برای رعایت حریم خصوصی نام نگارنده درج نمی شود
پایان‌نامه برای دریافت درجه کارشناسی ارشد
در رشته مهندسی برق گرایش مخابرات
تشخیص خودکار نوع مدولاسیون دیجیتال در سیستم­های OFDM
 
استاد راهنما:
دكتر عطاالله ابراهیم زاده شرمه
 
اساتید مشاور:
دكتر محمدرضا ذهابی
دكتر بیژن عباسی آرند
 
 
 
1393  
تکه هایی از متن به عنوان نمونه :
چکیده
تشخیص مدولاسیون را می­توان یکی از بخش­های اصلی گیرنده­های نوین مخابراتی دانست. شناساگر خودكار نوع سیگنال، عمل تعیین نوع مدولاسیون سیگنال دریافتی را در بین مجموعه­ای از مدولاسیون­ها به صورت خودکار انجام می­دهد. اكثر سیستم­های شناساگر خودکار نوع مدولاسیون در تشخیص تعداد بالای مدولاسیون عمل­کرد نامناسبی داشته و نیز در شرایط سیگنال به نویز پایین، بازدهی کمی دارند. این نوع سیستم­ها جهت تشخیص، نیاز به تعداد بالایی از ویژگی­های کلیدی دارند. به­دلیل کاربرد روزافزون سیگنال دیجیتال در مخابرات و تلاش جهت انتقال اطلاعات با نرخ بالا در سیستم­های مبتنی بر OFDM، در این پژوهش، تلاش شده است تا با انتخاب ویژگی­های بسیار كارا و استفاده از طبقه­بندی كننده­ی موثر، شناساگر مناسبی ارائه داده شود. در شناساگر پیشنهادی در بخش استخراج ویژگی، از ویژگی­های آمارگان مرتبه­ی بالا (ممان­ها وکومولان­ها تا مرتبه­ی هشتم) براساس طبقه­بندی کننده­ی ماشین بردار پشتیبان استفاده شده است. لازم به ذکر است در این پایان­نامه به صورت محدود از OFDM بهره برده و تاثیر سیستم OFDM بر ویژگی­های آمارگان مرتبه­ی بالا مورد بررسی قرار گرفت. در این پایان­نامه، جهت افزایش کارایی سیستم و کاهش همبستگی میان ویژگی­ها، برای اولین­بار در این حوزه، ترکیب خطی ویژگی­ها، به عنوان روشی جدید ارائه داده شده، سپس برای بهینه­سازی این ترکیب، از الگوریتم بهینه­سازی فاخته استفاده گردیده است. شناساگر پیشنهادی در سیگنال به نویز dB10- ، به درصد موفقیت %98.33 دست یافته است. مدولاسیون­هایی که در این پژوهش مورد بررسی قرار گرفته عبارتند از: 4ASK، 8ASK، 2PSK ،4PSK ،8PSK، 16QAM، 64QAM، 128QAM،256QAM و V29.
واژه‌های كلیدی: تشخیص خودکار نوع مدولاسیون، ترکیب خطی بردار ویژگی، تشخیص الگو، سیستم OFDM، کانال محوشونده، ماشین بردار پشتیبان.
 
 
 
 
 
 
 
