تکنیک های پردازش سیگنال دیجیتال، نقش مهمی در تخمین کانال سیستم های مخابراتی ایفا می کنند. تخمین کانال می تواند بر مبنای پایلوت یا به روش کور انجام شود. در اینجا، بخاطر بازدهی بالای پهنای باند تخمین کور در مقایسه با روشهای مبتنی بر پایلوت و کاربرد وسیع سیستم های ofdm، به مطالعه تخمین کور کانال در سیستم های ofdm پرداخته ایم. یکی از روشهای متداول در تخمین کور کانال در سیستمهای ofdm، روش مبتنی بر زیرفضاست که دارای کارائی خوبی در کانال های دارای فیدینگ آهسته می باشد. البته این روش برای کانال های دارای فیدینگ سریع با اصلاحاتی قابل اعمال است. بیشتر روشهای ارائه شده به تعداد بلوکهای دریافتی زیادی برای تخمین کانال نیاز دارند و لذا غیرعملی می باشند. در این پایان نامه مسئله تخمین کور کانال در سیستمهای mimo ofdm را مطالعه و با کاهش تعداد بلوک های دریافتی مورد نیاز، به ارائه روشی عملی مبتنی بر زیرفضا در کانالهای دارای فیدینگ سریع می پردازیم.

از جمله روشهای مطرح برای جداسازی چند سیگنال گفتار، که در گیرنده ها با یکدیگر ترکیب شده اند، استفاده از روشهای جداسازی کور منابع (bss) است. جداسازی کور منابع عبارت است از جداسازی و تخمین سیگنالهایی که توسط منابع در یک کانال نامعلوم تولید شده و ترکیبات آنها در گیرنده ها دریافت شده است. این ترکیبات می توانند لحظه ای یا کانولوتیو باشند که برای سیگنالهای گفتار در کاربردهای واقعی ترکیبات به صورت کانولوتیو هستند. انجام جداسازی برای ترکیبات کانولوتیو مشکل بوده و با پیچیدگی و بار محاسباتی زیادی همراه است. با رفتن به حوزه فرکانس و تبدیل عمل کانولوشن به ضرب این مسئله ساده می شود؛ اما حوزه فرکانس مشکلات و محدودیتهای خاص خود را دارد. به همین خاطر شیوه های جداسازی در حوزه زیرباند مطرح شده اند. در این پایان نامه جداسازی کور منابع و شیوه های حوزه زمان و حوزه فرکانس مرور شد. مشکلات و محدودیتهای حوزه فرکانس بررسی شد و جداسازی سیگنالها در حوزه زیرباند انجام گردید. حوزه زیرباند شامل مراحل آنالیز سیگنال، جداسازی و سنتز است. در مرحله آنالیز سیگنالها با استفاده از یک بانک فیلتر به چند زیرباند تجزیه می شوند و جداسازی در هر زیرباند انجام می گیرد و در مرحله سنتز سیگنالهای جداشده زیرباندهای مختلف با هم ترکیب شده و سیگنال باند کامل بدست می آید. برای جداسازی از یک الگوریتم دکانولوشن کور چندکاناله استفاده کردیم و توانایی الگوریتم جداساز در مرحله جداسازی سیگنالهای گفتار بررسی شد. پس از آن از این الگوریتم در مرحله جداسازی حوزه زیرباند استفاده شد. با رفتن به حوزه زیرباند عملکرد سیستم جداسازی با کاهش بار محاسباتی و افزایش سرعت همگرایی بهبود یافت.

فیلتر کردن داده های میدان پتانسیل، پردازش عددی است که رکن مهمی در تعبیر و تفسیر داده های مغناطیسی و گرانی سنجی دارد. در این تحقیق کارایی فیلترهای ژئوفیزیکی شامل فیلترهای مشتق، فیلترهای فاز محلی و فیلترهای تبدیلات هم در پردازش تصاویر ژئوفیزیکی و هم در پردازش تصاویر دورسنجی بررسی شده است. در این رابطه فیلترها بر روی داده های مغناطیس مدل مصنوعی، داده های گرانی سنجی منطقه ای در جنوب غرب انگلستان و داده های مغناطیس سنجی زمینی آنومالی شماره 2 معدن گل گهر سیرجان و نیز بر روی تصاویر ماهواره ای شیر کوه یزد به کار رفته اند. همچنین فیلترهای مختلف دورسنجی بر روی تصاویر ماهواره ای شیر کوه یزد اعمال شده است. ضمنا کارایی فیلترهای دورسنجی شامل فیلتر آشکارساز لبه 5×5 از نوع عمودی، فیلتر آشکارساز از نوع sobel عمودی و افقی، فیلتر آشکارساز از نوع لاپلاس مرتبه اول و مرتبه دوم، فیلتر میانگین و فیلتر سایه روشن برای منبع نورانی با آزیموت ns 3×3 درجه و we 3×3 درجه روی داده های مغناطیس مصنوعی، داده های گرانی سنجی جنوب غرب انگلستان و داده های مغناطیس سنجی زمینی آنومالی شماره 2 معدن گل گهر سیرجان بررسی شده است. در نتیجه اعمال فیلترهای ژئوفیزیکی دورسنجی بر روی داده های ژئوفیزیکی دیده شد که در مورد مدل مصنوعی چندگانه فیلترهای لاپلاس، فیلتر میانگین کارایی مناسبی در جداسازی مرز توده ها داشته اند. همچنین در مورد داده های مغناطیس سنجی آنومالی شماره 2 گل گهر سیرجان بهترین کارایی را فیلترهای لاپلاس دوم، فیلتر میانگین، فیلتر سایه روشن با آزیموت ns و sobel افقی داشته اند. در مورد داده های گرانی سنجی جنوب غرب انگلستان بهترین کارایی در جداسازی مرز در مورد فیلترهای آشکارساز لبه عمودی، فیلتر میانگین، فیلتر سایه روشن برای منبع نورانی با آزیموت ns و sobel عمودی است. بنابراین می توان گفت فیلترهای دورسنجی میانگین، لاپلاس و فیلتر سایه روشن با آزیموت ns در بررسی تصاویر میدان پتانسیل گرانی و مغناطیس موثرتر هستند. کاربرد بسیاری از فیلترهای ژئوفیزیکی بر روی تصاویر ماهواره ای مفهومی ندارد و بنابراین فقط دو فیلتر مشتق جهتی در امتداد محور x و y بکار برده شدند.

