی تنظیمات مربوط به طبقه بندی کنندهها استفاده میشد.
از میان طبقه بندی کنندههای مورد استفاده در روشهای تشخیص الگو میتوان به شبکههای عصبی مصنوعی، طبقه بندی کنندههای فازی، مدار طبقه بندی کننده آستانهای و ماشین بردار پشتیبان اشاره نمود. در بین این شناساگرها، طبقه بند ماشین بردار پشتیبان، به دلیل استفاده از مفاهیم ساختارمحور در کمینهسازی خطا، همواره با استقبال بیشتری از سوی محققان رو به رو بوده است. در این پایاننامه نیز این شناساگر، جهت تفکیک سیگنالهای مدولاسیون دیجیتال استفاده شده است.
فصل اول
مقدمهای بر سیستم شناسایی خودکار نوع مدولاسیون
مقدمهاین فصل به بررسی سیستم شناسایی خودکار نوع مدولاسیون (نوع سیگنال) و برخی از کاربردهای مهم آن، سیر تکامل شناسایی نوع مدولاسیون، دسته بندی کلی روشهای شناسایی نوع مدولاسیون، کارهای انجام شده توسط دیگران، و هدف از انجام این پایاننامه میپردازد.
آشنایی با سیستم شناسایی خودکار نوع مدولاسیون و برخی از کاربردهای آن
به سیستمی که عمل تعیین نوع مدولاسیون سیگنال دریافتی را، در بین مجموعهای از مدولاسیونها به صورت خودکار و هوشمند به عهده دارد؛ شناساگر خودکار نوع سیگنال گفته میشود. به سبب آنکه سیستم با تغییر شرایط کانال، خود را وفق میدهد به این نوع سیستمها، سیستم هوشمند میگویند. فرآیند بازشناخت مدولاسیون، مرحلهی قبل از دمدولاسیون است. در سیستمهای مخابراتی هوشمند، در صورت تشخیص غلط نوع و مرتبه مدولاسیون و بکارگیری یک دمدولاتور نامناسب، ممکن است محتوی اطلاعات سیگنال بهطور کامل از دست برود ]1[. تشخیص نوع مدولاسیون هم اکنون یکی از حوزههای مهم پردازش سیگنال در علم مخابرات بوده و هر ساله تلاشهای مختلفی از سوی محققان سراسر دنیا برای ارائه سیستمی هوشمند که به طور خودکار شناسایی نوع مدولاسیون را انجام می دهد؛ صورت میگیرد.
سیر تحول و توسعهی سیستمهای مخابراتی دیجیتال
تلگراف به عنوان اولین سیستم مخابرات الکتریکی یک سیستم مخابراتی دیجیتال بود. تلگراف الکتریکی توسط ساموئل مورس اختراع و در سال 1837 به نمایش گذاشته شد. مورس، کد دودویی با طول متغیری را که در آن حروف الفبای انگلیسی با دنبالهای از خطهای تیره و نقطهها (کلمه کد) نمایش داده میشد؛ ابداع نمود. در این کد، حروف با تواتر وقوع بالاتر، با کلمات کد کوتاه و حروف با تواتر وقوع کمتر، با کلمات کد بلندتر نمایش داده میشوند [2].
تقریبا چهل سال بعد از آن، در سال 1875 امیل بودت یک کد دودویی با طول ثابت 5 برای تلگراف ابداع نمود. در کد بودت، اجزای کد دارای طول یکسان بوده و نقطه و فاصله نامیده میشود. هر چند مورس ابداع کنندهی اولین سیستم مخابراتی دیجیتال (تلگراف) است، اما سر آغاز آنچه ما امروز به عنوان مخابرات دیجیتال مدرن میشناسیم به کار نایکویست (1924) بر میگردد؛ که مسئله حداکثر نرخ دادهی قابل ارسال روی یک کانال تلگرافی با پهنای باند داده شده را بدون وقوع تداخل بین سمبلها بررسی نمود. نایکویست معادلهی (2-1) را برای سیستم تلگراف پیشنهاد نمود که سیگنال ارسالی آن دارای صورت عمودی زیر است[2].
