تخمین فرکانس حامل و طبقه بندی خودکار مدولاسیون های دیجیتال با استفاده از روش عبور از صفر بهبود یافته و ویژگی های آماری

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 168

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JICTP-3-11_008

تاریخ نمایه سازی: 10 مرداد 1402

چکیده مقاله:

سیستم تشخیص مدولاسیون را می توان یکی از بخش های اصلی گیرنده های نوین مخابراتی دانست. تشخیص خودکار مدولاسیون سیگنال دریافتی، گام میانی بین تشخیص سیگنال و دمدولاسیون آن محسوب می شود و هم اکنون در بسیاری از سیستم های مخابراتی شهری و نظامی کاربرد دارد. پژوهش های مختلفی در حوزه ی طبقه بندی مدولاسیون های دیجیتالی صورت گرفته است که اکثر آن ها طبقه بند هایی را با فرض معلوم بودن فرکانس حامل معرفی نموده اند. در این پژوهش، فرض می شود که در گیرنده ها هیچ گونه اطلاعی از فرکانس های مرکزی سیگنال های دریافتی وجود ندارد و هدف، تخمین فرکانس حامل و طبقه بندی نوع مدولاسیون ها می باشد. برای این منظور یک الگوریتم دو مرحله ای پیشنهاد می گردد که در مرحله ی نخست، فرکانس کاری سیگنال های مدوله شده باند میانی براساس روش عبور از صفر، تخمین اولیه زده می شوند و در مرحله ی دوم، سیگنال های مدوله شده از دمدولاتورهای I/Q عبور داده می شوند. سپس گشتاور مرتبه ی دوم خروجی هم فاز برای سیگنال های مختلط باند پایه محاسبه می گردد و بر پایه ی تخمین فرکانس حامل اولیه صورت گرفته شده در الگوریتم عبور از صفر و همچنین با استفاده از الگوریتم نزول گرادیان، فرکانسی که گشتاور مرتبه ی دوم خروجی هم فاز را بیشینه می کند، پیدا می شود. برای مرحله ی طبقه بندی، در ابتدا ویژگی های آماری کارآ براساس گشتاورها و کومولنت ها برای تمام سیگنال های مدوله شده استخراج می شوند. سپس بر پایه ی روش های کلاسیک LDA و PCA تعداد ویژگی ها کاهش یافته و آن گاه طبقه بندی مدولاسیون ها انجام می شود. نتایج شبیه سازی نشان می دهند که الگوریتم پیشنهادی در مقایسه با الگوریتم پایه عبور از صفر، فرکانس مرکزی سیگنال ها را با خطای کمتری تخمین می زند و عملکرد مناسبی در طبقه بندی مدولاسیون ها دارد.

کلیدواژه ها:

طبقه بندی خودکار مدولاسیون ، مدولاسیون های دیجیتال ، الگوریتم عبور از صفر ، آنالیز تفکیک خطی ، آنالیز اجزای اصلی

نویسندگان

سید امیر میرحبیبی

کارشناس ارشد، دانشکده مهندسی برق و کامپیوتر- دانشگاه آزاد اسلامی- واحد تهران شمال- تهران- ایران

حمیدرضا حسین زاده

استادیار، دانشکده مهندسی برق و کامپیوتر- دانشگاه آزاد اسلامی- واحد تهران شمال- تهران- ایران

نسرین دخت باطنی پور

استادیار، دانشکده مهندسی برق و کامپیوتر- دانشگاه آزاد اسلامی- واحد تهران شمال- تهران- ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Zhou, R., Liu, F., Gravelle, C. W., “Deep Learning for ...
  • Zhang, F., Luo, C., Xu, J., Luo, Y. and Zheng, ...
  • Chen, K., Zhang, J., Chen, S., Zhang, S. and Zhao, ...
  • West, N. E., O'Shea, T., “Deep architectures for modulation recognition”, ...
  • احمدی نیک، م، بیژنی، ش، "طراحی و پیاده سازی یک ...
  • بیات، م، فتحی، م، هوشمند، ر، "ارایه یک الگوریتم بهبود ...
  • Jagannath, A., Jagannath, J., “Multi-task learning approach for modulation and ...
  • Long, C. S., Chugg, K. M., Polydoros, A., “Further results ...
  • Wei, W., Mendel, J.M., “Maximum-likelihood classification for digital amplitude-phase modulations”, ...
  • Zhijin, Z., Tao, L., “A MPSK classification method based on ...
  • Kim, K., Polydoros, A., “Digital modulation classification: the BPSK versus ...
  • Le Martret, C., Boitea, D., “A general maximum likelihood classifier ...
  • Gaan, H. B., Ye, C. Z., Li, X. Y., “Modulation ...
  • Hero, A. O., Hadinejad-Mehram, H., “Digital modulation classification using power ...
  • Azzouz, E. E., Nandi, A. K., “Automatic identification of digital ...
  • Deng, H., Doroslovacki, M., Mustafa, H., Xu, J., Koo, S., ...
  • Pedzisz, M., Mansour, A., “Automatic modulation recognition of MPSK signals ...
  • Gang, H., Jiandong, L., Donghua, L., “Study of modulation recognition ...
  • Lee, J. H., Kim, K. Y., Shin, Y., “Feature image-based ...
  • Kurniansyah, H., Wijanto, H. and Suratman, F.Y., “Automatic modulation detection ...
  • Ahn, S., Lee, J., Yoon, D., Choi, J. W., “Enhanced ...
  • Ali, A.K. and Erçelebi, E., “Automatic modulation recognition of DVB-S۲X ...
  • Hou, C., Li, Y., Chen, X. and Zhang, J., “Automatic ...
  • Ahangarzadeh, A., Hashemi, M. and Nezamalhosseini, S.A., “Accurate modulation classification ...
  • Friedman, V., “A zero crossing algorithm for the estimation of ...
  • Lopatka, J., Pedzisz, M., “Automatic modulation classification using statistical moments ...
  • Peng, J., Heisterkamp, D. R., Dai, H. K., “LDA/SVM driven ...
  • Theodoridis, S. and Koutroumbas, K., “Pattern recognition”, Elsevier, ۲۰۰۹ ...
  • نمایش کامل مراجع