۸۵
شکل ۳-۱۴- عملکرد شناساگر با ویژگی جدید، کانال محوشونده رایلی فرکانس گزین آهسته
۸۶
شکل ۳-۱۵- عملکرد شناساگر با ویژگی جدید در کانال محوشونده رایسین فرکانسی تخت
۸۶
شکل ۳-۱۶- مقایسه عملکرد کلی شناساگر با ویژگی جدید در کانال محوشونده رایلی
صفحه
فهرست جداول
عنوان
۲۰
جدول ۲-۱- روابط ممان های موثر
۲۹
جدول ۲-۲- روابط کومولان های موثر
۳۰
جدول۲-۲- مقادیری از ممانها و کومولانها برای سیگنال بدون نویز
( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
۵۰
جدول ۲-۳- برخی از توابع کرنل معروف
۶۵
جدول ۳-۱- پارامترهای کانالهای محوشونده
۶۷
جدول ۳-۲- عملکرد SVM در SNR های متفاوت
۶۸
جدول ۳-۳- ماتریس صحت عملکرد SVM درSNR= -10 با بهره گرفتن از تمام ویژگیها
۶۸
جدول ۳-۴- ماتریس صحت عملکرد SVM درSNR= -4 با بهره گرفتن از تمام ویژگیها
۶۹
جدول ۳-۵- ماتریس صحت عملکرد SVM درSNR= 2 با بهره گرفتن از تمام ویژگیها
۷۴
جدول ۳-۶- ماتریس صحت عملکرد SVM درSNR= -8 dB در کانال رایلی تخت(آهسته)
۷۴
جدول ۳-۷- ماتریس صحت عملکرد SVM درSNR= -8 dB ، کانال رایسین تخت(آهسته)
۷۴
جدول ۳-۸- ماتریس عملکرد SVM درSNR= -8 dB ، کانال رایلی فرکانس گزین(سریع)
۷۴
جدول ۳-۹- ماتریس عملکرد SVM درSNR= -8 dB ، کانال رایسین فرکانس گزین(سریع)
۷۵
جدول ۳-۱۰- پارامترهای الگوریتم بهینهسازی فاخته
۷۶
جدول ۳-۱۱- زمان اجرا و مقدار حداقل تابع هزینه از COA
۷۷
جدول ۳-۱۲- ویژگی و ضرایب متناظر بهینه با بهره گرفتن از الگوریتم COA در کانال AWGN
۷۹
جدول ۳-۱۳- میانگین مقادیر ویژگی در بازههای مختلفی از SNR
۸۰
جدول ۳-۱۴- درصد تشخیص صحیح شناساگر با ویژگی جدید در SNR های گوناگون
۸۰
جدول ۳-۱۵- ماتریس صحت عملکرد شناساگر با ویژگی مبتنی بر COA درSNR=-10dB
۸۰
جدول ۳-۱۶- ماتریس صحت عملکرد شناساگر با ویژگی مبتنی بر COA درSNR=-8dB
۸۰
جدول ۳-۱۷- ماتریس صحت عملکرد شناساگر با ویژگی مبتنی بر COA درSNR=-6dB
۸۱
جدول ۳-۱۸- ماتریس صحت عملکرد شناساگر با ویژگی مبتنی بر COA درSNR=0dB
۸۲
جدول ۳-۱۹- ویژگی و ضرایب متناظر بهینه با بهره گرفتن از الگوریتم COA در کانال رایلی
۸۲
جدول ۳-۲۰- ویژگی و ضرایب متناظر بهینه با بهره گرفتن از الگوریتم COA در کانال رایسین
۸۷
جدول ۳-۲۱- عملکرد سیستم با ویژگی جدید درSNR=-10dB ، رایلی فرکانس گزین سریع
۸۷
جدول ۳-۲۲- عملکرد شناساگر با ویژگی جدید درSNR=-8dB ، رایلی فرکانس گزین آهسته
۸۸
جدول ۳-۲۳- عملکرد سیستم با ویژگی جدید درSNR=-2dB ، رایسین فرکانس گزین سریع
۸۸
جدول ۳-۲۴- عملکرد شناساگر با ویژگی جدید درSNR=4dB ، رایلی فرکانس گزین آهسته
۸۸
جدول ۳-۲۵- عملکرد شناساگر با ویژگی جدید درSNR=4dB ، رایلی فرکانس گزین سریع
۸۹
جدول ۳-۲۶- عملکرد شناساگر با ویژگی جدید درSNR=6dB ، کانال رایلی تخت سریع
۹۰
جدول ۳-۲۷- مقادیر میانگین و واریانس درصد تشخیص صحیح سیستم
۹۱
جدول ۳-۲۸- 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 پایه 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 ریسک ساختاری (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
پیشگفتار
امروزه 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 می کند. اما علیرغم هزینه های بالای ساخت یک نمونه آزمایشی، هزینه های 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 همه آن شرایط شبیهسازی عملا با یک نمونه 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 داشته اند. روشهای ارائه شده در دو روش کلی خلاصه میشوند: روشهای مبتنی بر نظریه تصمیم (با معیارهای آماری) و روشهای مبتنی بر تشخیص الگو.
