آشکارسازی سیگنال های مخابراتی بکمک برازش خم

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.  

signal detection using rational function curve fitting

in this manuscript, we proposed a new scheme in communication signal detection which is respect to the curve shape of received signal and based on the extraction of curve fitting (cf) features. this feature extraction technique is proposed for signal data classification in receiver. the proposed scheme is based on curve fitting and approximation of rational fraction coefficients. for each symbol of received signal, a specific rational function approximation is developed to fit with received signal curve and the coefficients of the numerator and denominator polynomials of this function are considered as new extracted features. then  it will be shown that the coefficients of this polynomials have the potential for using as new features in a statistical classifier and have better performance in competition with other solutions such as linear and even nonlinear feature extraction methods in  classification. the criteria used in performance evaluation are  probability of error and signal to noise ratio in fsk and ask modulations. for each symbol of received signal, a specific rational function approximation is developed to fit with received signal curve and the coefficients of the numerator and denominator polynomials of this function are considered as new extracted features. in the proposed method, there are two phases train and test, which are described in the following two steps. first, in the train phase, the algorithm starts by using binary fsk and ask modulations, so first, a system generate a number of random symbols then signal is modulated by binary ask and fsk. the modulated fsk and ask signals are corrupted in the channel with noise. the noise-corrupted signal enters the receiver at the corresponding transmitted interval. then, the samples are extracted from the modulated signals based on predetermined sample rates. then, we fit a rational fraction curve with degrees of l and m to each set of n samples. afterward, we apply all the numerator (l+1) and denominator (m) coefficients to 0 and 1 classes  in the binary fsk and ask modulations. we store all the specific coefficients of the deterministic symbols at different m and l values to create the corresponding histogram in each class. in each histogram (i.e., the coefficients of a class), we extract and store specific coefficients that completely discriminate between the two classes. therefore, we determine all the histograms where there is a good approximation of discrimination and create the related table. note that the data used in histograms are the training data. then, in order to analyze and evaluate the performance of the proposed curve fitting method, we send the testing data through the channel corresponding to the related modulator. the results of the proposed classification method show that it provides smaller error rate regarding to the theoretical error rate probability in awgn channel.