پس از استخراج ویژگی‌ها این ویژگی‌ها وارد واحد طبقه‌بندی کننده­ SVM شده تا بر این اساس شناسایی و تفکیک مدولاسیون‌ها صورت گیرد. ابتدا از SVM در تشخیص نوع مدولاسیون بدون بهینه‌سازی ویژگی­ها (یعنی از تمام ویژگی­ها) استفاده شده است. در ادامه براساس ویژگی‌های استخراج‌شده، از COA برای بهبود عمل­کرد واحد استخراج ویژگی (تعیین ضرایب بهینه برای ویژگی­های مناسب) استفاده شده است. این ویژگی های جدید برای هر نوع مدولاسیون منحصر به فرد بوده و علاوه بر اینکه بعد هزینه‌ی محاسباتی را کاهش می­ دهند؛ درصد موفقیت سیستم را نیز به طرز چشمگیری افزایش می­ دهند. نتایج بدست آمده در کانالAWGN و نیز کانال­های محوشونده نشان از قابلیت بالای سیستم پیشنهادی دارد. این فصل به تفسیر موارد ذکر شده اختصاص دارد.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۳-۲-۱- شناسایی نوع مدولاسیون به کمک تمام ویژگی­ها (آمارگان مرتبه­ی بالا)
در این قسمت همه ویژگی­های استخراجی، در واحد طبقه بندی کننده مورد بررسی و آزمایش قرار می گیرند. شکل ۳-۳ بلوک دیاگرام تشخیص نوع مدولاسیون دیجتال استفاده‌شده در این قسمت را نشان می‌دهد. ابتدا سیگنال دریافتی وارد واحد پیش‌پردازش می‌شود. در این واحد سیگنال­ها نسبت به توان نرمالیزه شده، تا اثر توان در تشخیص در نظر گرفته نشود. در ادامه سیگنال نرمالیزه شده وارد واحد استخراج ویژگی می‌شود که در فصل دوم به آن پرداخته شده است. همان­طور که اشاره شد در این واحد ویژگی آمارگان تا مرتبه‌ی هشتم سیگنال محاسبه می­ شود. پس از استخراج ویژگی‌ها این ویژگی‌ها وارد واحد طبقه‌بندی کننده شده تا بر اساس این ویژگی‌ها شناسایی و تفکیک مدولاسیون‌ها صورت گیرد.
شکل ۳-۳- دیاگرام کلی شناساگر مدولاسیون براساس استخراج ویژگی‌ها آمارگان مرتبه بالا]۶[.
۳-۲-۱-۱- نتایج شبیه‌سازی به کمک طبقه‌بندی کننده SVM در کانال AWGN
در این قسمت با توجه به شرایط ذکرشده با بهره گرفتن از طبقه‌بندی کننده‌ی SVM در تفکیک مدولاسیون‌ها در کانال AWGN پرداختیم. در این قسمت از سیستم چندحاملی استفاده نشده و در واحد طبقه‌بندی­کننده نیز، انواع کرنل‌های معروف مورد آزمایش قرار گرفته است. به طوری کلی در تشخیص نوع مدولاسیون، تابع کرنل GRBF نسبت به بقیه کرنل‌ها دارای عمل­کرد بهتری است]۶-۳[. مقدار پارامترهای طبقه‌بندی کننده SVM (پارامتر پهنای کرنل GRBF و پارامتر ) با روش سعی و خطا تنظیم شده‌اند. جدول ۳-۲ مقدار عمل­کرد SVM را با کرنل GRBF برای SNR های متفاوت نشان می­دهد. در سیگنال به نویزهای پایین درصد تشخیص کلی سیستم به علت نزدیک بودن مقدار چند ویژگی پایین بوده و زمان اجرا نیز متأثر از بالا بودن تعداد ویژگی­ها و نیز تداخل آنها در سیگنال به نویز پایین است. شکل ۳-۴ عمل­کرد SVM را در SNR های متفاوت به ازای کرنل های مختلف نشان می­دهد.
جدول ۳-۲- عمل­کرد SVM برای SNR های مختلف(۱۲۵۰, =۱۰c=)

زمان شناسایی(دقیقه)

درصد موفقیت(%)

SNR (dB)

۳٫۹۶

۵۸٫۱۶

۱۰-

۳٫۸۴

۶۴٫۳۳

۸-

۳٫۷۵

۷۴٫۹۲

۶-

۲٫۸

۸۰٫۶۷

۴-

۱٫۴۵

۸۶٫۶۷

۲-

۱٫۲۵

۸۸٫۳۳

۰