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.

(( 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. ))

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