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

Authors

Abstract:

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 whose output is considered as a finite state machine with different states and transitions for each candidate modulation. Estimated probabilities of particular transitions constitute the discriminating features. The obtained features are given to a Bayesian classifier which decides on the modulation type of the received signal. The probability of correct classification is computed with different number of observed symbols and SNR conditions by carrying out several simulations. The results show that the proposed method offers more accurate classification compared to previous methods for classifying variants of QPSK.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

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

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 کان...

full text

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...

full text

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...

full text

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...

full text

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...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 13  issue 2

pages  3- 10

publication date 2016-09

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023