دسته‌بندی کور کدهای فضا-زمان با استفاده از یادگیری ماشین

مهم ترین خصوصیتی که شناسایی کور کدهای فضازمان را از سایر انواع شناسایی کور مخابراتی متمایز می کند این است که برای نفوذ در بسیاری از سامانه های مخابراتی مدرن که از روش های ارسال و دریافت چندآنتنی استفاده می کنند، اولین قدم شناسایی کور کد فضازمان به کاررفته است. در این مقاله، دسته بندی کور در مجموعه وسیعی از کدهای فضازمان با استفاده از ابزارهای یادگیری ماشین مورد بررسی قرار گرفته است. از آنجا که در کارهای پیشین، تنها دسته بندی کدهای فضازمان متعامد مورد بررسی قرار گرفته است، یکی از نوآوری های این مقاله افزودن کدهای شبه متعامد و همچنین سامانه ارسال تک آنتنی به این دسته بندی است. بهبود عملکرد روش های مرسوم دسته بندی نیز یکی دیگر از نوآوری های این مقاله است. نتایج شبیه سازی نشان می دهد که درخت تصمیم ایجاد شده توسط تعداد زیادی از ویژگی های استخراج شده از ماتریس های همبستگی، نسبت به سایر روش های مرسوم شناسایی دارای عملکرد نسبتاً بهتر، به خصوص در شرایط بسیار نویزی، است.

Blind Classification of Space-Time Codes Using Machine Learning

For eavesdropping of modern telecommunications systems, which employ multiple transmit and receive antennas, the first step is to recognize the spacetime code. In this paper, we propose a method to classify within broad categories of spacetime codes. The method is based on machine learning and pattern recognition. Compared to the previous published researches, the novelty of this paper is including quasiorthogonal spacetime codes and also single antenna transmitter in identification set. Moreover, the method described in this paper outperforms the current classification methods. It is shown that the decision tree classifier based on several features extracted from correlation matrices, has practical advantages over the current classification methods, especially when data is very noisy.