شناساگر خودکار نوع سیگنال، عمل تعیین نوع مدولاسیون سیگنال دریافتی را در بین مجموعه ای از مدولاسیونها به صورت اتوماتیک انجام می دهد و همانطور که اشاره شدکاربردهای فراوانی در زمینه نظامی و غیر نظامی دارد. در حوزه کانال نویزی، اکثر روش های ارائه شده توانایی تشخیص مدولاسیونهای با ابعاد پایین را دارند. بیشتر مدولاسیونهای در نظر گرفته شده دارای اطلاعاتی در فقط یکی از ابعاد دامنه، فاز یا فرکانس هستند. تعداد زیادی از این تکنیکها در شرایط سیگنال به نویز پایین عملکرد مناسبی ندارند و فقط قادرند تا تعداد محدودی از مدولاسیونها را شناسایی کنند. تعداد روش های پیشنهادی در حوزه کانال تارکننده، بسیار کم می باشد. در این رساله، تلاش کرده ایم تا با استخراج ویژگیهای بسیار کارا و پیشنهاد طبقه بندی کننده های بسیار موثر، شناساگرهای پیشرفته ای با عملکردی بهتر از کارهای دیگران ارائه نماییم. درشناساگر پیشنهادی از آمارگان مرتبه ی بالا (ممان ها وکومولانها تا مرتبه ی هشتم) به عنوان ویژگی های بسیار کارامد استفاده شده است. اولین روش ارائه شده در این رساله از شبکه عصبی احتمالاتی به عنوان طبقه بندی کننده به همراه الگوریتم بهینه سازی ازدحام ذرات برای بهبود عملکرد استفاده می نماید که توانسته است در محیط های نویزی مدولاسیون های psk2 ،psk4 ،psk8 ،ask4 ،ask8 ،qam16، qam32 وqam64 را با درصد موفقیت بالا با سرعت بسیار مناسب شناسایی کند. در روش دوم از الگوریتم بهینه سازی کلونی زنبورعسل به عنوان بهینه ساز طبق بندی کننده (شبکه عصبی احتمالاتی) و نیز انتخاب ویژگی های کارامد استفاده گردیده است. محیط ارتباطی نیز کانال awgn فرض شده است. در روش سوم که محیط ارتباطی تار کننده فرض شده است از شبکه عصبی پرسپترون چند لایه به عنوان طبقه بندی کننده استفاده شده است، برای حذف اثرات مخرب کانال تار کننده از ترازگر کور با الگوریتم مدول ثابت استفاده گردیده است. در این روش از الگوریتم بهینه سازی کلونی زنبور عسل برای تعیین پارامتر ترازگر و نیز انتخاب ویژگی های کارامد استفاده گردیده است. این روش توانسته است مدولاسیون های psk2، psk4، psk8، psk16، psk32و psk64 را با درصد موفقیت قابل قبولی شناسایی کند. روش چهارم که در آن از طبقه بندی کننده ماشین بردار پشتیبان همراه با بهینه ساز کلونی زنبور عسل استفاده شده است توانسته است در محیط های تار کننده مدولاسیون های ask2 ،ask4 ،psk2 ،psk4 ،psk8 ،qam8 و qam16 را با در صد موفقیت بالا شناسایی کند.

چکیده ندارد.