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.

امروزه، سیگنال های dsss 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 به دست 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-dsssبه دست 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.

چکیده ندارد.

چکیده ندارد.