ارائه روش هایی مبتنی بر نمونه برداری فشرده به منظور کاهش حجم محاسبات پویش طیف پهن باند در شبکه های رادیو شناختی، موضوعی است که در این پایان نامه به آن پرداخته شده است. به منظور دسترسی به باند های فرکانسی بلا استفاده، کاربران ثانویه به طور مرتب طیف فرکانسی را زیر نظر دارند که این عمل پویش طیف نامیده می شود. در بهره وری های بالا از طیف برای دسترسی سریع به باند های فرکانسی خالی، پویش طیف پهن باند به عنوان روشی موثر مطرح می شود. یکی از بزرگترین چالش ها در این روش حجم بالای نمونه های مورد نیاز از سیگنال پهن باند دریافتی است که پیچیدگی محاسبات را افزایش خواهد داد. این افزایش حجم محاسبات به ویژه در حالتی که از یک بانک فیلتر شامل فیلتر های باند باریک به منظور جداسازی اطلاعات موجود در هر زیرباند استفاده کنیم تشدید می شود. یکی از راه های کاهش حجم محاسبات پویش طیف پهن باند، استفاده از مفاهیم نمونه برداری فشرده است. در این پایان نامه ابتدا با استفاده از نمونه های حاصل از یک بانک فیلتر متشکل از فیلتر های باند باریک، آشکار ساز های glr مناسب برای آشکارسازی در هر زیرباند را استخراج می کنیم. سپس به منظور کاهش حجم محاسبات، سعی می کنیم تا آشکارساز های glr مذکور را با بکارگیری فیلتر های پهن باند و استفاده از یک الگوریتم مبتنی بر نمونه برداری فشرده تحقق بخشیم. در این الگوریتم با استفاده از انرژی خروجی هر فیلتر و الگوریتم های بازسازی نمونه برداری فشرده، انرژی موجود در هر زیرباند استخراج و به کمک آن آشکارسازی انجام می گیرد. در ادامه با هدف بهبود عملکرد پویش طیف پهن باند با یک حجم محاسباتی پایین، الگوریتمی را ارائه می کنیم که ما را قادر می سازد تا اطلاعات موجود در هر زیرباند را مستقیماً با استفاده از نمونه های فشرده سیگنال دریافتی استخراج کنیم. سپس با استفاده از این نمونه های فشرده تفکیک شده، یک آشکارساز مناسب برای آشکارسازی در هر زیرباند بدست می آوریم. نکته اساسی در این روش تعیین ماتریس نمونه بردار به نحوی است که عملیات فیلتر کردن و آشکارسازی با استفاده از نمونه های فشرده با حد اقل خطا انجام گیرد. نتایج حاصل از شبیه سازی نشان می دهد که روش های پویش طیف پهن باند مبتنی بر نمونه برداری فشرده در حین داشتن حجم محاسباتی نسبتاً پایین دارای عملکرد قابل قبولی هستند.

این پایان نامه کاربرد روش های جداسازی کور منابع در فناوری سنجش از دور را مورد بررسی قرار می دهد. در سال های اخیر استفاده از الگوریتم های جداسازی کور در مطالعات سنجش از دور مورد توجه جدی قرار گرفته است، به طوری که امروزه این موضوع از جمله جذاب ترین و مهم ترین موضوعات تحقیقاتی در سنجش از دور محسوب می شود. نویززدایی و هم چنین جداسازی منابع در تصاویر ماهواره ای از مهم ترین کاربردهایbss در زمینه سنجش از دور می باشد. در این پایان نامه ابتدا با روش های جداسازی کور منابع و تکنیک آنالیز اجزای ریختی آشنا می شویم. با استفاده از تُنُکی در یک مجموعه می توان بین اثرات هر یک از اجزای آن تمایز ایجاد کرد. به همین خاطر، از الگوریتم mca برای جداسازی کور تصاویر فراطیفی استفاده کردیم. این الگوریتم یک نمایش تُنُکی از سیگنال یا تصویر را در نظر می گیرد و یک ترکیب از ویژگی ها را با استفاده از یک مجموعه های متفاوت به صورت تُنُک نمایش می دهد.