میزان محاسبات و کاهش آن در فیلترهای وفقی در سالهای اخیر به یکی از مسائل مهم مبدل گردیده است. این مسئله در بسیاری از کاربردهای فیلترهای تطبیقی مانند حذف نویز و اکوی آکوستیکی و شبکه، شناسایی سیستم یا کانال که برای افزایش دقت در مدل کردن محیط فیزیکی نامعلوم به تعداد ضرایب بیشتری نیاز است اهمیت پیدا می کند چون پیچیدگی محاسباتی الگوریتم های فیلتر های تطبیقی با تعداد ضرایب فیلتری که قرار است در هر تکرار الگوریتم بروز رسانی شود متناسب است و افزایش تعداد ضرایب منجر به سنگینی بار محاسباتی الگوریتم تحت اجرا می شود. در این پایان نامه یکی از معیارهای ارزیابی ما علاوه بر میزان کاهش محاسبات، سرعت همگرایی الگوریتم ها می باشد. بخاطر همین مسئله در این پژوهش ساختار subband filtering را مطرح می کنیم و روش های مختلف (انتخاب بهینه ضرایب، روش انتخاب گر دیتا و انتخاب بهترین مشاهدات الگوریتم تصویر افاین ) را برای کاهش حداکثری میزان محاسبات باهم ترکیب و در داخل هر subband استفاده می کنیم که البته بخش های مربوط به انتخاب ضرایب و مشاهدات در الگوریتم تصویر افاین در subband ها را بطور مشترک و و بخش های مربوط به انتخاب دیتا را به صورت مستقل در هر subband بکار می گیریم. با توجه به مزایای ساختار subband filtering، عملکرد الگوریتم های مطرح شده هم از لحاظ سرعت همگرایی (convergence speed) و هم از لحاظ کاهش میزان محاسبات لحظه ای و متوسط، بهتر از الگوریتم های مطرح شده در کارهای اخیر می باشد. در این پژوهش در اعمال الگوریتم های مطرح شده بر روی الگوریتم تصویر افاین بخاطر سرعت همگرایی بالا و مقاوم بودن در برابر دیتای رنگی و تغییر پذیری محیط سعی شده است. در ادامه این پژوهش استفاده از تبدیل موجک را پیشنهاد کرده ایم. در این روش از طریق استخراج تقریب های سیگنال ها، طول سیگنال های تقریب زده شده نسبت به سیگنال های اصلی کاهش پیدا می کند بنابراین مجموع محاسبات نیز تقریباً متناسب با سطح تبدیل موجک گرفته شده از سیگنال ها کاهش پیدا می کند. این روش برای بهبود روش های قبلی پیشنهاد شده از لحاظ محاسباتی، با آنها ترکیب می شود.

امروزه پیاده سازی سخت افزاری آشکارسازها یکی از مهم ترین مسائلی است که در عمل وجود دارد. امنیت اطلاعات و آشکارسازی صحیح اطلاعات نیز، پارامترهای مهمی برای سیستم های مخابراتی می باشند. تشخیص وجود یا عدم وجود سیگنال مخابراتی و تخمین پارامتر¬های نامعلوم، معیار مهمی برای کارایی آشکارسازها هستند. در این پایان نامه آشکارساز پیشنهاد شده محاسبات سطح پایینی در مقایسه با آشکارساز با نرخ احتمال جامع (glrt) برای مدولاسیون bfsk دارد اما یک مبادله ای میان پیچیدگی سخت افزاری و میزان آشکارسازی وجود دارد. شبیه سازی ها تایید کننده این ادعا هستند. با استفاده از سیستم طیف گسترده، امنیت در مقابل مزاحم ها افزایش می یابد. در این پایان نامه همچنین بر روی آشکارسازی تشخیص وجود سیگنال طیف گسترده با هاپینگ فرکانسی کار می شود و از آزمون پایایی با قوی ترین محل (lmpit) برای آشکارسازی تشخیص وجود سیگنال وقتی که دامنه ی سیگنال ضعیف است، استفاده می گردد.