 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

صفحه فهرست مطالب عنوان
1 پیشگفتار
3 1- مقدمه­ای بر سیستم شناسایی خودكار نوع مدولاسیون
3 1-1- آشنایی با سیستم شناسایی خودكار نوع مدولاسیون و برخی از كاربردهای آن
3 1-1-1- سیر تحول و توسعه سیستم های مخابراتی دیجیتال
6 1-1-2- اهمیت و کاربردهای سیستم شناسایی نوع مدولاسیون
8 1-2- سیر تكامل روش های شناسایی نوع مدولاسیون
8 1-3- دسته بندی كلی روش­های خودكار شناسایی نوع مدولاسیون
10 1-4- مروری بر تحقیقات گذشته
12 1-5- جمع‌بندی و ساختار پایان‌نامه
14 نتیجه گیری
15 2- انتخاب ویژگی‌های مرتبه بالا و مطالب مورد نیاز
15 مقدمه
15 2-1- مروری بر مدولاسیون های دیجیتال
17 2-2- مفهوم استخراج ویژگی
18 2-3- ممان­ها و کومولان­های مرتبه‌ی بالا
18 2-3-1 ممان ها
28 2-3-2-كومولان­ها
37 2-4- مطالب مورد نیاز
37 2-4-1- کانال چند مسیری
39 2-4-2- سیستم OFDM
39 2-4-2-1- تاریخچه مدولاسیون OFDM
40 2-4-2-2-   مفهوم مالتی پلکسینگ
41 2-4-2-3-   معرفی مدولاسیون OFDM
43 2-4-2-4-   مدل OFDM
45 2-4-2-5- مزایا و معایب OFDM
46 2-4-3- ماشین بردارهای پشتیبان (SVM)
46 2-4- 3-1- SVM خطی و غیرخطی
51 2-4-3-2- SVM چند کلاسه
51 2-4-4-   الگوریتم بهینه‌سازی فاخته (COA)
52 2-4-4-1- زندگی و تخم‌گذاری فاخته
53 2-4-4-2- جزییات الگوریتم بهینه‌سازی الهام گرفته از فاخته
57 نتیجه‌گیری
59 3- معرفی روش پیشنهادی و نتایج شبیه­سازی­ها
59 مقدمه
59 3-1- الگوریتم فاخته در بهینه سازی عمل­کرد سیستم استخراج ویژگی
59 3-1-1- انتخاب ویژگی
62 3-1-2- روش پیشنهادی جهت بهبود عمل­کرد سیستم استخراج ویژگی
63 3-1-2- نحوه به کارگیری الگوریتم فاخته به منظور انتخاب ویژگی
64 3-2- نتایج شبیه­سازی
65 3-2-1- شناسایی نوع مدولاسیون به کمک تمام ویژگی­ها (آمارگان مرتبه­ی بالا)
66 3-2-1-1- نتایج شبیه‌سازی به کمک طبقه‌بندی کننده SVM در کانال AWGN
69 3-2-1-2- نتایج شبیه‌سازی به کمک طبقه‌بندی کننده SVM در کانال­های محوشونده
74 3-2-2- نتایج شبیه سازی به کمک سیستم استخراج ویژگی پیشنهادی
89 3-3- مقایسه عمل­کرد سیسستم پیشنهادی با کارهای انجام شده در این زمینه
90 3-4- نتیجه گیری
92 4- جمع بندی و پیشنهاد ادامه كار
92 4-1- جمع بندی
95 4-2- پیشنهادات
96 پیوست­ها
100 منابع و ماخذ
   
   
   