با توجه به سادگی و تعمیمپذیری روشهای مبتنی بر تشخیص الگو در این پایان نامه به دنبال ارائه روشی هستیم تا با آن بتوان ویژگیهای کارایی را از سیگنال استخراج و انتخاب نموده و سپس با بهره گرفتن از مفاهیم تشخیص الگو، نوع مدولاسیون را تشخیص دهیم. در بیشتر سیستمهای پیشنهاد شده قبلی، همواره ویژگیهایی از سیگنال دریافتی در گیرنده استخراج میگردد. این ویژگیها در مرحله بعدی به واحد دیگری به نام واحد طبقه بندیکننده تحویل داده می شود. طبقه بندیکننده ابتدا درصدی از این ویژگیها را برای تمامی کلاسها انتخاب نموده و براساس آنها، فرآیندی موسوم به فرایند آموزش داده ها را، پیادهسازی می کند. در حالت آموزش، شناساگر عموما، فضای بردار ویژگی را با شاخص هایی بین کلاسها تقسیم مینماید. سپس در حالت آزمایش، طبقه بندی کننده، براساس درصد باقی مانده از سیگنالها، ویژگیها را با این شاخص های 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 داده های کمتری برای آموزش و آزمایش نیاز داشته باشد قابلیت بیشتری دارد و اصطلاحا نسبت به داده های 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 مجموعه ای 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 کننده های مورد استفاده در روشهای تشخیص الگو میتوان به شبکه های عصبی مصنوعی، طبقه بندی کننده های 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 پایان نامه نیز این شناساگر، جهت تفکیک سیگنالهای مدولاسیون دیجیتال استفاده شده است.
فصل اول
مقدمهای بر سیستم شناسایی خودکار نوع مدولاسیون
مقدمه
این 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 پایان نامه می پردازد.
-
- آشنایی با سیستم شناسایی خودکار نوع مدولاسیون و برخی از کاربردهای آن
به سیستمی که عمل تعیین نوع مدولاسیون سیگنال دریافتی را، در بین مجموعه ای از مدولاسیونها به صورت خودکار و هوشمند به عهده دارد؛ شناساگر خودکار نوع سیگنال گفته می شود. به سبب آنکه سیستم با تغییر شرایط کانال، خود را وفق میدهد به این نوع سیستمها، سیستم هوشمند میگویند. فرایند بازشناخت مدولاسیون، مرحله 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 به طور کامل از دست برود ]۱[. تشخیص نوع مدولاسیون هم اکنون یکی از حوزه های مهم پردازش سیگنال در علم مخابرات بوده و هر ساله تلاش های 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 توسعه سیستمهای مخابراتی دیجیتال
تلگراف به عنوان اولین سیستم مخابرات الکتریکی یک سیستم مخابراتی دیجیتال بود. تلگراف الکتریکی توسط ساموئل مورس[۱] اختراع و در سال ۱۸۳۷ به نمایش گذاشته شد. مورس، کد دودویی با طول متغیری را که در آن حروف الفبای انگلیسی با دنبالهای از خطهای تیره [۲]و نقطهها[۳] (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 [۲].
