| |
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 تكاملی (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 |
ماكزیمم سازی اطلاعات(Information Maximization) |
| KKT |
تئوری بهینهسازی کراش-کوهن-تاکر (Karush-Kuhn-Tucker) |
| LOS |
مولفه مسیر مستقیم (Line-Of-Sight) |
| MCM |
مدولاسیون چند كاربری (Multi-Carrier Modulation) |
| ML |
ماكزیمم 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 ریسك 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 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. تاكنون 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 نظریهی 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 شدهی قبلی، همواره ویژگیهایی از سیگنال دریافتی در گیرنده استخراج میگردد. این ویژگیها در مرحلهی بعدی به واحد دیگری به نام واحد طبقه بندیکننده تحویل داده میشود. طبقه بندیکننده ابتدا درصدی از این ویژگیها را برای تمامی کلاسها انتخاب نموده و براساس آنها، فرایندی موسوم به فرایند آموزش داده ها را، پیادهسازی می کند. 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 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 خودكار نوع مدولاسیون
مقدمه
این فصل به بررسی سیستم شناسایی خودكار نوع مدولاسیون (نوع سیگنال) و برخی از كاربردهای مهم آن، سیر تكامل شناسایی نوع مدولاسیون، دسته بندی کلی روشهای شناسایی نوع مدولاسیون، كارهای انجام شده توسط دیگران، و هدف از انجام این پایان نامه می پردازد.
- آشنایی با سیستم شناسایی خودكار نوع مدولاسیون و برخی از كاربردهای 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 خودكار نوع سیگنال گفته میشود. به سبب آنکه سیستم با تغییر شرایط کانال، خود را وفق میدهد به این نوع سیستمها، سیستم هوشمند میگویند. فرایند بازشناخت مدولاسیون، مرحلهی قبل از دمدولاسیون است. در سیستمهای مخابراتی هوشمند، در صورت تشخیص غلط نوع و مرتبه مدولاسیون و بكارگیری یک دمدولاتور نامناسب، ممكن است محتوی اطلاعات سیگنال بهطور كامل 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[1] اختراع و در سال 1837 به
این مطلب را هم بخوانید :
بهترین سایت های دکوراسیون داخلی
نمایش گذاشته شد. مورس، کد دودویی با طول متغیری را که در آن حروف الفبای انگلیسی با دنبالهای از خطهای تیره [2]و نقطهها[3] (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[4] یک کد دودویی با طول ثابت 5 برای تلگراف ابداع نمود. در کد بودت، اجزای کد دارای طول یکسان بوده و نقطه[5] و فاصله[6] نامیده میشود. 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[7] (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].
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 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. نتیجهی کار نایکویست معادل تفسیری از قضیهی نمونهبرداری برای سیگنالهای باند محدود است که بعدها توسط شانون[8] (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 بهره گرفتن از فرمول درونیابی زیر بازسازی نمود.
