fa تشخیص خودکار مدولاسیون با استفاده از برنامه نویسی ژنتیک و شبکه عصبی چند لایه پرسپترون مقالات گروه امنیت اطلاعات Paper پژوهشي Research تشخیص مدولاسیون سیگنال دریافتی گام میانی بین تشخیص سیگنال و دمدولاسیون آن محسوب می شود؛ به طوری که در بسیاری از سیستم های مخابراتی و نظامی تشخیص خودکار مدولاسیون جزئی از سیستم در نظر گرفته می شود. برای تشخیص خودکار مدولاسیون به طور معمول تعدادی ویژگی از سیگنال دریافتی استخراج و به کار گرفته می شود، در این رابطه، انتخاب ویژگی مناسب، تأثیر به سزایی در افزایش کارایی تشخیص خودکار مدولاسیون دارد. در این مقاله با کمک برنامه نویسی ژنتیک از بین ویژگی های ورودی، ویژگی مناسب برای جداسازی هر مدولاسیون تولید و انتخاب می شود. شبیه سازی با سیگنال های مدوله شده با مشخصه سیگنال به نویز پنج و ده دسی بل صورت گرفت. مجموعه ای از آزمایش ها در این پژوهش صورت گرفت که هدف از آنها تعیین میزان کارایی برای سیگنالهای مدوله شده با مدولاسیونهای پرکاربرد و متداول مخابراتی بوده است. پس از انتخاب ویژگی مناسب برای جداسازی مدولاسیونها از شبکه عصبی پرسپترون چند لایه برای جداسازی نوع مدولاسیون استفاده می شود نتایج حاصل نشان می دهد به‌کارگیری ویژگی هایی که سیستم مورد نظر پیشنهاد می دهد منجر به افزایش قابل توجهی در تشخیص دقیقتر و سریعتر نوع مدولاسیون می شود. This paper shows how we can make advantage of using genetic programming in selection of suitable features for automatic modulation recognition. Automatic modulation recognition is one of the essential components of modern receivers. In this regard, selection of suitable features may significantly affect the performance of the process. In this research we implemented our model by using appropriate software and hardware platforms. Simulations were conducted with 5db and 10db SNRs. We generated test and training data from real ones recorded in an actual communication system. For performance analysis of the proposed method a set of experiments were conducted considering signals with 2ASK, 4ASK, 2PSK, 4PSK, 2FSK and 4FSK modulations. The results show that the selected features by the suggested model improve the performance of automatic modulation recognition considerably. During our experiments we also reached the optimum values and forms for mutation and crossover ratio, elitism policy, fitness function as well as other parameters for the proposed model. تشخیص خودکار , مدولاسیون ,برنامه نویسی ژنتیک, شبکه عصبی Feature Selection, Modulation recognition, Genetic Programming, Neural Network. 49 58 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-119-1&slc_lang=fa&sid=1 Mohammad Ghasemzadeh محمد قاسم زاده m.ghasemzadeh@yazd.ac.ir 10031947532846001081 10031947532846001081 Yes Yazd University دانشگاه یزد Karim Hessampour کریم حسام پور k.hessampour@stu.yazd.ac.ir 10031947532846001082 10031947532846001082 No Yazd University دانشگاه یزد