تشخیص مدولاسیون در کانال گوسی با استفاده از طبقه بندی کننده‌های مبتنی بر توابع جداساز

اخیرا آشکارسازهایی معرفی شده اند که با تخمین یک تابع موسوم به تابع جداساز، به حل مسائل آزمون فرضیه باینری می پردازند. مزیت این دسته از آشکارسازها در مقایسه با آشکارسازهای کلاسیک، بهبود عملکرد در پاره‌ای از شرایط است. با توجه به این نکته، در این مقاله می خواهیم، مشابه ایده توابع جداساز در حل مسائل آزمون فرضیه باینری، در مسائل طبقه بندی کننده نیز از توابع جداساز استفاده کنیم. اهمیت این موضوع آن است که علاوه بر اینکه منتج به طبقه‌بندی کننده‌های جدیدی خواهد شد امکان استفاده از تئوری‌های مبسوط در بحث آشکارسازی در مسائل طبقه‌بندی را برای آینده فراهم می‌کند. در این مقاله، ابتدا به صورت اجمالی به تبیین تفاوت ماهوی بین دو مساله آشکارسازی و طبقه بندی خواهیم پرداخت. سپس به معرفی آشکارسازهای مبتنی بر توابع جداساز در مسائل آشکارسازی پرداخته شده و این ایده را به مسائل طبقه بندی کننده تعمیم می‌دهیم. در ادامه به عنوان یک کاربرد، برای مساله تشخیص مدولاسیون در کانال awgn، یک تابع جداساز معرفی کرده و عملکرد آنرا بررسی می کنیم. شبیه‌سازی‌ها نشان می‌دهد که طبقه‌بندی کننده پیشنهادی، در بعضی از شرایط، دارای عملکرد بهتری نسبت به طبقه‌بندی کننده کلاسیک مبتنی بر ممان می‌باشد

Modulation Classification on AWGN Channel by Separating Functions

Recently some detectors have been introduced in the detection theory literature which based on estimating a separating functions (SF) solves the binary hypothesis testing problem. The advantage of using these detectors known as SF Estimation Test(SFET) with respect to some classic detectors is their better performance under some circumstances. In this paper we want to take a similar approach (using SF) toward binary classification problem. The importance of this approach is that besides using some new found classifiers in classification problem, exploiting rich mathematical concept behind the detection theory for classification problem becomes possible. First, we briefly clarify the fundamental difference of hypothesis problem and classification problem. Then we introduce some SFET for binary hypothesis problem and generalize them into classification context. In continue we use the SFET-based classifiers for modulation classification problem in AWGN channel. Simulation results show that the SFET based classifiers have better performance under some conditions with respect to classic moments-based approaches.