پایان نامه ها

مدولاسيون، روش‌های، اين، شناسايي، كه، سيگنال

. 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 مدولاسيون در جنگ الكترونيكي، شنود و بررسي رفتار دشمن، ايجاد اغتشاش مناسب در سيگنال هاي دشمن و غيره استفاده می‌شود. در كاربردهاي غيرنظامي نیز می‌توان به تأیید سيگنال، شناسايي تداخل، مديريت طيف، مديريت ترافيك شبكه، تخصيص نرخ داده‌های متفاوت و غيره، اشاره كرد[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 مدولاسيون نقش مهمي در راديو نرم‌افزار ایفا می‌کند. ايدهی كلي سيستم راديو نرم‌افزار اين است كه بجاي انجام بخش قابل توجهی از پردازش سيگنال در سخت‌افزار، اينکار توسط نرم‌افزار اجرا شود. مزيت كار در اين است كه سيستم را قادر می‌سازد تا به آساني با به هنگام كردن الگوریتم‌های نرم‌افزاری، خود را با تغييرات محيط و نيازهاي كاربر، تطبيق دهد. به عنوان مثال فرستنده می‌تواند بر اساس ظرفيت و شرايط كانال، نوع مدولاسيون مناسب را انتخاب كرده و سيگنال را ارسال كند. گيرنده نيز به طور خودكار اندازه و نوع منظومه را تشخيص داده و عمل دمدولاسيون را انجام دهد. در نتيجه سيستم ارتباطي با عملكرد بالا را خواهيم داشت.
1-2- سير تكامل روش‌های شناسايي نوع مدولاسيون
شناسايي نوع مدولاسيون از سالهای گذشته مورد توجه بوده است. بهطور خلاصه میتوان گفت که قبل از دهه 80 قرن بيستم، فرآيند شناسايي نوع مدولاسيون به صورت كاملا اپراتوري انجام می‌شد. برای این کار، به کاربرانی با مهارت نياز بود که بتوانند پارامترهايي از سيگنال دريافتي را محاسبه و با توجه به اين پارامترها در مورد نوع مدولاسيون تصمیم‌گیری کنند[6-5]. در این فرآیند در حين انجام حالت جستجو، پهناي باند گيرنده IF می‌بایست به اندازه‌ای پهن می‌بود كه همه فعالیت‌ها در باند فركانسي مورد علاقه روي صفحه نمايش آناليز طيف قابل رويت باشد. بعد از آن، فقط يك سيگنال براي تشخيص نوع مدولاسيون و تجزيه و تحليل بيشتر انتخاب می‌شد[6].
در ادامهی تحقيقات، شناساگرهاي نوع مدولاسيون نيمه اپراتوري، مطرح شدند. وجود بانكي از دمدولاتورها در اين شناساگرها، وجه تمایزی بین روش فعلی و روشهای گذشته بود اما نياز به اپراتورهاي با مهارت بسيار بالا و محدود بودن تعداد و نوع مدولاسیون‌ها، همچنان به عنوان یک اشکال اساسي، وجود داشت. لذا در ادامهی تحقيقات و با پيشرفت فنآوري، سيستمهاي شناسايي تمام‌خودکار مدولاسيون مطرح شدند. در اين سيستمها، فرآيند شناسايي توسط الگوریتم‌ها و روش‌های نرم‌افزاری انجام شده و بسيار سريعتر و کاراتر از روش‌های قبلي بودند. بر حسب نوع مدولاسيون مورد علاقه، روش‌های ارائه‌شده را می‌توان به سه دسته كلي تقسيم كرد. دسته اول روش‌هایی هستند كه فقط براي شناسايي مدولاسیون‌های آنالوگ ارائه می‌گردند. دسته دوم، روش‌هایی هستند كه براي شناسايي مجموعه مدولاسیون‌های آنالوگ و ديجيتال ارائه می‌شوند. دسته سوم روش‌هایی هستند كه فقط براي شناسايي مدولاسیون‌های ديجيتال ارائه می‌گردند[6].
