انتخاب ویژگی­های بهینه که بتوانند برای همه یا بیشتر مدولاسیون­ها تفکیک­پذیری ایجاد نماید؛ در تمامی روش­های قبلی دنبال می­گردید. در واقع روش­های قبلی همواره درصدد شناسایی و ارائه ویژگی خاصی از سیگنال بودند تا بتوانند با آن، درصد تشخیص سیستم شناساگر را افزایش دهند. به عنوان مثال در ]7[ با بهره گیری از تابع همبستگی طیفی، چند ویژگی برای شناسایی مدولاسیون‌های دیجیتال 2FSK، 4FSK، 2PSK، 4PSK، 8PSK و MSK[1] پیشنهاد شده می باشد. طبقه‌بندی کننده مورد بهره گیری ماشین بردار پشتیبان[2] (SVM) می باشد. در ]8[ از چگالی طیف توان که با روش FFT[3] به دست می‌آمد، به عنوان ویژگی برای شناسایی مدولاسیون‌های 2PSK و 4PSK بهره گیری گردیده می باشد. از طبقه‌بندی کننده MLP با الگوریتم یادگیری پس­انتشار خطا (BP[4]) در این شناساگر بهره گیری شده می باشد.

ویژگی­های دیگری نظیر طیف دوره‌ای، طیف نگاره منظومه‌ها، شکل منظومه‌ای، واریانس اندازه تبدیل موجک هار[5] و هیستوگرام توزیع دامنه لحظه‌ای نیز برای شناسایی انواع مدولاسیون­ها پیشنهاد شده­اند. در این روش­ها شناساگرهایی نظیر شبکه عصبی ART[6]، الگوریتم طبقه­بندی فازی[7] و شبکه عصبی MLP بهره گیری شده می باشد. عموما سیستم­های مبتنی بر این ویژگی­ها، به طول (تعداد) داده‌های دریافتی، تنظیم مرکز طیف و مقدمه سازی حساس بودند و پیچیدگی ساختار شبکه عصبی نیز از چالش­های این شناساگرها محسوب می­گردید]20-9[.

 

 متن فوق بخش هایی از این پایان نامه بود

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد

می توانید به لینک زیر مراجعه نمایید:

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه ارشد طراحی و تحلیل پارامتری تقویت کننده عملیاتی در تکنولوژی های CMOS و CNFET
دسته‌ها: دسته‌بندی نشده