تقریبا چهل سال بعد از آن، در سال ۱۸۷۵ امیل بودت[۴] یک کد دودویی با طول ثابت ۵ برای تلگراف ابداع نمود. در کد بودت، اجزای کد دارای طول یکسان بوده و نقطه[۵] و فاصله[۶] نامیده می شود. هر چند مورس ابداع کننده اولین سیستم مخابراتی دیجیتال (تلگراف) است، اما سر آغاز آنچه ما امروز به عنوان مخابرات دیجیتال مدرن میشناسیم به کار نایکویست[۷] (۱۹۲۴) 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 (۲-۱) را برای سیستم تلگراف پیشنهاد نمود که سیگنال ارسالی آن دارای صورت عمودی زیر است[۲].
(۱-۱)
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 گونه ای 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 ارسال پالس بر ثانیه است رساند، که این نرخ را، نرخ نایکویست مینامند. دستیابی به این نرخ ارسال با بهره گرفتن از شکل پالس مقدور است. این شکل پالس امکان بازیابی داده را بدون تداخل بین سمبلها در لحظات نمونهبرداری فراهم می کند. نتیجه کار نایکویست معادل تفسیری از قضیهی نمونهبرداری برای سیگنالهای باند محدود است که بعدها توسط شانون[۸] (۱۹۴۸) 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 بهره گرفتن از فرمول درونیابی زیر بازسازی نمود.
(۱-۲)
هارتلی[۹] با الهام از کار نایکویست (۱۹۲۸) مسئله نرخ ارسال مطمئن داده روی یک کانال دارای پهنای باند محدود را با بهره گرفتن از سطوح دامنه چندگانه بررسی نمود. هارتلی از این قیاس منطقی که گیرنده با وجود نویز و تداخل می تواند دامنه 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 [۳]. یک پیشرفت چشمگیر دیگر در توسعه مخابرات دیجیتال، کار وینر[۱۰] (۱۹۴۲) 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 می شود. 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[۱۱]-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 پایه سیستمهای مخابرات دیجیتال منجر گردید مقدم بود. شانون در کار پیشگامانهی خود مسئله اساسی انتقال مطمئن اطلاعات را در یک قالب آماری و با بهره گرفتن 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 محدود برابر است با:
(۱-۳)
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 شیوه 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 حوزه جدیدی به نام تئوری اطلاعات[۱۲] را بنیان نهاد[۳]. کار مهم دیگر در زمینه مخابرات دیجیتال مربوط به کوته لینکف[۱۳] (۱۹۴۷) است که بر مبنای یک رویکرد هندسی[۱۴] سیستمهای مختلف مخابرات دیجیتال را به صورت هماهنگ تجزیه و تحلیل نمود. کار او بعدها توسط وزنکراف[۱۵] و جاکوبس[۱۶] (۱۹۶۵) توسعه داده شد. متعاقب کار شانون، نوبت به کار کلاسیک همینگ[۱۷] 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 دهه گذشته، به همراه توسعه 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 شاخص های مرجع برای طراحی سیستمهای مخابراتی را داشته اند. دستیابی به حدود تئوری استخراجشده توسط شانون و سایر محققان مشارکتکننده در توسعه تئوری اطلاعات، هدف غایی تلاش های مستمر در زمینه طراحی و توسعه سیستمهای مخابراتی دیجیتال کارآمدتر، است[۳]. 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.
۱-۱-۲- 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 فرایند نگاشت رشته بیتهای دیجیتال، به سیگنال های قابل انتقال در کانال گفته میشود[۳]. 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[۱۸] 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 مشخصه های 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[۴].
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 بهره گرفتن از تکنیک شناسایی نوع مدولاسیون مدیریت طیف صورت میپذیرد. بازشناخت نوع مدولاسیون نقش مهمی در رادیو نرمافزار[۱۹] ایفا میکند. ایده 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.
۱-۲- سیر تکامل روشهای شناسایی نوع مدولاسیون
شناسایی نوع مدولاسیون از سالهای گذشته مورد توجه بوده است. به طور خلاصه میتوان گفت که قبل از دهه ۸۰ قرن بیستم، فرایند 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[۶-۵]. در این فرایند 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[۶].
در ادامه 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 ادامه تحقیقات و با پیشرفت فنآوری، سیستمهای شناسایی تمامخودکار مدولاسیون مطرح شدند. در این سیستمها، فرایند 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[۶].
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[۲]. تاکنون روشهای مختلفی جهت شناسایی خودکار نوع مدولاسیون انجام شده است که در ادامه به آن میپردازیم.