مدولاسیون‌های ديجيتال به خصوص مدولاسیون‌های PSK و QAM در سيستمهاي مخابراتي نوين، كاربردهای زیادی دارند. امروزه در مخابرات ديجيتال چند سرويس و چند كاربره نياز به پیدا کردن روش‌های موثر جهت جداسازي آن‌ها به طور جدي افزايش يافته است[2]. تاكنون روش‌های مختلفي جهت شناسايي خودكار نوع مدولاسيون انجام شده است كه در ادامه به آن می‌پردازیم.1-3- دسته‌بندی كلي روش‌های خودكار شناسايي نوع مدولاسيون
به طور كلي روش‌های خودكار شناسايي نوع مدولاسيون به دو گروه دسته‌بندی می‌شود: روش‌های تئوري (نظريه) تصميم (DT) و روش‌های تشخيص الگو (PR). در روش‌های نظريه تصميم كه مبتني بر تئوري آشكارسازي آماري می‌باشند، مسئله تشخيص نوع مدولاسيون به صورت آزمون فرض چندتايي مدل می‌شود كه در آن هر فرض، متناظر با وقوع نوع مدولاسيون i ام از m مدولاسيون احتمالي است [6-4]. در واقع اين روش‌ها از آرگومان‌های احتمالاتي براي تشخيص نوع سيگنال هاي ديجيتال استفاده می‌کنند. سيستمهايي كه با اين روش‌ها طراحي می‌گردند، كارآيي خوبي دارند و در صورت وجود تعداد نمونه‌های نسبتا زياد، می‌توان درصد موفقيت قابل قبولي به دست آورد. اما در روش‌هاي تئوري تصميم به دلیل پيچيدگي محاسبات، پياده سازي و اجراي آن با مشكلات زيادي همراه است. همچنین محاسبه دقيق مقادير آستانه، سخت و تعداد نمونه‌هاي مورد نياز براي به دست آوردن درصد موفقيت قانع كننده زیاد است. جهت کاهش اين مشكلات، بسياري از تحقيقات، به خصوص در سال‌های اخير 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 اين روش به اطلاعات اوليه كمتري از سيگنال دريافتي نياز دارند، بر خلاف روش‌های DT که نیاز به دانستن تابع چگالي احتمال سيگنال دريافتي است و نیز تنها قادر به تفکیک تعداد کمی مدولاسیون است، این روش نياز به چنین اطلاعاتی نداشته و همچنین می‌توانند تعداد زيادي از مدولاسیون‌ها را شناسایی کند. اين مسائل و ویژگی‌های ديگر باعث شده‌اند كه روش‌های PR در شناسايي نوع مدولاسيون بيشتر مورد استفاده قرار گيرد. به همین جهت در اين پژوهش شناساگرهاي مبتني بر روش PR ارائه می‌گردد. ساختار روش تشخیص الگو از واحدهای مختلفي تشكيل شده است: واحد پیش‌پردازش، واحد استخراج ويژگي و واحد طبقه‌بندی كننده (دسته‌بندی كننده) [6].
واحد پیش‌پردازش در قسمت ابتدايي سيستم قرار گرفته است. اين واحد در اكثر روش‌های تشخيص نوع مدولاسيون كارهاي مشتركي انجام می‌دهد. در واحد پیش‌پردازش، عملياتي نظير فيلترينگ مناسب، حذف اجزاي نويز خارج از باند سيگنال، عمل نرمالیزه كردن توان، جايگزيني سيگنال نرماليزه شده توسط نمايش تحليلي (شامل سيگنال اصلي و تبديل هيلبرت بخش موهومي آن)، عمل نمونه‌برداری، حذف فرکانس حامل و غيره انجام می‌شود تا داده‌ها را جهت انجام مراحل بعدي آماده می‌کنند.