(1-1)
که در این معادله بیانگر شکل پالس و دنباله دادهی دودویی است که با نرخ بر ثانیه ارسال شده است. نایکویست کار خود را با تعیین شکل پالس بهینه با پهنای باند محدود هرتز به گونهای آغاز نمود که علاوه بر عدم ایجاد تداخل بین سمبلها در لحظات نمونه برداری، نرخ بیت نیز حداکثر شود. مطالعات، وی را به این نتیجه، که حداکثر نرخ ارسالپالس بر ثانیه است رساند، که این نرخ را، نرخ نایکویست مینامند. دستیابی به این نرخ ارسال با استفاده از شکل پالس مقدور است. این شکل پالس امکان بازیابی داده را بدون تداخل بین سمبلها در لحظات نمونهبرداری فراهم میکند. نتیجهی کار نایکویست معادل تفسیری از قضیهی نمونهبرداری برای سیگنالهای باند محدود است که بعدها توسط شانون (1948) مطرح شد. قضیهی نمونه برداری چنین بیان میدارد که سیگنال باند محدود را میتوان از روی نمونههای برداشته شده با نرخ نایکویست نمونه در ثانیه با استفاده از فرمول درونیابی زیر بازسازی نمود.
(1-2)
هارتلی با الهام از کار نایکویست (1928) مسئله نرخ ارسال مطمئن داده روی یک کانال دارای پهنای باند محدود را با استفاده از سطوح دامنهی چندگانه بررسی نمود. هارتلی از این قیاس منطقی که گیرنده با وجود نویز و تداخل میتواند دامنهی سیگنال دریافتی را با دقت معینی مثلا با اطمینان تخمین بزند استفاده کرد. بررسیهای هارتلی را به این نتیجه رهنمون ساخت که برای ارسال مطمئن اطلاعات روی یک کانال با پهنای باند محدود، وقتی که حداقل دامنه محدود به (قید توان ثابت) و توان تفکیک دامنه سیگنال دریافتی باشد، یک حداکثر نرخ ارسال داده وجود دارد [3]. یک پیشرفت چشمگیر دیگر در توسعه مخابرات دیجیتال، کار وینر (1942) بود که مسئله تخمین شکل موج یک سیگنال دلخواه را در حضور نویز تجمعی و با مشاهده سیگنال دریافتی بررسی نمود. این مسئله در وامدولهسازی سیگنال مطرح میشود. وینر یک فیلتر خطی را تعیین نمود که خروجی آن بهترین تقریب سیگنال مورد نظر از دید متوسط مجذور است. فیلتر حاصله را، فیلتر خطی بهینه (کولموگارف-وینر) گویند. نتایج هارتلی و نایکویست در مورد حداکثر نرخ ارسال اطلاعات دیجیتال بر کار شانون که به تبیین مبانی ریاضی انتقال اطلاعات و تعیین محدودیتهای پایهی سیستمهای مخابرات دیجیتال منجر گردید مقدم بود. شانون در کار پیشگامانهی خود مسئله اساسی انتقال مطمئن اطلاعات را در یک قالب آماری و با استفاده از مدلهای احتمالی برای منابع اطلاعات و کانالهای مخابراتی فرمولبندی نمود. همچنین نشان داد که اثر محدودیت توان فرستنده، محدودیت پهنای باند و نویز تجمعی را میتوان با کانال مرتبط نموده و در یک پارامتر واحد به نام ظرفیت کانال جای داد. به عنوان مثال در مورد یک نویز تجمعی گوسی سفید (طیف صاف)، ظرفیت یک کانال ایدهآل با پهنای باند محدودبرابر است با:
(1-3)
که در آن متوسط توان ارسالی و چگالی طیفی توان نویز تجمعی است. مفهوم ظرفیت کانال به شرح زیر است: اگر نرخ اطلاعات منبع کمتر از ظرفیت باشد؛ در اینصورت از نظر تئوری امکان انتقال مطمئن اطلاعات (بدون خطا) از طریق این کانال با انتخاب شیوهی مناسب کدگذاری وجود دارد. از طرف دیگر اگر باشد مستقل از میزان پردازش انجام‌شده در فرستنده و گیرنده، امکان انتقال مطمئن وجود ندارد. در نتیجه شانون حدود اساسی انتقال اطلاعات را تبیین و حوزهی جدیدی به نام تئوری اطلاعات را بنیان نهاد[3]. کار مهم دیگر در زمینه مخابرات دیجیتال مربوط به کوته لینکف (1947) است که بر مبنای یک رویکرد هندسی سیستمهای مختلف مخابرات دیجیتال را به صورت هماهنگ تجزیه و تحلیل نمود. کار او بعدها توسط وزنکراف و جاکوبس (1965) توسعه داده شد. متعاقب کار شانون، نوبت به کار کلاسیک همینگ در مورد کدهای تصحیح و تشخیص خطا برای مقابله با اثرات تخریبی نویز کانال رسید. کار همینگ در سالهای بعد زمینه‌ساز تحقیقات گستردهای شد که منجر به کشف کدهای متنوع و قدرتمند جدیدی گردید، و بسیاری از آن‌ها در پیادهسازی سیستمهای مخابراتی مدرن امروزی به کار میروند. افزایش تقاضا برای انتقال اطلاعات در سه تا چهار دههی گذشته، به همراه توسعهی مدارهای مجتمع پیشرفتهتر، به پیدایش سیستمهای مخابراتی بسیار کارآمد و مطمئن منجر گشته است. در جریان این تحولات نتایج اصلی شانون و تعمیم آن نتایج در مورد حداکثر سرعت انتقال روی کانال و حدهای عملکرد قابل دستیابی، نقش شاخصهای مرجع برای طراحی سیستمهای مخابراتی را داشتهاند. دستیابی به حدود تئوری استخراج‌شده توسط شانون و سایر محققان مشارکت‌کننده در توسعه تئوری اطلاعات، هدف غایی تلاشهای مستمر در زمینهی طراحی و توسعه سیستمهای مخابراتی دیجیتال کارآمدتر، است[3]. گسترش کاربرد مخابرات دیجیتال و فراهم شدن عرصه‌های گوناگون طراحی و ساخت سیستمهای پیچیده مخابراتی، زمینه را برای ارائه راه‌حلی جامع و هوشمند جهت شناسایی خودکار پیام‌های دریافتی فراهم، و ضرورت رویکرد تحقیقات علمی به این حوزه را لازم نمود.
1-1-2- اهمیت و کاربردهای سیستم شناسایی نوع مدولاسیون
هدف علم مخابرات انتقال درست پیام، با سرعت بالا و مقاوم نسبت به شرایط کانال است. از آنجایی که سیگنال باند پایه به سختی بر این شرایط فائق می‌آید، نیاز است تا این سیگنال مدوله شود. به عبارت دیگر مدولاسیون، به فرآیند نگاشت رشته بیت‌های دیجیتال، به سیگنال های قابل انتقال در کانال گفته می‌شود[3]. بر این اساس تغییر دادن بعضی از ویژگی‌های سیگنال، با هدف دستیابی به نرخ بالای انتقال و استفاده بهتر از طیف، شرایط بهرهمندی بیشتر کاربران را در باندهای مختلف کانال مخابراتی فراهم می‌سازد. جهت تمایز سیگنال در طیف و استخراج پیام ارسال‌شده، لازم است انواع مختلف مدولاسیون‌ها که هر کدام دربردارنده یک ویژگی خاصی از سیگنال ارسالی هستند؛ از یکدیگر شناسایی شوند.
مهم‌ترین کاربرد سیستم تشخیص نوع مدولاسیون در صنایع نظامی مانند جنگ الکترونیک است. تشخیص نوع مدولاسیون مسئله‌ای مهم در جنگ‌هایی با زیرساخت‌های مخابراتی است. در جنگ‌های مدرن امروزی پیروزی در عرصه مخابراتی و اطلاعاتی، دستاورد عظیمی جهت پیروزی در کل جنگ به حساب می‌آید. از این رو استخراج امن پیام ارسالی از نیروی خودی و یا استخراج پیام دشمن، از طریق شناسایی درست مدولاسیون تحقق می‌یابد. یک سیستم مخابراتی باید ابتدا، سیگنالهای موجود را به واسطه سیستمی به نام گیرنده آشکارساز وسیع که قادر است وجود سیگنالها را در یک باند به خصوص تشخیص دهد؛ جستجو و دریافت کند. آنگاه با تحلیل و پردازش سیگنال دریافتی بعضی از مشخصه‌های سیگنال دریافتی نظیر فرکانس حامل و نرخ سمبل را آشکار نمود. به این ترتیب از بازشناخت مدولاسیون در جنگ الکترونیکی، شنود و بررسی رفتار دشمن، ایجاد اغتشاش مناسب در سیگنال های دشمن و غیره استفاده می‌شود. در کاربردهای غیرنظامی نیز می‌توان به تأیید سیگنال، شناسایی تداخل، مدیریت طیف، مدیریت ترافیک شبکه، تخصیص نرخ داده‌های متفاوت و غیره، اشاره کرد[4].