۱-۳- دستهبندی کلی روشهای خودکار شناسایی نوع مدولاسیون
به طور کلی روشهای خودکار شناسایی نوع مدولاسیون به دو گروه دستهبندی میشود: روشهای تئوری (نظریه) تصمیم ([۲۰]DT) و روشهای تشخیص الگو ([۲۱]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 [۶-۴]. 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 ۱۹۶۹، 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 طراحی شده 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) [۶].
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 می تواند 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 شاخص هایی بین کلاسها تقسیم میگردد. بعد از آموزش سیستم، طبقه بندی کننده براساس درصد باقی مانده از سیگنالها، ویژگیها را با این شاخص های عملکردی میسنجد. میزان کارایی این واحد به صورت 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[۲۲] 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.
۱-۴- 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 ]۷[ با بهره گرفتن از تابع همبستگی طیفی، چند ویژگی برای شناسایی مدولاسیونهای دیجیتال ۲FSK، ۴FSK، ۲PSK، ۴PSK، ۸PSK و MSK[23] پیشنهاد شده است. طبقهبندی کننده مورد استفاده ماشین بردار پشتیبان[۲۴] (SVM) است. در ]۸[ از چگالی طیف توان که با روش FFT[25] به دست میآمد، به عنوان ویژگی برای شناسایی مدولاسیونهای ۲PSK و ۴PSK استفاده گردیده است. از طبقهبندی کننده MLP با الگوریتم یادگیری پسانتشار خطا (BP[26]) در این شناساگر استفاده شده است.
ویژگیهای دیگری نظیر طیف دورهای، طیف نگاره منظومهها، شکل منظومهای، واریانس اندازه تبدیل موجک هار[۲۷] و هیستوگرام توزیع دامنه لحظهای نیز برای شناسایی انواع مدولاسیونها پیشنهاد شده اند. در این روشها شناساگرهایی نظیر شبکه عصبی ART[28]، الگوریتم طبقه بندی فازی[۲۹] 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]۲۰-۹[.
کار مهم دیگر در این حوزه استفاده از ممان مرتبه هشتم فاز از طریق تخمین تابع چگالی فاز، برای شناسایی مدولاسیونهای BPSK، QPSK، ۸PSK و UW[30] بوده است. با طبقهبندی کننده مدار تصمیمگیر آستانه در این روش برای SNR بالاتر از dB5– درصد موفقیتی، حدود ۸۵% به دست آمد]۲۱[.
در ادامه 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 ]۲۲[ ممانها و کومولانهای مراتب بالا (تا مرتبه هشتم) رشته سمبلهای دریافتی به عنوان ویژگی جهت شناسایی سیگنالهای ۲ASK، ۴ASK، ۸ASK، ۲PSK، ۴PSK، ۸PSK، ۱۶QAM، ۳۲QAM، ۶۴QAM و V32 مطرح شد. در این مقاله ابتدا با بهره گرفتن از الگوریتم بهینهسازی ازدحام ذرات ویژگیهای مناسب انتخاب شده سپس طبقهبندی کننده شبکه عصبی با الگوریتم اندازه گام خود تطبیقی[۳۱] (SASS) برای شناسایی سیگنال استفاده شده است. این روش در SNR برابر با dB 0 درصد موفقیت برابر ۸۸ 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 ۲ASK، ۴ASK، BPSK، QPSK، ۲FSK، ۴FSK، V32، V29، ۱۶QAM و ۶۴QAM اشاره نمود. در این شناساگر پس از انتخاب ویژگی به وسیله الگوریتم ژنتیک از شبکه عصبی با الگوریتم RPROP[32] استفاده شده است. این روش برای SNR برابر با dB5– درصد عملکرد ۹۳% دارد]۲۳[.
در ]۶[ از آمارگان مرتبه بالا برای شناسایی نوع مدولاسیون استفاده شده است. در این پایان نامه 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 پایان نامه 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 پایان نامه 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 می شود: در [۲۴] 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 می کند. تعداد زیر حاملها در این مقاله ثابت فرض شده و برابر ۶۴ است.
در [۲۵] روشی برای تشخیص نوع مدولاسیون در سیستم OFDM وفقی بر حسب آمارگان مرتبهی ششم سیگنال دریافتی ارائه گردیده است. در [۲۶] استفاده از آنالیز مولفه مستقل[۳۳] 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.