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

صفحه فهرست اشكال عنوان
16 شکل 2-1- نمایش چیدمان (منظومه) برخی از مدولاسیون‌های دیجیتال
18 شكل 2-2- نمایش نمودار ویژگی‌های ایده­آل از سیگنال ها بر حسب SNR
21 شكل 2-3- نمایش مقدار ویژگی ممان ها برای 100 سیگنال از هر مدولاسیون.
21    شكل 2-3- الف-مقدار ویژگی ممان دو-صفر
22    شكل 2-3- ب-مقدار ویژگی ممان دو-یک
22    شكل 2-3- پ-مقدار ویژگی ممان چهار-صفر
23    شكل 2-3- ت-مقدار ویژگی ممان چهار-یک
23    شكل 2-3- ج-مقدار ویژگی ممان چهار-دو
24    شكل 2-3- چ-مقدار ویژگی ممان شش-صفر
24    شكل 2-3- ح-مقدار ویژگی ممان شش-یک
25    شكل 2-3- خ-مقدار ویژگی ممان شش-دو
25    شكل 2-3- د-مقدار ویژگی ممان شش-سه
26    شكل 2-3- ذ-مقدار ویژگی ممان هشت-صفر
26    شكل 2-3- ر-مقدار ویژگی ممان هشت- یک
27    شكل 2-3- ز-مقدار ویژگی ممان هشت- دو
27    شكل 2-3- س-مقدار ویژگی ممان هشت- سه
28    شكل 2-3- ش-مقدار ویژگی ممان هشت- چهار
  شكل 2-4- مقدار میانگین کومولان­ها را در SNR های متفاوت برای هر نوع مدولاسیون.
31    شكل 2-4- الف- مقدار ویژگی کومولان چهار-صفر
31    شكل 2-4-ب- مقدار ویژگی کومولان چهار- یک دو
32    شكل 2-4-پ-مقدار ویژگی کومولان چهار- دو
32    شكل 2-4-ت-مقدار ویژگی کومولان شش-صفر
33    شكل 2-4-ث-مقدار ویژگی کومولان شش-یک
33    شكل 2-4-ج-مقدار ویژگی کومولان شش-دو
34    شكل 2-4-چ-مقدار ویژگی کومولان شش-سه
34    شكل 2-4-ح-مقدار ویژگی کومولان هشت-صفر
35    شكل 2-4-خ-مقدار ویژگی کومولان هشت- یک
35    شكل 2-46-د-مقدار ویژگی کومولان هشت- دو
36    شكل 2-4-ذ-مقدار ویژگی کومولان هشت- سه
36    شكل 2-4-ر-مقدار ویژگی کومولان هشت- چهار
42 شکل 2-5- سیستم چندحاملی معمولی و سیستم چندحاملی متعامد
42 شکل2-6- طیف سمبل OFDM
44 شکل2-7- بلوک دیاگرام سیستم OFDM
49 شکل2-8- نمایش بردار تکیه­گاه در دو دسته داده آموزشی قابل تفکیک
52 شکل 2-9- رفتار فاخته در طبیعت
54 شکل 2-10- تخم­گذاری فاخته در شعاع تخم­گذاری (ELR)
55 شکل 2-11- مهاجرت فاخته ها به سمت نقطه هدف
56 شکل2-12- روندنمای الگوریتم بهینه­سازی فاخته
  3- معرفی روش پیشنهادی و نتایج شبیه­سازی­ها  
63 شکل3-1- سیستم پیشنهادی استخراج ویژگی
64 شکل 3-2- روندنمای سیستم ترکیبی هوشمند
66 شكل 3-3- دیاگرام كلی شناساگر مدولاسیون براساس استخراج ویژگی‌ها آمار گان مرتبه بالا
67 شکل 3-4- عمل­کرد SVM در SNRهای مختلف به ازای تمام ویژگی­ها
  شکل 3-5- مقدار چند آمارگان مرتبه­ی بالا برای سیستم OFDM
70    شکل 3-5-الف- مقدار میانگین ممان چهار-صفر در کانال رایلی تخت سریع
70    شکل 3-5-ب- مقدار میانگین ممان هشت-صفر در کانال رایلی تخت سریع مرتبه
71    شکل 3-5-پ- مقدار میانگین ممان هشت-صفر در کانال رایلی فرکانس گزین سریع
71    شکل 3-5-ت- مقدار میانگین ممان شش-سه در کانال رایلی فرکانس گزین سریع
72    شکل 3-5-ث- مقدار میانگین ممان شش-سه در کانال رایسین فرکانس گزین سریع
  شکل3-6- عمل­کرد SVM در SNR های مختلف، کانال محوشونده با همه ویژگی­ها
73        شکل3-6-الف- عمل­کرد SVM در SNR های متفاوت در کانال رایلی تخت و آهسته
73        شکل3-6-ب- عمل­کرد SVM در SNR های متفاوت در کانال رایلی فرکانس گزین سریع
77 شکل3-7- مقدار تابع هزینه بهترین فاخته در هر تکرار
78 شکل3-8- ویژگی جدید برای تمامی مدولاسیون­ها در SNR های متفاوت
79 شکل3-9- ویژگی جدید برای تمامی مدولاسیون­ها در SNR هایی با بازه بیشتر
81 شکل 3-10- مقایسه عمل­کرد شناساگر با تمام ویژگی­ها و ویژگی­های بهینه
83 شکل 3-11- مقادیر ویژگی جدید در کانال محو شونده رایلی
84 شکل 3-12- مقادیر ویژگی جدید در کانال محوشونده رایسین
85 شکل 3-13- عمل­کرد سیستم با ویژگی جدید در کانال محوشونده رایلی فرکانس گزین سریع
85 شکل 3-14- عمل­کرد شناساگر با ویژگی جدید، کانال محوشونده رایلی فرکانس گزین آهسته
86 شکل 3-15- عمل­کرد شناساگر با ویژگی جدید در کانال محوشونده رایسین فرکانسی تخت
86 شکل 3-16- مقایسه عمل­کرد کلی شناساگر با ویژگی جدید در کانال محوشونده رایلی
   

