دوره ۱۹، شماره ۴ - ( ۱۲-۱۴۰۱ )
جلد ۱۹ شماره ۴ صفحات ۱۸-۳ |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Nourollahi H, Hosseini S A, Shahzadi A, Shaghaghi Kandovan R. Signal detection Using Rational Function Curve Fitting. JSDP 2023; 19 (4) : 1
URL: http://jsdp.rcisp.ac.ir/article-1-1182-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1182-fa.html
نوراللهی حمید، حسینی سید ابوالفضل، شهزادی علی، شقاقی کندوان رامین. آشکارسازی سیگنال های مخابراتی بکمک برازش خم. پردازش علائم و داده‌ها. ۱۴۰۱; ۱۹ (۴) :۳-۱۸
گروه آموزشی مخابرات دانشکده برق و کامپیوتر واحد یادگار امام خمینی (ره) شهرری دانشگاه آزاد اسلامی تهران ایران
چکیده: (۱۲۰۸ مشاهده)
در این مقاله روش جدیدی برای آشکارسازی سیگنال های مخابراتی پیشنهاد شده است که بر مبنای استخراج ویژگی های سیگنال
مخابراتی بکمک برازش خم عمل می کند. در هریک از سمبل های سیگنال مخابراتی یک تابع تقریب کسر گویا بوسیله برازش بر
منحنی سیگنال آن ایجاد می شود. ویژگی های جدید توسط ضرایب چند جمله ای صورت و مخرج این تابع تقریب کسر گویا تعیین
می شوند. در روش پیشنهادی دو فاز آموزش و آزمون در نظر گرفته شده است. ابتدا در فاز آموزش الگوریتم، تعداد مشخصی سمبل
های تصادفی تولید می شود و توسط مدولاسیون دودویی ASK و FSK مدوله می شوند، درادامه سیگنال مدوله شده هریک از سمبل
ها در کانال به نویز جمع شونده گوسی آغشته می شود و توسط آنتن گیرنده دریافت می شود. سپس نمونه های مشخصی از شکل
موج سیگنال دریافت شده با نرخ نمونه برداری مشخص استخراج می شود. به ازای هر N=1500,12500 نمونه از سیگنال یک منحنی
کسر گویا با درجه L و M مشخص برازش می شود. سپس تمامی ضرایب صورت و مخرج تابع کسر گویا برازش شده با درجات L وM
مختلف ذخیره شده و هیستوگرام ضرایبی که قابلیت تفکیک کامل دو کلاس 0 و 1 را دارند بدست می آیند. لذا تمامی ضرایب با درجات
L و M مختلفی که امکان تفکیک کامل را دارند همراه با مرز تصمیم گیری شان در یک جدول ذخیره می شوند. شایان ذکر است که
داده های مورد استفاده جهت استخراج و شناسایی ضرایب تفکیک کننده، داده های آموزشی هستند. سرانجام جهت آنالیز کارایی
روش پیشنهادی، تعداد مشخصی از داده های آزمون با مدولاسیون مشخص ارسال می گردد و با مقایسه با مرزهای تصمیم گیری بدست
آمده در فاز آموزش نسبت به طبقه بندی آن در کلاس مورد نظر تصمیم گیری می شود. نتایج طبقه بندی روش پیشنهادی بیانگر برتری
روش پیشنهادی در مقایسه با روش احتمال خطا تئوری می باشد.
مخابراتی بکمک برازش خم عمل می کند. در هریک از سمبل های سیگنال مخابراتی یک تابع تقریب کسر گویا بوسیله برازش بر
منحنی سیگنال آن ایجاد می شود. ویژگی های جدید توسط ضرایب چند جمله ای صورت و مخرج این تابع تقریب کسر گویا تعیین
می شوند. در روش پیشنهادی دو فاز آموزش و آزمون در نظر گرفته شده است. ابتدا در فاز آموزش الگوریتم، تعداد مشخصی سمبل
های تصادفی تولید می شود و توسط مدولاسیون دودویی ASK و FSK مدوله می شوند، درادامه سیگنال مدوله شده هریک از سمبل
ها در کانال به نویز جمع شونده گوسی آغشته می شود و توسط آنتن گیرنده دریافت می شود. سپس نمونه های مشخصی از شکل
موج سیگنال دریافت شده با نرخ نمونه برداری مشخص استخراج می شود. به ازای هر N=1500,12500 نمونه از سیگنال یک منحنی
کسر گویا با درجه L و M مشخص برازش می شود. سپس تمامی ضرایب صورت و مخرج تابع کسر گویا برازش شده با درجات L وM
مختلف ذخیره شده و هیستوگرام ضرایبی که قابلیت تفکیک کامل دو کلاس 0 و 1 را دارند بدست می آیند. لذا تمامی ضرایب با درجات
L و M مختلفی که امکان تفکیک کامل را دارند همراه با مرز تصمیم گیری شان در یک جدول ذخیره می شوند. شایان ذکر است که
داده های مورد استفاده جهت استخراج و شناسایی ضرایب تفکیک کننده، داده های آموزشی هستند. سرانجام جهت آنالیز کارایی
روش پیشنهادی، تعداد مشخصی از داده های آزمون با مدولاسیون مشخص ارسال می گردد و با مقایسه با مرزهای تصمیم گیری بدست
آمده در فاز آموزش نسبت به طبقه بندی آن در کلاس مورد نظر تصمیم گیری می شود. نتایج طبقه بندی روش پیشنهادی بیانگر برتری
روش پیشنهادی در مقایسه با روش احتمال خطا تئوری می باشد.
