در اين مقاله سيستمی برای تشخيص نوع مدولاسيون پيشنهاد ميشود که قادر است بدون شناخت اولیه از پارامترهای سیگنال ارسالی، 9 مدولاسیون از خانواده مدولاسيونهاي فاز، دامنه و فاز- دامنه را شناسايي کند. برای تشخيص، طبقهبنديکننده SVM پیشنهاد شده است. پيچيدگي محاسباتي کم، سرعت More
در اين مقاله سيستمی برای تشخيص نوع مدولاسيون پيشنهاد ميشود که قادر است بدون شناخت اولیه از پارامترهای سیگنال ارسالی، 9 مدولاسیون از خانواده مدولاسيونهاي فاز، دامنه و فاز- دامنه را شناسايي کند. برای تشخيص، طبقهبنديکننده SVM پیشنهاد شده است. پيچيدگي محاسباتي کم، سرعت آموزش بالا و درصد تشخيص بالاتر نسبت به ساير روشهای تشخیص مدولاسیون مانند سطوح آستانه ثابت و متغیر و شبکههای عصبی، از مزاياي روش پیشنهادی به شمار ميآيند. نتایج شبیهسازی نشان میدهد که استفاده از ساختارهای سلسله مراتبی از طبقهبندیکننده SVM نیز میتواند به بهبود عملکرد بیانجامد. در این مقاله، استفاده از الگوریتم ژنتیک در بهینهسازی ساختار طبقهبندیکننده و نیز انتخاب بهینه ویژگیهای مورد استفاده در ساختار سلسله مراتبی، سبب افزایش قابل ملاحظه دقت تشخیص مدولاسیونها گردیده است.
Manuscript profile
Rimag
Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.