در مدیریت طیف با توجه به شرایط کانال در فرستنده یکی از انواع مدلاسیون انتخاب و ارسال می‌شود. چون مدولاسیون‌های مختلف از نظر پهنای باند و مقاوم بودن در مقابل نویز با هم متفاوت‌اند؛ لذا زمانی که تعداد کاربران کم است؛ از مدولاسیون‌های غیرخطی که دارای پهنای باند بیشتر اما مقاوم نسبت به نویز می‌باشند؛ مورد استفاده قرار می‌گیرد. در مقابل اگر تعداد کاربران زیاد باشد از مدولاسیون‌های با پهنای باند کمتر مورد استفاده قرار می‌گیرد. به این ترتیب با استفاده از تکنیک شناسایی نوع مدولاسیون مدیریت طیف صورت می‌پذیرد. بازشناخت نوع مدولاسیون نقش مهمی در رادیو نرم‌افزار ایفا می‌کند. ایدهی کلی سیستم رادیو نرم‌افزار این است که بجای انجام بخش قابل توجهی از پردازش سیگنال در سخت‌افزار، اینکار توسط نرم‌افزار اجرا شود. مزیت کار در این است که سیستم را قادر می‌سازد تا به آسانی با به هنگام کردن الگوریتم‌های نرم‌افزاری، خود را با تغییرات محیط و نیازهای کاربر، تطبیق دهد. به عنوان مثال فرستنده می‌تواند بر اساس ظرفیت و شرایط کانال، نوع مدولاسیون مناسب را انتخاب کرده و سیگنال را ارسال کند. گیرنده نیز به طور خودکار اندازه و نوع منظومه را تشخیص داده و عمل دمدولاسیون را انجام دهد. در نتیجه سیستم ارتباطی با عملکرد بالا را خواهیم داشت.
1-2- سیر تکامل روش‌های شناسایی نوع مدولاسیون
شناسایی نوع مدولاسیون از سالهای گذشته مورد توجه بوده است. بهطور خلاصه میتوان گفت که قبل از دهه 80 قرن بیستم، فرآیند شناسایی نوع مدولاسیون به صورت کاملا اپراتوری انجام می‌شد. برای این کار، به کاربرانی با مهارت نیاز بود که بتوانند پارامترهایی از سیگنال دریافتی را محاسبه و با توجه به این پارامترها در مورد نوع مدولاسیون تصمیم‌گیری کنند[6-5]. در این فرآیند در حین انجام حالت جستجو، پهنای باند گیرنده IF می‌بایست به اندازه‌ای پهن می‌بود که همه فعالیت‌ها در باند فرکانسی مورد علاقه روی صفحه نمایش آنالیز طیف قابل رویت باشد. بعد از آن، فقط یک سیگنال برای تشخیص نوع مدولاسیون و تجزیه و تحلیل بیشتر انتخاب می‌شد[6].