امروزه، سیگنال های ds-ss به طور وسیعی در سیستم های مخابراتی مدرن مورد استفاده قرار می گیرند. بر اساس دوره ی تناوب سمبل ها در سیگنال اطلاعات و دوره تناوب دنباله ی شبه-نویز، سیگنال ها به دو دوسته ی کد کوتاه (sc) و کد بلند (lc) تقسیم می شوند. برای گیرنده های non-cooperative ، این اطلاعات نامعلوم هستند. در این پایان نامه، یک الگوریتم کور مبتنی بر آمارهای مراتب بالاتر برای بدست آوردن این اطلاعات در گیرنده پیشنهاد شده است. این آمارها عبارتند از: واریانس، skewness، kurtosis و cumulant مرتبه ششم. با استفاده از ماتریس های همبستگی سیگنال دریافتی، هر یک از آمارها محاسبه می شوند. که نهایتا به ازای هر کدام از آمارها، منحنی هایی برای سیگنال های sc و lc-dsssبدست می آید. با مقایسه ی این دو منحنی با یک مقدار آستانه ی از پیش تعیین شده، نوع سیگنال دریافتی مشخص می شود. نتایج شبیه سازی ها نشان می دهند که دسته بندی سیگنال های sc و lc-dsssبا استفاده از آمارهای مراتب بالاتر، خیلی بهتر از آمار مرتبه دوم که قبلا بحث شده است، صورت می گیرد.

روش های متعددی برای تفکیک گفتارهای موجود در یک ترکیب معرفی شده اند. در بین این روش ها، پیچیده ترین آن ها روش هایی هستند که به دنبال جداسازی منابع موجود در یک سیگنال ترکیب تک گوشی (ترکیبی که در آن یک میکروفون، سیگنال ها را ذخیره می کند) می باشند. این گونه روش ها را می توان به دو دسته ی، روش های مبتنی بر ویژگی و روش های مبتنی بر مدل، تقسیم بندی کرد. روش پیاده شده در این پایان نامه، در دسته ی دوم قرار دارد. در روشی که در اینجا بررسی می شود، برای هر منبع موجود در سیگنال مخلوط مشاهده شده، مدلی بدست می آید. با داشتن مدل تمام منابع موجود در این سیگنال، می توان عمل تفکیک منابع را با یافتن محتمل ترین نحوه ی ترکیب مدل ها انجام داد. در اینجا، ابتدا، با در اختیار داشتن تعدادی داده ی صوتی مربوط به هر یک از منابع، مدلی مبتنی بر مدل مارکوف پنهان (hmm) برای هر کدام از آن ها محاسبه می شود. برای این کار، در مرحله ی اول، یک مدل مخلوط گوسی (gmm) برای مجموعه ی دادگان هر منبع آموزش داده می شود و سپس، با اعمال gmm بدست آمده بر روی داده های آموزش هر منبع و محاسبه ی مولفه های متناظر با هر یک از بردارهای ویژگی، ماتریس گذار حالت بین مولفه های gmm استخراج می شود. هرکدام از مولفه های گوسی gmm (به عنوان توزیع احتمالی مشاهده در هر حالت)، به همراه ماتریس گذار حالت بدست آمده، hmm مورد نظر را تشکیل می دهند. نهایتاً، بر پایه ی منابع مشخص موجود در مخلوط و hmm های آموزش دیده ی آن ها، یک مدل مارکوف پنهان وابسته (factorial hmm; fhmm) توسط آن hmm ها برای سیگنال ترکیب، تشکیل داده می شود. به کمک این fhmm، بهترین رشته ی حالت (state sequence) هر کدام از مدل ها، که ترکیب آن ها به سیگنال ورودی نزدیک تر باشد، بدست می آید. همان طور که بیان شد، تابع توزیع احتمالی مشاهدات در مدل استفاده شده، یک توزیع تک گوسی بوده و از مدل مخلوط گوسی (gmm) برای هر حالت استفاده نشده است. همچنین، برای محاسبه ی سریع تر توزیع احتمالی مشاهدات، به شرط معلوم بودن یک ترکیب مشخص از حالت های دو مدل در یک زمان مشخص، تقریب log-max استفاده شده است. برای جست وجوی سریع تر بین ترکیبات مختلف حالات مدل ها (جهت یافتن محتمل ترین ترکیب حالات)، روشی موسوم به کوانتیزاسیون باندی (band quantization) بکار گرفته شده است. در نهایت، مقایسه ای بین روش های جداسازی مبتنی بر fhmm و gmm انجام می شود. نتایج ارزیابی های عینی برتری نسبی fhmm را نسبت به gmm، در جدا کردن منابعی که دارای مشخصه های یکسانی (مانند حالت جنسیت یکسان و یا گوینده یکسان) در ترکیب ها هستند، نشان می دهد. دلیل این امر آن است که، بر خلاف gmm، fhmm می تواند دینامیک زمانی سیگنال ها را که در hmm ها مدل شده است، در نظر بگیرد.