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

صفحه فهرست جداول عنوان
20 جدول 2-1- روابط ممان های موثر
29 جدول 2-2- روابط کومولان های موثر
30 جدول2-2- مقادیری از ممان­ها و کومولان­ها برای سیگنال بدون نویز
50 جدول 2-3- برخی از توابع کرنل معروف
65 جدول 3-1- پارامترهای کانال­های محوشونده
67 جدول 3-2- عمل­کرد SVM در SNR های متفاوت
68 جدول 3-3- ماتریس صحت عمل­کرد SVM درSNR= -10 با استفاده از تمام ویژگی­ها
68 جدول 3-4- ماتریس صحت عمل­کرد SVM درSNR= -4 با استفاده از تمام ویژگی­ها
69 جدول 3-5- ماتریس صحت عمل­کرد SVM درSNR= 2 با استفاده از تمام ویژگی­ها
74 جدول 3-6- ماتریس صحت عمل­کرد SVM درSNR= -8 dB در کانال رایلی تخت(آهسته)
74 جدول 3-7- ماتریس صحت عمل­کرد SVM درSNR= -8 dB ، کانال رایسین تخت(آهسته)
74 جدول 3-8- ماتریس عمل­کرد SVM درSNR= -8 dB ، کانال رایلی فرکانس گزین(سریع)
74 جدول 3-9- ماتریس عمل­کرد SVM درSNR= -8 dB ، کانال رایسین فرکانس گزین(سریع)
75 جدول 3-10- پارامترهای الگوریتم بهینه­سازی فاخته
76 جدول 3-11- زمان اجرا و مقدار حداقل تابع هزینه از COA
77 جدول 3-12- ویژگی و ضرایب متناظر بهینه با استفاده از الگوریتم COA در کانال AWGN
79 جدول 3-13- میانگین مقادیر ویژگی در بازه­های مختلفی از SNR
80 جدول 3-14- درصد تشخیص صحیح شناساگر با ویژگی جدید در SNR های گوناگون
80 جدول 3-15- ماتریس صحت عمل­کرد شناساگر با ویژگی مبتنی بر COA درSNR=-10dB
80 جدول 3-16- ماتریس صحت عمل­کرد شناساگر با ویژگی مبتنی بر COA درSNR=-8dB
80 جدول 3-17- ماتریس صحت عمل­کرد شناساگر با ویژگی مبتنی بر COA درSNR=-6dB
81 جدول 3-18- ماتریس صحت عمل­کرد شناساگر با ویژگی مبتنی بر COA درSNR=0dB
82 جدول 3-19- ویژگی و ضرایب متناظر بهینه با استفاده از الگوریتم COA در کانال رایلی
82 جدول 3-20- ویژگی و ضرایب متناظر بهینه با استفاده از الگوریتم COA در کانال رایسین
87 جدول 3-21- عمل­کرد سیستم با ویژگی جدید درSNR=-10dB ، رایلی فرکانس گزین سریع
87 جدول 3-22- عمل­کرد شناساگر با ویژگی جدید درSNR=-8dB ، رایلی فرکانس گزین آهسته
88 جدول 3-23- عمل­کرد سیستم با ویژگی جدید درSNR=-2dB ، رایسین فرکانس گزین سریع
88 جدول 3-24- عمل­کرد شناساگر با ویژگی جدید درSNR=4dB ، رایلی فرکانس گزین آهسته
88 جدول 3-25- عمل­کرد شناساگر با ویژگی جدید درSNR=4dB ، رایلی فرکانس گزین سریع
89 جدول 3-26- عمل­کرد شناساگر با ویژگی جدید درSNR=6dB ، کانال رایلی تخت سریع
90 جدول 3-27- مقادیر میانگین و واریانس درصد تشخیص صحیح سیستم
91 جدول 3-28- مقایسه سیستم پیشنهادی با کارهای انجام شده

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

پایان نامه و مقاله

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

یک مطلب دیگر :

 

پايان نامه ارشد حقوق:بررسی کاهش مسئولیت پدر در قتل فرزند

 