در ادامهی تحقیقات، شناساگرهای نوع مدولاسیون نیمه اپراتوری، مطرح شدند. وجود بانکی از دمدولاتورها در این شناساگرها، وجه تمایزی بین روش فعلی و روشهای گذشته بود اما نیاز به اپراتورهای با مهارت بسیار بالا و محدود بودن تعداد و نوع مدولاسیون‌ها، همچنان به عنوان یک اشکال اساسی، وجود داشت. لذا در ادامهی تحقیقات و با پیشرفت فنآوری، سیستمهای شناسایی تمام‌خودکار مدولاسیون مطرح شدند. در این سیستمها، فرآیند شناسایی توسط الگوریتم‌ها و روش‌های نرم‌افزاری انجام شده و بسیار سریعتر و کاراتر از روش‌های قبلی بودند. بر حسب نوع مدولاسیون مورد علاقه، روش‌های ارائه‌شده را می‌توان به سه دسته کلی تقسیم کرد. دسته اول روش‌هایی هستند که فقط برای شناسایی مدولاسیون‌های آنالوگ ارائه می‌گردند. دسته دوم، روش‌هایی هستند که برای شناسایی مجموعه مدولاسیون‌های آنالوگ و دیجیتال ارائه می‌شوند. دسته سوم روش‌هایی هستند که فقط برای شناسایی مدولاسیون‌های دیجیتال ارائه می‌گردند[6].
مدولاسیون‌های دیجیتال به خصوص مدولاسیون‌های PSK و QAM در سیستمهای مخابراتی نوین، کاربردهای زیادی دارند. امروزه در مخابرات دیجیتال چند سرویس و چند کاربره نیاز به پیدا کردن روش‌های موثر جهت جداسازی آن‌ها به طور جدی افزایش یافته است[2]. تاکنون روش‌های مختلفی جهت شناسایی خودکار نوع مدولاسیون انجام شده است که در ادامه به آن می‌پردازیم.1-3- دسته‌بندی کلی روش‌های خودکار شناسایی نوع مدولاسیون
به طور کلی روش‌های خودکار شناسایی نوع مدولاسیون به دو گروه دسته‌بندی می‌شود: روش‌های تئوری (نظریه) تصمیم (DT) و روش‌های تشخیص الگو (PR). در روش‌های نظریه تصمیم که مبتنی بر تئوری آشکارسازی آماری می‌باشند، مسئله تشخیص نوع مدولاسیون به صورت آزمون فرض چندتایی مدل می‌شود که در آن هر فرض، متناظر با وقوع نوع مدولاسیون i ام از m مدولاسیون احتمالی است [6-4]. در واقع این روش‌ها از آرگومان‌های احتمالاتی برای تشخیص نوع سیگنال های دیجیتال استفاده می‌کنند. سیستمهایی که با این روش‌ها طراحی می‌گردند، کارآیی خوبی دارند و در صورت وجود تعداد نمونه‌های نسبتا زیاد، می‌توان درصد موفقیت قابل قبولی به دست آورد. اما در روش‌های تئوری تصمیم به دلیل پیچیدگی محاسبات، پیاده سازی و اجرای آن با مشکلات زیادی همراه است. همچنین محاسبه دقیق مقادیر آستانه، سخت و تعداد نمونه‌های مورد نیاز برای به دست آوردن درصد موفقیت قانع کننده زیاد است. جهت کاهش این مشکلات، بسیاری از تحقیقات، به خصوص در سال‌های اخیر به سمت روش‌های PR سوق داده شده است. از سال 1969، استفاده از روش‌های تشخیص الگو به عنوان رهیافتی در تشخیص نوع مدولاسیون مورد توجه قرار گرفت. تاکنون بسیاری از محققان، روش‌های مختلفی را در این حوزه بهکار بستند که از میان آن‌ها می‌توان به روش‌های مبتنی بر آمارگان مرتبه بالا، استفاده از تبدیل ویولت و غیره اشاره نمود. سیستم‌های طراحی‌شده با این روش به اطلاعات اولیه کمتری از سیگنال دریافتی نیاز دارند، بر خلاف روش‌های DT که نیاز به دانستن تابع چگالی احتمال سیگنال دریافتی است و نیز تنها قادر به تفکیک تعداد کمی مدولاسیون است، این روش نیاز به چنین اطلاعاتی نداشته و همچنین می‌توانند تعداد زیادی از مدولاسیون‌ها را شناسایی کند. این مسائل و ویژگی‌های دیگر باعث شده‌اند که روش‌های PR در شناسایی نوع مدولاسیون بیشتر مورد استفاده قرار گیرد. به همین جهت در این پژوهش شناساگرهای مبتنی بر روش PR ارائه می‌گردد. ساختار روش تشخیص الگو از واحدهای مختلفی تشکیل شده است: واحد پیش‌پردازش، واحد استخراج ویژگی و واحد طبقه‌بندی کننده (دسته‌بندی کننده) [6].