در این پایاننامه دو الگوریتم جهت شناسایی شمای مدولاسیون های مورد استفاده در سیستم های بی سیم و سیستم dvb-s2 پیشنهاد شده است. الگوریتم اول، برای شناسایی مدولاسیون های bpsk، qpsk و gmsk پیشنهاد شده است. در خلال کلاس بندی، کلاس بندی کننده های dag-svm، svm سلسله مراتبی و شبکه ی عصبی pnn جهت انتخاب کلاس بندی کننده مناسب با هم مقایسه شده اند و نهایتا شبکه ی عصبی pnn به دلیل درصد شناسایی بالا به عنوان کلاس بندی کننده انتخاب شده است. ویژگی های استفاده شده شامل دو دسته ویژگی ترکیبی است، دسته اول ویژگی های لحظه ای سیگنال و دسته دوم ویژگی های آماری مراتب بالا شامل کیومولانت ها مرتبه ی چهارم می باشند. نکته ی قابل ذکر در استخراج ویژگی ها به دلیل وابستگی دو ویژگی لحظه ای به فرکانس حامل، فرض شده فرکانس حامل در دست بوده یا تخمین زده شده است. الگوریتم دوم، برای شناسایی مدولاسیون های qpsk، psk8، apsk16 و apsk32 پیشنهاد شده است. مدولاسیون های پیشنهادی در سیستم مخابرات ماهواره dvb-s2 کاربرد دارند. در این الگوریتم از 5 ویژگی، حوزه ی ویولت و کیومولانت های مرتبه ی چهار جهت شناسایی مدولاسیون ها استفاده شده است. الگوریتم برای محدوده ی -6db≤snr طراحی شده است. الگوریتم جهت شناسایی نیازی به هیچ اطلاعات اولیه، از سیگنال دریافتی ندارد. جهت کلاس بندی، svm سلسله مراتبی پیشنهاد شده است. در نهایت این الگوریتم توانسته با 100 درصد موفقیت مدولاسیون ها را شناسایی کند.

شبکه حسگر بی سیم فن آوری نوظهوری با هدف اصلی نظارت و کنترل شرایط محیطی در محدوده ی مشخص است. دامنه ی کاربرد وسیع شبکه حسگر، آن را به بخش جدایی ناپذیری از زندگی آینده ی ما تبدیل کرده است. این شبکه که به طور معمول از تعداد زیادی گره ی ارزان قیمت تشکیل می شود تا زمانی زنده تلقی می گردد که پوشش مورد نظر و ارتباط بین گره ها و پردازشگر مرکزی تضمین شده باشد. به دلیل محدودیت انرژی باتری حسگرها و عدم امکان تعویض آنها، الگوهای کاهش مصرف انرژی شبکه در دو بعد سخت افزاری و طراحی الگوریتم و پروتکل ها در تمام لایه های شبکه در حال بررسی هستند. روش های مبتنی بر چرخه ی وظایف، الگوهای داده گرا و طرح های مبتنی بر قابلیت تحرک، همگی سعی بر افزایش طول عمر شبکه دارند. یکی از روش های کنترل توپولوژی، استفاده از پروتکل های خواب/بیدار به معنای فعالیت دوره ای حسگرهای ناظر است. طبیعت پویای شبکه، مسئله را پیچیده تر و به یک مسئله ی چندجمله ای غیرقطعی-سخت تبدیل می کند. تاکنون روش های ابتکاری متفاوتی برای حل این مسئله ارائه شده اند اما با توجه به کاربرد وسیع الگوریتم های تکاملی در یافتن جواب مناسب برای مسائل چندجمله ای غیرقطعی-سخت، استفاده از این الگوریتم ها مفیدتر به نظر می رسد. در این پایان نامه هدف، ارائه ی یک روش جدید بر مبنای الگوریتم رقابت استعماری گسسته در شبکه حسگر بی سیم پوشش نقطه ای به دلیل ماهیت خوشه بندی ضمنی الگوریتم و شباهت آن به مسئله می باشد. الگوریتم معرفی شده (icasc) با توجه به پارامترهای مصرف انرژی گره ها و باقیمانده ی توان آنها به گزینش حسگرهای ناظر می پردازد به گونه ای که طول عمر شبکه افزایش می یابد.