در واحد استخراج ويژگي، به دنبال پارامترها و مشخصات برجسته‌ای از سيگنال هستيم كه بالاترين حساسيت را نسبت به نوع سيگنال ديجيتال دارد و باعث تشخيص آن نوع مدولاسيون از ساير مدولاسیون‌ها می‌شود. اين واحد داراي اهميت زیادی است. انتخاب مناسب ویژگی‌ها، می‌تواند باعث راحتتر شدن كار 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 عملكرد صحيح شناساگر نوع مدولاسيون ديجيتال، واحد طبقه‌بندی كننده است. در واحد طبقه‌بندیكننده، 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 كانال محوشونده علاوه بر واحدهاي ذکرشده، واحد ديگري به نام ترازگر كانال به اين واحدها اضافه می‌شود. البته انتخاب ویژگی های مناسب می تواند نیاز به این واحد را به حداقل برساند. علاوه بر واحدهاي ذكر شده، ممكن است بر حسب لزوم، واحدهاي ديگري كه تأثیر بسزايي در كاهش پيچيدگي سيستم و يا بهبود عملكرد آن داشته باشند، اضافه شود. براي داشتن يك شناساگر نوع مدولاسيون كه درصد موفقيت بالايي داشته باشد، تعيين مناسب هر يك از موارد ذکرشده بسيار مهم است. در ادامه خلاصهای از مهم‌ترین روش‌های ارائه‌شده در زمينه شناسايي نوع مدولاسيون با روش PR ارائه خواهد شد.
1-4- مروري 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 همبستگي طيفي، چند ویژگی برای شناسایی مدولاسیون‌های ديجيتال 2FSK، 4FSK، 2PSK، 4PSK، 8PSK و MSK پيشنهاد شده است. طبقه‌بندی كننده مورد استفاده ماشين بردار پشتيبان (SVM) است. در ]8[ از چگالي طيف توان كه با روش FFT به دست می‌آمد، به عنوان ويژگي براي شناسايي مدولاسیون‌های 2PSK و 4PSK استفاده گرديده است. از طبقه‌بندی كننده MLP با الگوريتم يادگيري پسانتشار خطا (BP) در اين شناساگر استفاده شده است.
ویژگیهای دیگری نظیر طيف دوره‌ای، طيف نگاره منظومه‌ها، شکل منظومه‌ای، واريانس اندازه تبديل موجك هار و هيستوگرام توزيع دامنه لحظه‌ای نیز برای شناسایی انواع مدولاسیونها پیشنهاد شدهاند. در این روشها شناساگرهایی نظیر شبكه عصبي ART، الگوریتم طبقهبندی فازی و شبكه عصبي MLP استفاده شده است. عموما سیستمهای مبتنی بر این ویژگیها، به طول (تعداد) داده‌های دريافتي، تنظيم مركز طيف و مقدمه سازي حساس بودند و پيچيدگي ساختار شبكه عصبي 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 شناسايي مدولاسیون‌های BPSK، QPSK، 8PSK و UW بوده است. با طبقه‌بندی كننده مدار تصميمگير آستانه در اين روش براي SNR بالاتر از dB5- درصد موفقيتی، 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 كومولانهاي مراتب بالا (تا مرتبه هشتم) رشته سمبلهاي دريافتي به عنوان ويژگي جهت شناسايي سيگنالهاي 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 كننده شبکه عصبی با الگوریتم اندازه گام خود تطبیقی (SASS) برای شناسایی سیگنال استفاده شده است. اين روش در SNR برابر با dB 0 درصد موفقيت برابر 88 درصد داشت.
به عنوان نمونه دیگر میتوان به استفاده از کومولان و ویژگی‌های تبدیل فوریه و ممان مرتبه چهارم نرماليزه شده به عنوان ویژگی برای تشخیص سیگنالهای 2ASK، 4ASK، BPSK، QPSK، 2FSK، 4FSK، V32، V29، 16QAM و 64QAM اشاره نمود. در اين شناساگر پس از انتخاب ویژگی به وسیله الگوریتم ژنتیک از شبکه عصبی با الگوریتم RPROP استفاده شده است. اين روش براي SNR برابر با dB5- درصد عملكرد 93% دارد]23[.
در

متن کامل پایان نامه ها در 40y.ir

دیدگاهتان را بنویسید

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