مدولاسیون، روش‌های، این، شناسایی، که، سیگنال

. 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

این نوشته در پایان نامه ها ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.

دیدگاهتان را بنویسید

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