واحد پیش‌پردازش در قسمت ابتدایی سیستم قرار گرفته است. این واحد در اکثر روش‌های تشخیص نوع مدولاسیون کارهای مشترکی انجام می‌دهد. در واحد پیش‌پردازش، عملیاتی نظیر فیلترینگ مناسب، حذف اجزای نویز خارج از باند سیگنال، عمل نرمالیزه کردن توان، جایگزینی سیگنال نرمالیزه شده توسط نمایش تحلیلی (شامل سیگنال اصلی و تبدیل هیلبرت بخش موهومی آن)، عمل نمونه‌برداری، حذف فرکانس حامل و غیره انجام می‌شود تا داده‌ها را جهت انجام مراحل بعدی آماده می‌کنند.
در واحد استخراج ویژگی، به دنبال پارامترها و مشخصات برجسته‌ای از سیگنال هستیم که بالاترین حساسیت را نسبت به نوع سیگنال دیجیتال دارد و باعث تشخیص آن نوع مدولاسیون از سایر مدولاسیون‌ها می‌شود. این واحد دارای اهمیت زیادی است. انتخاب مناسب ویژگی‌ها، می‌تواند باعث راحتتر شدن کار واحد بعدی شود. چنانچه در فصل چهارم شرح داده می شود؛ دستیابی به این نوع ویژگی میتواند به مقدار زیادی بر قدرت سیستم تشخیص بیافزاید.
واحد کلیدی بعدی در عملکرد صحیح شناساگر نوع مدولاسیون دیجیتال، واحد طبقه‌بندی کننده است. در واحد طبقه‌بندیکننده، با درصدی از ویژگی‌های استخراج‌شده، فضای بردار ویژگی با شاخصهایی بین کلاسها تقسیم میگردد. بعد از آموزش سیستم، طبقهبندی کننده براساس درصد باقی مانده از سیگنالها، ویژگیها را با این شاخصهای عملکردی میسنجد. میزان کارایی این واحد بهصورت محاسبهی درصد تشخیص صحیح یا میزان کمینه بودن خطای تشخیص الگوها مورد بررسی و ارزیابی قرار میگیرد. در کانال محوشونده علاوه بر واحدهای ذکرشده، واحد دیگری به نام ترازگر کانال به این واحدها اضافه می‌شود. البته انتخاب ویژگی های مناسب می تواند نیاز به این واحد را به حداقل برساند. علاوه بر واحدهای ذکر شده، ممکن است بر حسب لزوم، واحدهای دیگری که تأثیر بسزایی در کاهش پیچیدگی سیستم و یا بهبود عملکرد آن داشته باشند، اضافه شود. برای داشتن یک شناساگر نوع مدولاسیون که درصد موفقیت بالایی داشته باشد، تعیین مناسب هر یک از موارد ذکرشده بسیار مهم است. در ادامه خلاصهای از مهم‌ترین روش‌های ارائه‌شده در زمینه شناسایی نوع مدولاسیون با روش PR ارائه خواهد شد.
1-4- مروری بر تحقیقات گذشته
انتخاب ویژگیهای بهینه که بتوانند برای همه یا بیشتر مدولاسیونها تفکیکپذیری ایجاد نماید؛ در تمامی روشهای قبلی دنبال میشد. در واقع روشهای قبلی همواره درصدد شناسایی و ارائه ویژگی خاصی از سیگنال بودند تا بتوانند با آن، درصد تشخیص سیستم شناساگر را افزایش دهند. به عنوان مثال در ]7[ با استفاده از تابع همبستگی طیفی، چند ویژگی برای شناسایی مدولاسیون‌های دیجیتال 2FSK، 4FSK، 2PSK، 4PSK، 8PSK و MSK پیشنهاد شده است. طبقه‌بندی کننده مورد استفاده ماشین بردار پشتیبان (SVM) است. در ]8[ از چگالی طیف توان که با روش FFT به دست می‌آمد، به عنوان ویژگی برای شناسایی مدولاسیون‌های 2PSK و 4PSK استفاده گردیده است. از طبقه‌بندی کننده MLP با الگوریتم یادگیری پسانتشار خطا (BP) در این شناساگر استفاده شده است.