۱-۵- 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 مطالعه 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 داده های 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 داده های (خام) ورودی را به داده های هدف (برای) واحد طبقه بندی کننده ایجاد نماید. جهت رسیدن به این امر موارد زیر در این پروژه انجام شده است:
۱) استفاده از ویژگیهای موثر و کارا که بتوانند قابلیت بالایی برای شناسایی مدولاسیونها داشته باشند. در این پایان نامه از آمارگان مرتبهی بالا که در مرجع [۶] استفاده شده است به عنوان ویژگی های پایهای بهره بردیم.
۲) 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.
۳) 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. مجموعه مدولاسیونهای در نظر گرفتهشده در فصل مربوط به شناساگرهای پیشنهادی معرفی میگردند. فرضیات اساسی اولیهای که در رابطه با اخذ نتایج، قبل از اعمال روشهای پیشنهادی در نظر گرفتهشدهاند عبارتاند از: الف) معلوم بودن فرکانس حامل (یا تخمین درست آن)، ب) مشخص بودن تعداد زیرحامل های سیستم OFDM، ج) برقراری همزمانی بین فرستنده و گیرنده، د) معلوم بودن نرخ نماد (یا تخمین درست آن). نویز مورد استفاده در شبیهسازیها را به صورت گوسی سفید جمع شونده در نظر میگیریم. لازم به ذکر است که این فرضیات برای کانالهای AWGN و در کانالهای محوشدگی مورد بررسی قرار گرفته است. در کانال AWGN سیگنال ها به صورت تک باند و در کانالهای محوشونده شناسایی بر اساس سیستم OFDM انجام گرفته است.
تدوین این پایاننامه در سه فصل کلی است که قبل از بررسی آنها به مطالب هر یک اشاره مختصری خواهیم داشت. در فصل اول به تعریف مسئله در رابطه با سیستم خودکار تشخیص نوع مدولاسیون، تاریخچه، کاربرد سیستمهای تشخیص خودکار نوع مدولاسیون و روشهای کلی تشخیص پرداخته شد. در این پایاننامه ضمن بیان مختصری از کارهای انجامشده در این حوزه، به دنبال پیادهسازی روشی موثر جهت شناسایی خودکار نوع مدولاسیون هستیم. در فصل دوم، مفاهیم اساسی مدولاسیون دیجیتال، روشهای تشخیص مبتنی بر ویژگی به همراه استخراج ویژگیهای اساسی در شناسایی سیگنال و مفاهیم مورد نیاز دیگر برای طراحی شناساگر، مورد بررسی قرار خواهد گرفت. فصل سوم به بیان و بررسی روش پیشنهادی این پایاننامه جهت استخراج ویژگیهای کارا میپردازد. در این فصل با مدلی جدیدی برای انتخاب ویژگی که مبتنی بر مفاهیم کاربردی بهینهسازی با الگوریتمهای تکاملی است؛ آشنا میشویم. این روش براساس استفاده از یک الگوریتم تکاملی قدرتمندی به نام الگوریتم بهینهسازی فاخته است. با بهره گرفتن از معیارهای مناسب در تعریف تابع برازش این الگوریتمها، جداسازی سیگنالهای مخابراتی حتی در نسبتهای پایین سیگنال به نویز با موفقیت زیادی تحقق خواهد یافت. در این فصل نتایج به دست آمده از روش ارائهشده با روشهای قبلی بررسیشده و مقایسه میشود.
نتیجهگیری
در این فصل تعریف مسئله و مفاهیم مربوط به آن به همراه بیان مختصری از کارهای انجامشده در این رابطه بیان گردید. در ادامه لزوم انجام شناسایی خودکار نوع مدولاسیون با ذکر کاربردهای آن مورد مطالعه قرار گرفت.
فصل دوم
انتخاب ویژگیهای مرتبه بالا و مطالب مورد نیاز
مقدمه
استخراج[۳۴] و انتخاب ویژگی[۳۵] یکی از تکنیکهای مهم پیشپردازش در حل مسائل طبقهبندی در علم بازشناسی الگو، داده کاوی و یادگیری ماشین است. در واقع ویژگیهای موثر، مشخصات برجستهای از سیگن