استخراج ویژگیهای نوین برای طبقه بندی مدولاسیون با استفاده از یک دمدولاتور ۸psk

نویسندگان

محسن فرهنگ

mohsen farhang تهران - لویزان - دانشگاه صنعتی مالک اشتر حسین بهرامگیری

hosein bahramgiri دانشگاه صنعتی مالک اشتر حمید دهقانی

hamid dehghani دانشگاه صنعتی مالک اشتر

چکیده

در این مقاله یک الگوریتم طبقه بندی مدولاسیون مبتنی بر ویژگی برای جداسازی سیگنالهای psk ارائه شده است. مدولاسیونهای کاندید شامل qpsk، oqpsk، π/4dqosk و 8psk در نظر گرفته شده اند. روش ارائه شده برای استخراج ویژگیهای مورد نظر از روی سمبلهای مشاهده شده، از یک دمدولاتور باند پایه 8psk استفاده می کند. خروجی دمدولاتور به صورت یک ماشین حالت محدود در نظر گرفته می شود که به ازای هر یک از مدولاسیونهای کاندید، حالتها و تغییر حالتهای متفاوتی دارد. تخمین احتمال برخی تغییر حالتهای مشخص، ویژگیهای متمایزکننده مدولاسیونهای کاندید را پدید می آورند. ویژگیهای بدست آمده به یک طبقه بندی کننده بیزی داده می شوند که درباره نوع مدولاسیون سیگنال دریافتی تصمیم گیری می کند. با انجام شبیه سازیهای متعدد، احتمال طبقه بندی صحیح در شرایط مختلف نسبت توان سیگنال به نویز و با تعداد مختلف سمبلهای مشاهده شده محاسبه شده است. نتایج این شبیه سازیها نشان می دهد که روش پیشنهادی در مقایسه با روشهای موجود، طبقه بندی دقیقتری ارائه می دهد.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

استخراج ویژگیهای نوین برای طبقه بندی مدولاسیون با استفاده از یک دمدولاتور 8PSK

In this paper a feature-based modulation classification algorithm is developed for discriminating PSK signals. The candidate modulation types are assumed to be QPSK, OQPSK, π/4 DQOSK and 8PSK. The proposed method applies an 8PSK baseband demodulator in order to extract required features from observed symbols. The received signal with unknown modulation type is demodulated by an 8PSK demodulator...

متن کامل

طبقه بندی زعفران با استفاده از ویژگی های رنگی استخراج شده از تصویر

طبقه­بندی زعفران به عنوان گران­ترین ادویه از اهمیت بالایی برای مشتریان و تجار برخوردار است. به طور کلی، در حال حاضر دو روش برای درجه­بندی زعفران استفاده می­شود. روش اول براساس تجربیات فرد خبره و با مشاهده نمونه­ها انجام می­شود. روش دوم تخریبی بوده و با استفاده از متدهای آزمایشگاهی انجام می­گیرد. طبق نظر متخصصان، استفاده از تکنیک­های یادگیری ماشین برای طبقه­بندی زعفران به دلیل داشتن ماهیت غیر مخ...

متن کامل

ارائه روشی برای طبقه بندی داده های ابرطیفی aviris ، با استفاده از استخراج ویژگی و ترکیب طبقه بندی کننده ها

یکی از پرکاربردترین روش های طبقه بندی نظارت شده، روش بیشترین احتمال است که در آن، به منظرو طبقه بندی از پارامترهایی آماری مانند ماتریس واریانس کوواریانس استفاده می شود. در تصاویر ماهواره ای ابر طیفی، به علت محدودیت نمونه های آموزشی و ابعاد بالای طیفی (زیاد بودن تعداد باند ها)، احتمال یکتا شده ماتریس های برآورد شده و با کاهش دقت طبقه بندی وجود دارد. به منظور حل این مشکل از روش های مختلفی همچون ک...

متن کامل

توسعه و تبیین یک پیکربندی برای طبقه بندی زنجیره‌های تامین با استفاده از رویکرد منبع محور در صنعت خودرو

مدیریت استراتژیک زنجیره‌های تامین در سال‌های اخیر توجه زیادی را به خود جلب کرده است. رویکرد پیکربندی زنجیره تامین برای مدیریت استراتژیک جریان مواد و اطلاعات زنجیره تامین مطرح می‌باشد. اکثر پیکربندی‌های ارائه شده تا به حال در بخش جهت‌گیری استراتژیک مبتنی بر عوامل محیطی و رویکرد کلاسیک ساختار-رفتار-عملکرد می‌باشد. بررسی پیکربندی‌های زنجیره تامین از نظر منابع و توانمندی‌های استراتژیک زنجیره‌های تا...

متن کامل

طبقه بندی سیگنال الکترومایوگرام سطحی چند کاناله ساعد با استفاده از یک ساختار خودسازمانده فازی-عصبی

طبقه بندی با دقت بالای سیگنال الکترومایوگرام سطحی برای کنترل دست مصنوعی از عناوین مهم تحقیق در حوزه توان بخشی است. به ویژه آنکه با افزایش درجات آزادی، نرخ تشخیص درست بشدت کاهش می یابد. در مقاله حاضر بر اساس یک ساختار خودسازمانده فازی-عصبی جدید پیشنهادی پنج لایه، طبقه بندی سیگنال الکترومایوگرام چند کاناله انجام شده است. در این ساختار متناظر با ویژگی های ورودی، قواعد جدید ایجاد و وزن آنها بر اساس...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید


عنوان ژورنال:
پردازش علائم و داده ها

جلد ۱۳، شماره ۲، صفحات ۳-۱۰

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023