ویژگیهای دیگری نظیر طیف دوره‌ای، طیف نگاره منظومه‌ها، شکل منظومه‌ای، واریانس اندازه تبدیل موجک هار و هیستوگرام توزیع دامنه لحظه‌ای نیز برای شناسایی انواع مدولاسیونها پیشنهاد شدهاند. در این روشها شناساگرهایی نظیر شبکه عصبی ART، الگوریتم طبقهبندی فازی و شبکه عصبی MLP استفاده شده است. عموما سیستمهای مبتنی بر این ویژگیها، به طول (تعداد) داده‌های دریافتی، تنظیم مرکز طیف و مقدمه سازی حساس بودند و پیچیدگی ساختار شبکه عصبی نیز از چالشهای این شناساگرها محسوب میشد]20-9[.
کار مهم دیگر در این حوزه استفاده از ممان مرتبه هشتم فاز از طریق تخمین تابع چگالی فاز، برای شناسایی مدولاسیون‌های BPSK، QPSK، 8PSK و UW بوده است. با طبقه‌بندی کننده مدار تصمیمگیر آستانه در این روش برای SNR بالاتر از dB5- درصد موفقیتی، حدود 85% به دست آمد]21[.
در ادامهی تحقیقات علاوه بر پیشنهاد ویژگیهای موثر، از الگوریتمهای تکاملی (مبتنی بر هوش جمعی) برای افزایش کارایی و کاهش پیچیدگی سیستم شناساگر استفاده شد. به عنوان نمونه در ]22[ ممانها و کومولانهای مراتب بالا (تا مرتبه هشتم) رشته سمبلهای دریافتی به عنوان ویژگی جهت شناسایی سیگنالهای 2ASK، 4ASK، 8ASK، 2PSK، 4PSK، 8PSK، 16QAM، 32QAM، 64QAM و V32 مطرح شد. در این مقاله ابتدا با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات ویژگی‌های مناسب انتخاب شده سپس طبقه‌بندی کننده شبکه عصبی با الگوریتم اندازه گام خود تطبیقی (SASS) برای شناسایی سیگنال استفاده شده است. این روش در SNR برابر با dB 0 درصد موفقیت برابر 88 درصد داشت.
به عنوان نمونه دیگر میتوان به استفاده از کومولان و ویژگی‌های تبدیل فوریه و ممان مرتبه چهارم نرمالیزه شده به عنوان ویژگی برای تشخیص سیگنالهای 2ASK، 4ASK، BPSK، QPSK، 2FSK، 4FSK، V32، V29، 16QAM و 64QAM اشاره نمود. در این شناساگر پس از انتخاب ویژگی به وسیله الگوریتم ژنتیک از شبکه عصبی با الگوریتم RPROP استفاده شده است. این روش برای SNR برابر با dB5- درصد عملکرد 93% دارد]23[.
در ]6[ از آمارگان مرتبه بالا برای شناسایی نوع مدولاسیون استفاده شده است. در این پایاننامه ممان و کومولان تا مرتبه هشتم به عنوان ویژگی معرفی و از الگوریتمهای تکاملی PSO و کلونی زنبور عسل برای انتخاب ویژگی و تنظیم پارامترهای طبقه بند SVM شد. به علت قابلیت خوب ویژگیهای ارائه شده در این مرجع، ما نیز در پایاننامه حاضر، ویژگیهای آمارگان مرتبه بالا را به عنوان ویژگیهای مبنا در نظر گرفتیم. این ویژگیها دارای مشخصههای خوبی برای شناسایی محسوب میشوند اما خالی از نقص نیز نیستند. چنانچه در ادامه به آن میپردازیم در این پایاننامه قصد داریم تا با ارائه یک روش جدید، اطلاعات بیشتری را از ترکیب ممانها و کومولانها استخراج نماییم.
تاکنون پژوهشهای متعددی نیز در رابطه با تشخیص نوع مدولاسیون دیجیتال در سیستمهای OFDM در کانالهای مخابراتی انجام شده است که به برخی از آنها اشاره میشود: در [24] روش بهینه برای تشخیص نوع مدولاسیون در سیستمهای OFDM بر اساس روش حداکثر تشابه در این مقاله پیشنهاد شده است. سیستم تشریح شده یک سیستم وفقی است یعنی براساس تخمینی که از نسبت سیگنال به نویز دارد، یک نوع مدولاسیون را متناسب با شرایط کانال انتخاب میکند. تعداد زیر حاملها در این مقاله ثابت فرض شده و برابر 64 است.