  لیست علایم و اختصارات  
   
ACO الگوریتم کلونی مورچه (Ant Colony Optimization)
ADSL خط مشترک دیجیتال نامتقارن (Asymmetric Digital Subscriber Line)
ASK کلیدزنی شیفت دامنه (Amplitude Shift Keying)
BPSK کلیدزنی شیفت فاز دودویی  (Binary Phase Shift Keying)
COA الگوریتم بهینه سازی فاخته(Cuckoo Optimization Algorithm)
CF تابع مشخصه (Characteristic Function)
CP پیشوند گردشی (Cyclic Prefix)
DAB پخش صدای دیجیتال (Digital Audio Broadcasting)
DT تئوری (نظریه) تصمیم (Decision Tree)
DVB_T اطلاعات ویدئو رادیویی دیجیتال (Digital Video Broadcasting-Terrestrial)
ELR شعاع تخم­گذاری (Egg Laying Radius)
EP برنامه ریزی تكاملی (Evolutionary Programming)
FFT تبدیل فوریه سریع (Fast Fourier Transform)
FDM مالتی پلکس تقسیم فرکانسی (Frequency Division Multiplexing)
GA الگوریتم ژنتیک (Genetic algorithm)
GI فاصله زمانی محافظ (Guard Interval)
ICA آنالیز مولفه های مستقل (Indepdent Component Analysis)
ICI تداخل بین حاملی (­Inter Carrier Interference)
ISI تداخل بین سمبلی (Inter Symbol Interference)
INFOMAX ماكزیمم سازی اطلاعات(Information Maximization)
KKT تئوری بهینه­سازی کراش-کوهن-تاکر (Karush-Kuhn-Tucker)
LOS مولفه مسیر مستقیم (Line-Of-Sight)
MCM مدولاسیون چند كاربری (Multi-Carrier Modulation)
ML ماكزیمم شباهت (Maximum Likelihood)
OAA روش یکی در برابر همه (One-Against -All)
OAO روش یک به یک (One- Against -One)
OFDM مدولاسیون تقسیم فرکانسی متعامد (Orthogonal Frequency Division Multiplexing)
PDF تابع چگالی احتمال(probability Density Function)
PDR گیرنده آشکارساز وسیع(Panoramic Display Receiver)
PR تشخیص الگو (Pattern Recognition)
PSO بهینه سازی ازدحام ذرات(Particle Swarm Optimization)
QAM کلیدزنی دامنه تربیعی  (Quadrature Amplitude Keying)
QPSK کلیدزنی شیفت فاز تربیعی  (Quadrature Phase Shift Keying)
RBF تابع پایه­ی شعاعی (Radial Basis Function)
SASS اندازه گام خود تطبیقی (Self Adaptive Step Size)
SBS جستجوی برگشتی متوالی (Sequential Backward Search)
SFS روش جستجوی مستقیم متوالی (Sequential Forward Search)
SRM اصل حداقل سازی ریسك ساختاری (Structural Risk Minimization)
SNR نسبت سیگنال به نویز(Signal to Noise Ratio)
SVM ماشین بردار پشتیبان (Support Vectors Machine)
TDM تقسیم زمانی (Time Division Multiplexing)
   
 
 
