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.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

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 سیستم_­های 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 سیگنال اصلی هستند که تا حد امکان، نسبت به تغییرات مقاوم بوده و قادرند در شرایط مختلف تمایز میان چند کلاس را بیان نمایند. معمولاً جهت استفاده از یک سیستم تشخیص الگوی نوعی سعی می‌شود اندازه داده‌ها و اطلاعات خام را با استخراج این ویژگی‌ها تا حد امکان کاهش دهند. جهت بیان فضای مسئله، تعریف مدولاسیون دیجیتال و مفاهیم استخراج ویژگی، موضوعی در خور توجه است.
در ابتدا، مروری بر مدولاسیون‌های دیجیتال می‌شود. در ادامه به مفهوم استخراج ویژگی و سپس به بررسی ویژگی‌های آمارگان بالا به عنوان یکی از ویژگی­های مهم و کاربردی در شناسایی مدولاسیون، می­پردازیم. در این پایان نامه تشخیص نوع مدولاسیون هم در کانالAWGN و هم در سیستم­های مبتنی بر OFDM، مدنظر است. از این­رو در ادامه­ این بخش، به بررسی مفاهیمی چون کانال­های محو­شونده، سیستم­های OFDM، ماشین بردارهای پشتیبان و الگوریتم‌های بهینه‌سازی فاخته (COA) می‌پردازیم.
۲-۱- مروری بر مدولاسیون‌های دیجیتال
مدولاسیون دیجیتال به عنوان حرکت نوید بخشی برای ارسال مقاوم در برابر کانال شناخته شده است. در مخابرات دیجیتال عموما انواع مدولاسیون MFSK، MASK و MPSK و مدولاسیون MQAM استفاده می­ شود. نوع مدولاسیون وابسته به تغییر فرکانس پیغام، دامنه پیغام و فاز پیغام است. در سیستم­های نوین ارتباطی، بیشتر این مدولاسیون‌های دیجیتال به صورت M تایی^[۳۶]، استفاده می‌شوند]۶[. برای یک مدولاسیون M تایی، k بیت در کنار هم قرار می‌گیرند( ) و یک سمبل را تشکیل می‌دهند. (شکل موج عمومی این مدولاسیون‌ها در پیوست آمده است). در شکل ۲-۱، چیدمان برخی از این سیگنال ها نشان داده شده است.

الف) V29

ب) ۶۴QAM
شکل۲-۱- چیدمان (منظومه) برخی از مدولاسیون‌های دیجیتال
۲-۲- مفهوم استخراج ویژگی
مرحله استخراج ویژگی در یک سیستم تشخیص الگو، نظیر تکنیک تشخیص نوع مدولاسیون از اهمیت بسیار زیادی برخوردار است. اهمیت این امر، زمانی مشخص می‌شود که بدانیم؛ انتخاب ویژگی نامناسب (دور از حالت ایده­آل) می‌تواند به کلی الگوریتم تشخیص مدولاسیون و در حالت کلی سیستم تشخیص الگو را ناکارآمد سازد. به بیان Stranneby ‌” در مباحث تشخیص الگو، نکته بسیار مهمی که در بسیاری از موارد فراموش می‌شود؛ این است که انتخاب ویژگی‌های بد ممکن است باعث شود که حتی گاهی پیشرفته‌ترین طبقه‌بندی کننده‌ها در حل پیش‌پاافتاده ترین مسائل ناتوان باشند؛ برعکس با انتخاب ویژگی‌های خوب چه بسا بتوان مشکل‌ترین مسائل را با ساده‌ترین طبقه‌بندی کننده‌ها حل کرد“]۲۷-۶[. در حقیقت ویژگی‌ها نقش بسیار حیاتی در عمل­کرد یک سیستم تشخیص نوع مدولاسیون و پیاده‌سازی آن دارند. محدودیت ویژگی‌ها در بیان نوع سیگنال­ها، باعث محدودیت تشخیص تعداد و مرتبه نوع مدولاسیون و پایین آمدن عمل­کرد روش مورد نظر می‌شود. از طرفی تداخل مقداری ویژگی‌ها، چالشی است که اکثر سیستم­های طبقه‌بندی را با کاهش کارایی رو به رو می‌سازد. به بیان دیگر کم بودن میزان همبستگی میان ویژگی‌ها در SNR مورد نیاز، نقش بسزایی در تشخیص الگو دارند. انتخاب ویژگی‌های مناسب حتی می‌تواند باعث کاهش پیچیدگی ساختار طبقه‌بندی کننده مورد استفاده شود. یک ویژگی ایده­آل دارای دو خصوصیت مهم است. اول آنکه مقدار ویژگی به ازای SNR های مختلف تغییری نداشته باشد و دوم آنکه مقدار هر ویژگی برای هر یک از کلاس‌ها (انواع مدولاسیون‌ها) با کلاس دیگر کاملا متفاوت باشد. در این صورت با یک سیستم تشخیص نه چندان قوی هم می‌توان درصد تشخیص را به میزان زیادی بهبود بخشید.
شکل۲-۲ نمایی از یک مجموعه ویژگی ایده­آل را برای چند کلاس فرضی نمایش می‌دهد. محور افقی میزان SNR و محور عمودی مقدار ویژگی است. در عمل هر چه ویژگی‌های استخراج‌شده به حالت ایده­آل نزدیک­تر باشند؛ مستقل از نوع طبقه‌بندی کننده‌ای که استفاده می‌شود؛ قطعا دقت عملیات تشخیص بالاتر خواهد بود. اما در حالتی که ویژگی‌های ما با یک دیگر تداخل داشته باشند؛ حتی با انتخاب سیستم تشخیص قوی، نتیجه مطلوب حاصل نمی‌گردد.