شماره‌ی مقاله: ۱
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش گفتار
دریافت: 1399/7/14 | پذیرش: 1400/9/15 | انتشار: 1401/12/29 | انتشار الکترونیک: 1401/12/29
دریافت: 1399/7/14 | پذیرش: 1400/9/15 | انتشار: 1401/12/29 | انتشار الکترونیک: 1401/12/29
فهرست منابع
1. [1] T. S. Rappaport, Wireless communications: Principles and practice,2nd ed. Prentice Hall, 2002.
2. [2] R. M. Gagliardi and S. Karp, Optical communications, 2nd ed. Wiley,1995.
3. [3] H. Meyr, M. Moeneclaey, and S. A. Fechtel, Digital communication receivers: Synchronization, channel estimation, and signal processing. John Wiley & Sons, Inc., 1998.
4. [4] T. Schenk, RF imperfections in high-rate wireless systems: Impact and digital compensation. Springer Science & Business Media, 2008. [DOI:10.1007/978-1-4020-6903-1]
5. [5] J. Proakis and M. Salehi, Digital Communications, 5th ed. McGraw-Hill Education, 2007.
6. [6] A. Goldsmith, Joint source/channel coding for wireless channels, in Proc. IEEE Vehicular Technol. Conf., vol. 2, 1995, pp. 614-618.
7. [7] E. Zehavi, 8-PSK trellis codes for a Rayleigh channel, IEEE Trans.Commun., vol. 40, no. 5, pp. 873-884, 1992. [DOI:10.1109/26.141453]
8. [8] H. Wymeersch, Iterative receiver design. Cambridge University Press,2007, vol. 234. [DOI:10.1017/CBO9780511619199]
9. [9] K. Hornik, M. Stinchcombe, and H. White, Multilayer feedforward networks are universal approximators, Neural networks, vol. 2, no. 5, 1989,pp. 359-366. [DOI:10.1016/0893-6080(89)90020-8]
10. [10] S. Reed and N. de Freitas, Neural programmer-interpreters, arXiv preprint, 2015, arXiv: 1511.06279.
11. [11] H. T. Siegelmann and E. D. Sontag, On the computational power of neural nets, in Proc. 5th Annu. Workshop Computational Learning Theory. ACM, 1992, pp. 440-449. [DOI:10.1145/130385.130432]
12. [12] V. Vanhoucke, A. Senior, and M. Z. Mao, Improving the speed of neural networks on CPUs, in Proc. Deep Learning and Unsupervised Feature Learning NIPS Workshop, 2011.
13. [13] Y.-H. Chen, T. Krishna, J. S. Emer, and V. Sze, Eyeriss: An energyefficient reconfigurable accelerator for deep convolutional neural networks, IEEE J. Solid-State Circuits, vol. 52, no. 1, 2017 pp. 127-138,. [DOI:10.1109/JSSC.2016.2616357]
14. [14] R. Raina, A. Madhavan, and A. Y. Ng, Large-scale deep unsupervised learning using graphics processors, in Proc. Int. Conf. Mach. Learn.(ICML). ACM, 2009, pp. 873-880. [DOI:10.1145/1553374.1553486]
15. [15] A. Atieg, G.A. Watson, " A class of methods for fitting a curve or surface to data by minimizing the sum of squares of orthogonal distances", Journal of Computational and Applied Mathematics 158 2003 277-296, doi:10.1016/S0377-0427(03)00448-5 [DOI:10.1016/S0377-0427(03)00448-5]
16. [16] Mostafa Ghazizadeh Ahsaee, Hadi Sadoghi Yazdi, Mahmoud Naghibzadeh, " Curve fitting space for classification", Neural Comput & Applic 2011 20:273-285 DOI 10.1007 / s00521-010-0383-7 [DOI:10.1007/s00521-010-0383-7]
17. [17] Maryam Haddadi, Maliheh Ahmadi, Mohammad Reza Keyvanpour, and Noushin Riahi" Using Curve Fitting in Error Correcting Output Codes" Journal of Soft Computing and Information Technology (JSCIT), 2016, Vol. 5, No. 1
18. [18] Seyed Abolfazl Hosseini, Hassan Ghassemian, " Rational function approximation for feature reduction in hyperspectral data " Taylor & Francis, Remote Sensing Letters, 2016 ,Volume 7, Issue 2, Pages 101-110. [DOI:10.1080/2150704X.2015.1101180]
19. [19] Mersedeh Beitollahi, S Abolfazl Hosseini, " Using Savitsky-Golay filter and interval curve fitting in order to hyperspectral data compression ", IEEE, Iranian Conference on Electrical Engineering (ICEE), Pages 1967-1972 , 2017 [DOI:10.1109/IranianCEE.2017.7985378]
20. [20] Maryam Hamidi, Hassan Ghassemian∗, Maryam Imani " Classification of heart sound signal using curve fitting and fractal dimension" Elsevier, Biomedical Signal Processing and Control 39, 2018 ,351-359 [DOI:10.1016/j.bspc.2017.08.002]
21. [21] Yazan A. Alqudah, " Path Loss Modeling Based on Field Measurements Using Deployed 3.5GHzWiMAX Network " Springer Science+Business Media, LC, Wireless Pers Commun , 2012,DOI 10.1007/s11277-012-0612-8 Path. [DOI:10.1007/s11277-012-0612-8]
22. [22] HARRY L. VAN TREES, KRISTINE L. BELL, with ZHI TIAN, " Detection, Estimation, and Modulation Theory Part I: Detection, Estimation, and Filtering Theory Second Edition ", John Wiley & Sons, Inc. 2013
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