 
پیشگفتار
پیشگفتار
امروزه شبیه سازی سیستم­های مخابراتی با توجه به پیچیدگی روز به روز تجهیزات، از اهمیت بالایی برخوردار است. مطالعه و بررسی عمل­کرد یک سیستم با روش های تحلیلی، سخت و گاهی غیر ممکن بوده و بررسی عمل­کردهای سیستم مخابراتی مدرن، بدون استفاده از شبیه سازی، ساخت نمونه آزمایشی را اجتناب ناپذیر می­کند. اما علیرغم­ هزینه­های بالای ساخت یک نمونه آزمایشی، هزینه­های آزمایش در شرایط مختلف چندین برابر هزینه شبیه­سازی کامپیوتری خواهد بود. علاوه بر آن شبیه سازی کامپیوتری شرایطی را مورد بررسی قرار می­دهد که تولید همه­ی آن شرایط شبیه­سازی عملا با یک نمونه­ی ساخته شده، امکان پذیر نیست و ممکن است فراهم نبودن بسترهای زیرساختی، موجب ایجاد شکافی بزرگ میان مباحث تئوری و پیاده سازی عملی شود. دلایل ذکر شده و نیز سهل الوصول بودن استفاده از کامپیوتر، به طور منطقی بر محبوبیت شبیه­سازی می­افزاید.
یک بخش بسیار مهم در تمامی سیستم­های مخابراتی، بخش بازیابی اطلاعات در گیرنده است. اهمیت این بخش زمانی روشن می­گردد که بنا به هر دلیلی، گیرنده از محتوی نوع سیگنال ارسالی در فرستنده و نیز شرایط کانال اطلاع نداشته باشد. تاكنون روش­های مختلفی برای تشخیص خودکار نوع مدولاسیون دیجیتال پیشنهاد شده است که هر کدام، در شرایط گوناگون سعی در ارائه روشی خودکار برای شناسایی نوع مدولاسیون داشته­اند. روش­های ارائه شده در دو روش کلی خلاصه می­شوند: روش­های مبتنی بر نظریه­ی تصمیم (با معیارهای آماری) و روش­های مبتنی بر تشخیص الگو.
با توجه به سادگی و تعمیم­پذیری روش­های مبتنی بر تشخیص الگو در این پایان­نامه به دنبال ارائه روشی هستیم تا با آن بتوان ویژگی­های کارایی را از سیگنال استخراج و انتخاب نموده و سپس با استفاده از مفاهیم تشخیص الگو، نوع مدولاسیون را تشخیص دهیم. در بیشتر سیستم­های پیشنهاد شده­ی قبلی، همواره ویژگی­هایی از سیگنال دریافتی در گیرنده استخراج می­گردد. این ویژگی­ها در مرحله­ی بعدی به واحد دیگری به نام واحد طبقه­بندی­کننده تحویل داده می­شود. طبقه­بندی­کننده ابتدا درصدی از این ویژگی­­ها را برای تمامی کلاس­ها انتخاب نموده و براساس آنها، فرآیندی موسوم به فرآیند آموزش داده­ها را، پیاده­سازی می­کند. در حالت آموزش، شناساگر عموما، فضای بردار ویژگی را با شاخص­هایی بین کلاس­ها تقسیم می­نماید. سپس در حالت آزمایش، طبقه بندی کننده، براساس درصد باقی مانده از سیگنال­ها، ویژگی­ها را با این شاخص­های عمل­کردی می­سنجد. کارایی سیستم در این حالت، تابعی براساس درصد تشخیص صحیح سیستم است. هر چقدر ویژگی­ها از نظر مفاهیم آماری (میانگین، واریانس و غیره) در دو حالت آموزش و تست برای هر کلاس، پایدارتر بوده و نیز نسبت به دیگر کلاس­ها همبستگی کمتری داشته باشند؛ قدرت تشخیص شناساگر، بیشتر خواهد بود. متناظرا هر سیستمی که به داده­های کمتری برای آموزش و آزمایش نیاز داشته باشد قابلیت بیشتری دارد و اصطلاحا نسبت به داده­های ندیده مقاوم­تر است.
در روش­های شناسایی قبلی که مبتنی بر تشخیص الگو هستند ویژگی­هایی از سیگنال استخراج شده و بعد از آن این ویژگی­ها با شناساگری که درصد تشخیص بهتری را ارائه می­داد، مورد ارزیابی قرار می­گرفت. تقریبا در تمامی کارهای گذشته برای کاهش ابعاد ویژگی و نیز کاهش پیچیدگی سیستم، روش­هایی برای انتخاب ویژگی پیشنهاد می­گردید. در این روش­ها عموما از الگوریتم­های تکاملی برای جستجوی سراسری فضای ویژگی استفاده می­شده و زیر مجموعه­ای از بردار ویژگی که منجر به درصد تشخیص بالاتر می­شد به عنوان زیرمجموعه کارا انتخاب می­شد. در پاره­ای از روش­ها نیز از این الگوریتم­ها برای بهینه­سازی تنظیمات مربوط به طبقه بندی کننده­ها استفاده می­شد.
از میان طبقه بندی کننده­های مورد استفاده در روش­های تشخیص الگو می­توان به شبکه­های عصبی مصنوعی، طبقه بندی کننده­های فازی، مدار طبقه بندی کننده آستانه­ای و ماشین بردار پشتیبان اشاره نمود. در بین این شناساگرها، طبقه بند ماشین بردار پشتیبان، به دلیل استفاده از مفاهیم ساختار­محور در کمینه­سازی خطا، همواره با استقبال بیشتری از سوی محققان رو به رو بوده است. در این پایان­نامه نیز این شناساگر، جهت تفکیک سیگنال­های مدولاسیون دیجیتال استفاده شده است.
موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...