در [25] روشی برای تشخیص نوع مدولاسیون در سیستم OFDM وفقی بر حسب آمارگان مرتبهی ششم سیگنال دریافتی ارائه گردیده است. در [26] استفاده از آنالیز مولفه مستقل و ماشینهای بردار پشتیبان جهت تشخیص نوع مدولاسیون سیگنال منبع کور در سیستم MIMO-OFDM در یک کانال فرکانس گزین با تغیرات سریع زمانی مورد بررسی قرار گرفته است. برای سادگی سیستم از فرض تغییر ناپذیر بودن کانال در پهنای باند همدوسی و زمان همبستگی استفاده گردیده است.
1-5- جمع‌بندی و ساختار پایان‌نامه
با بررسی کارهای انجام شده در این حوزه می توان گفت:
در روش های مبتنی بر PR همواره، استخراج و انتخاب ویژگیهای کارا یک اصل کلیدی برای شناسایی نوع مدولاسیون است. علاوه بر آن تعداد زیادی از این روش‌ها به میزان SNR، حساسیت زیادی دارند. از طرفی با مطالعهی کارهای قبلی، میتوان دریافت که، استفاده از الگوریتمهای بهینهسازی، موجب تطبیق بیشتر بین واحد استخراج ویژگی و واحد طبقه‌بندی کننده شده و عملکرد سیستم را در SNR های پایین افزایش میدهد. همچنین، استفاده از ویژگی‌های آماری درصد موفقیت شناساگر را بالاتر می‌برد. دو عامل اصلی باعث عملکرد پایین شناساگرهای مدولاسیون و تفکیک تعداد معدودی از مدولاسیون‌ها می‌شوند. یکی از این عوامل، ویژگی‌هایی است که به طور مستقیم از سیگنال یا پارامترهای مشتق شده از سیگنال استخراج می‌شوند. عامل دوم طبقه‌بندی کننده‌هایی است که در دسته‌بندی براساس ویژگی‌های تعریف‌شده، مورد استفاده قرار می‌گیرند.
به طور خلاصه بالا بودن تعداد ویژگیها، نیاز به دادههای ورودی زیاد و نوع بیان فضای ویژگی را میتوان مهمترین چالش بیشتر کارهایی پیشین قلمداد نمود. در این پژوهش قصد داریم تا با بررسی عوامل مشکلات روشهای قبلی، سیستمی را پیشنهاد دهیم تا بتواند بهترین نگاشت از دادههای (خام) ورودی را به دادههای هدف (برای) واحد طبقهبندی کننده ایجاد نماید. جهت رسیدن به این امر موارد زیر در این پروژه انجام شده است:
1) استفاده از ویژگی‌های موثر و کارا که بتوانند قابلیت بالایی برای شناسایی مدولاسیون‌ها داشته باشند. در این پایاننامه از آمارگان مرتبه‌ی بالا که در مرجع [6] استفاده شده است به عنوان ویژگی های پایهای بهره بردیم.
2) استفاده از طبقه‌بندی کننده با ناظر مناسب که بازدهی و قابلیت تعمیم‌پذیری بالایی داشته باشند. برای این کار از طبقه‌بندی کننده چند کلاسه مبتنی بر ماشین بردار پشتیبان استفاده شده است.
3) با توجه به افزایش استفاده از سیستمهای OFDM در انتقال سریع و ایمن سیگنالهای مخابراتی، لزوم تشخیص خودکار در این سیستمها، در خور توجه است.
در این پژوهش، هدف تشخیص مدولاسیون‌های دیجیتال در سیستمهای مبتنی بر OFDM است. مجموعهی مدولاسیون‌های در نظر گرفته‌شده در فصل مربوط به شناساگرهای پیشنهادی معرفی می‌گردند. فرضیات اساسی اولیه‌ای که در رابطه با اخذ نتایج، قبل از اعمال



قیمت: 11200 تومان

Leave a Reply

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *