Çeyrek modülasyon sinyallerinin doğrusal ve doğrusal olmayan sınıflandırması

Otomatik modülasyon sınıflandırması (AMC), alınan bir sinyalin modülasyon tipini otomatik olarak tanımlamak için iletişim alıcılarına entegre edilmiş modern bir teknolojidir. Bu çalışmada, sinyal-özellik çıkarma ve örüntü tanıma yöntemine dayanan iki yeni AMC algoritması tanıtılmıştır.İlk olarak, AMC yöntemleri özetlenmiştir. Daha sonra, bunların gelişimi, çıkarılan özellikleri, modüle edilmiş sinyalleri tanıma yetenekleri, çalışma konfigürasyonları ve bazı yeni AMC projeleri dahil olmak üzere güncel AMC algoritmaları, ön tarihsel gelişmelerinden tartışılmaktadır. Ayrıca, en son teknolojiye sahip AMC yöntemleri, özellik seçim grubuna, sınıflandırıcı yapısına, modülasyon sinyallerinin sayısına, kanal sistemine ve simülasyon aracına göre sınıflandırılır. İkincisi, hiyerarşik eşik sınıflandırıcı yapısına dayanan yeni bir AMC yöntemi sunulmaktadır. Önerilen sistem, logaritmik eşiklere dayanan çok sayıda ağaç içerir. Sistem, farklı dijital modülasyon şemaları arasında ayrım yapmak için ayırt edici özellikler olarak modüle edilmiş sinyalin yüksek dereceli kümülanlarının (HOC) logaritmik bir modifikasyonunu kullanır. Ayrıca, önerilen sistem, ilave beyaz Gauss gürültüsü (AWGN) ve düz sönümlendirme ortamlarında QPSK ve MQAM modülasyon tiplerini sınıflandırmak için test edilmiştir. Simülasyon sonuçları, istatistiksel olarak gürültülü kanal modellerinin koşulları altında 5 dB'lik düşük bir SNR'de çok iyi bir sınıflandırma oranının elde edildiğini göstermektedir. Bu, M-QAM sinyal sınıflandırmasında uygulama için logaritmik sınıflandırıcı modelin potansiyelini gösterir. Ayrıca, bu tezde, M-APSK DVB-S2X modülasyon sinyalleri standardında belirtilen modülasyon tanıma problemlerini hafifletmek için nöral ağ özelliklerine dayanan sınıflandırma algoritmalarında yeni yüksek mertebeden spektrum özelliklerinin (HOSF) kullanılmasını öneriyoruz. Sinyallerin HOSF karakteristikleri AWGN kanalı altında çıkarılır ve modülasyon sinyalleri kümeden {16, 32, 64}-APSK ayırmak için dört ayrı parametre tanımlanır. Bu yaklaşım, tanıyıcıyı daha akıllı hale getirir ve sınıflandırma başarı oranını artırır. Sonuçlar, 0dB'nin düşük bir SNR'sinde elde edilen mükemmel sınıflandırma doğruluğunu göstermektedir; bu önerilen özelliklerin M-APSK modülasyon sınıflandırması için bir sinir ağı sınıflandırıcısı ile birleştirilme potansiyelini göstermektedir. Son olarak, önerilen her iki algoritmada da kapsamlı simülasyonlar, literatürde daha önce önerilen sistemlere kıyasla sınıflandırma doğruluğunda ve sistem karmaşıklığında azalmada önemli bir iyileşmenin sağlandığını ortaya koymuştur.