سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

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

Publish Year: 1401
Type: Journal paper
Language: Persian
View: 274

This Paper With 14 Page And PDF Format Ready To Download

Export:

Link to this Paper:

Document National Code:

JR_JICTP-3-11_008

Index date: 1 August 2023

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

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.

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

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

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

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 Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper 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