نویسندگان
چکیده
تشخیص نوع مدولاسیون در طراحی گیرنده‌های هوشمند برای سیستم‌های مخابراتی نوین مانند برخی استانداردهای ارتباطات ماهواره‌ای که به‌طور همزمان از چند نوع مدولاسیون استفاده می‌کنند اهمیت فراوانی دارند. به‌منظور بهبود عملکرد سیستم تشخیص مدولاسیون، در چند سال اخیر، ایدة استفاده از چند گیرنده برای تشخیص نوع مدولاسیون مطرح شده است. در این مقاله تشخیص نوع مدولاسیون با استفاده از چند گیرنده برای سیگنال‌های به‌کاررفته در یکی از استانداردهای مخابرات ماهواره‌ای به نام DVB-S2بررسی شده است. از آنجا که آنتن‌های گیرنده می‌توانند در سطوح مختلف اطلاعات با یکدیگر همکاری داشته باشند، در این مقاله، روش‌هایی برای ادغام اطلاعات گیرنده‌ها در هر یک از سطوح سیگنال، ویژگی و تصمیم پیشنهاد و مقایسه شده است. در روش‌های پیشنهادی این مقاله از کامولنت‌ها به‌عنوان ویژگی و از شبکة عصبیMLPبه‌عنوان طبقه‌بندی‌کننده استفاده شده است. این روش‌ها به ازای شرایط مختلف شبیه‌سازی، ارزیابی و براساس عملکرد، میزان پیچیدگی و تجهیزات مورد نیاز برای پیاده‌سازی مقایسه شده‌اند. نتایج به‌دست آمده نشان داد ادغام اطلاعات در سطح سیگنال علاوه بر نیاز به حجم محاسبات کمتر، نسبت به روش‌های پیشنهاد شده برای ادغام اطلاعات در سطوح ویژگی و تصمیم عملکرد بهتری در طبقه‌بندی صحیح نوع مدولاسیون ارائه می‌دهد.
کلیدواژه‌ها
عنوان مقاله [English]
Multi-Receiver Modulation Classification for Satellite ommunications Signals
نویسندگان [English]
- M. Farhang
- H. Dehghani
چکیده [English]
Automatic Modulation Recognition is an important task for intelligent receivers in modern communication systems, in which several modulation types are used. In order to improve the performance of modulation classification systems, the idea of multi-receiver recognition has been developed recently. In this paper multiple receivers’ collaboration at different information levels is investigated for classification of signals used in DVB-S2 standard.Three methods are proposed for receivers’ cooperation at each one of signal, feature and decision levels. The proposed methods use cumulants and MLP neural network as signal features and classifier respectively. These methods are evaluated and compared through performance, complexity and equipment. The results show that receivers’ cooperation at signal level offers more accurate classification compared to feature and decision levels, in addition to less computational complexity.
کلیدواژه‌ها [English]
- modelation
- communication
- signal
- Neural Network
- Morello, A., “DVB-S2: The Second Generation Standard for Satellitebroad-Band Services,” IEEE, Vol. 94, No. 1, 2006, pp. 210–227.
- Ramkumar, B., “Automatic Modulation Classification for Cognitive Radios Using Cyclic Feature Detection,” IEEE Circuits and Systems Magazine, Vol. 9, No. 2, 2009, pp. 27–45.
- Abavisani, A., Soleimani, M. and Tabatabavakili, V., “A Novel Algorithm for Blind Adaptive Recognition Between 8-PSK and π/4-shifted QPSK Modulated Signals for Software Defined Radio Applications,” 4th International Conference Cognitive Radio Oriented Wireless Networks and Communications,
- Dobre, O. A., Abdi, A., Bar-Ness, Y. and Su, W., “A Survey of Automatic Modulation Classification Techniques: Classical Approaches and New Trends,” IET Commun., Vol. 1, Issue 2, 2007, pp. 137-156.
- Teng, X., Tian, P. and Yu, H., “Modulation Classification Based on Spectral Correlation and SVM,” 4th International Conference Wireless Communications, Networking and Mobile Computing,
- Hassan, K., Dayoub, I., Hamouda, W. and Berbineau, M. “Automatic Modulation Recognition Using Wavelet Transform and Neural Network,” IEEE 2009 9th International Conference on Intelligent Transport Systems Telecommunications, 2009, pp. 234-238.
- Ahmadi, N. and Berangi, R., “A Basic Sequential Algorithmic Scheme Approach for Classification of Modulation Based on Neural Network,” International Conference Computer and Communication Engineering, 2008, 565 – 569.
- Swami, A. and Sadler, B. M., “Hierarchical Digital Modulation Classification Using Cumulants,” IEEE Trans. Commun., Vol. 48, Issue 3, 2000, pp. 416-429,
- Lopatka, J. and Pedzisz, M., “Automatic Modulation Classification Using Statistical Moments and Fuzzy Classifier,” IEEE ICSP, Vol. 3, 2000, pp. 1500-1505.
- Headley,W. C., Reed, J. D. and da Silva, C. R. C. M., “Distributedcyclic Spectrum Feature-based Modulation Classification,” IEEE Wireless Commun. Netw. Conf., 2008.
- Bixio, L., Oliveri, G., Ottonello, M., Raffetto, M. and Regazzoni, C. S., “Signal Interception with Multiple Antennas for Cognitive Radio,” Software Defined Radio Technical Conference Proceedings, Oct. 2008.
- Forero, P. A., Cano, A. and Giannakis, G. B. “Distributed Feature-Basedmodulation Classification Using Wireless Sensor Networks,” IEEE Military Communications Conf., San Diego, CA, USA, 2008, pp. 1-7.
- Flohberger, M., Gappmair, W. and Koudelka, O., “Modulation Classifier for Signals Used in Satellite Communications,” Advanced Satellite Multimedia Systems Conference, 2010, pp.198-202.
- Kavalov, D. and Kalinin, V., “Neural Network Processor Based on SAW Devices for Digital Modulation Recognition”, Proceedings of the 8th Conference on HF Radio Systems and Techniques, Guildford, UK, Jul. 2000.
- Wang, L. X., Ren, Y. J. and Zhang, R. H., “Algorithm of Digital Modulation Recognition Based On Support Vector Machines,” Proceedings of the Eight International Conference on Machine Learning and Cybernetics (ICMLC), Vol. 2, 2009, pp. 980–983.
- Roganovic, M. M., Neskovic, A. M. and Neskovic, N. J., “Application of Artificial Neural Networks in Classification of Digital Modulations for Software Defined Radio,” IEEE EUROCON , 2009, pp. 1700-1706.
- Hagan, M. T. and Henhaj, M., “Training Feedforward Networks with the Marquardt Algorithm,” IEEE Trans. Neural Networks, Vol. 5, Issue 6, 1994, pp. 989–993
)