طراحی کنترلرهای SISO و MIMO
نتیجه‌گیری
در این فصل ترکیبی از ممان­های آماری تا مرتبه هشتم و کومولان­های آماری تا مرتبه هشتم که با جزییات بیشتری در مرجع [۶] به عنوان ویژگی معرفی شد؛ جهت استخراج ویژگی­های ابتدایی از داده ­های دریافتی انتخاب گردید. بررسی­ها نشان می­دهد که این ویژگی‌ها قادرند تا برای شناسایی انواع مختلفی از مدولاسیون‌های دیجیتال به کار روند. مشابه ضرایب سری فوریه برای یک تابع، ممان­های آماری مرتبه بالا و کومولان­های مرتبه بالا نیز، (برای تابع چگالی احتمال) حاوی اطلاعات بسیار بیشتری نسبت به ویژگی‌های دیگر (نظیر ویژگی‌های حوزه زمان و حوزه فرکانس) می‌باشند. با این حال علیرغم تمام مزایای بالقوه­ای که آمارگان مرتبه­ی بالا دارند؛ باید خاطرنشان نمود که این ویژگی‌ها همچنان با ویژگی‌های ایده­آل، فاصله ‌دارند. این ادعا به دو دلیل قابل اثبات است. دلیل نخست اینکه بیشتر این ویژگی‌ها در نسبت‌های پایین سیگنال به نویز، دارای مقداری نزدیک به صفر است. به عنوان مثال براساس میانگین مقادیر کومولان­ها، که در شکل­های۲-۴-الف تا ۲-۴-ر. نشان داده شد، به ازای SNR کمتر از dB4- تمایز بین سیگنال­ها دشوار خواهد بود. دلیل دوم آنکه، مقادیر یک ویژگی در مدولاسیون های مختلف با هم برابر است. به عنوان نمونه، مطابق شکل۲-۳-ذ. مقدار ویژگی ممان مرتبه‌ی هشت-صفر، برای ۸ نوع از این مدولاسیون‌ها، نمی‌تواند مبین صفات برجسته‌ای باشد. (خواننده علاقه‌مند می‌تواند نمونه‌های بیشتری از ویژگی‌ها را، لیست نماید).

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

در این فصل، ویژگی‌های آمارگان مرتبه بالا برای انواع مختلف مدولاسیون دیجیتال محاسبه شده است. تعداد تمامی این ویژگی­ها برابر با ۲۶ ویژگی است. در حالت کلی برای شناسایی انواع مدولاسیون‌ها ممکن است؛ از همه این ویژگی‌ها استفاده نشود و فقط برخی از ویژگی‌ها و یا ترکیبی از آن‌ها، که کارآیی بیشتری دارند؛ برگزیده شوند. (ویژگی‌هایی که قابلیت تفکیک بیشتری ایجاد می‌کنند و در مقابل نویز نیز مقاومت بیشتری از خود نشان می‌دهند). در روش­های قبلی که از این ویژگی­ها استفاده شده است همواره واحدی (فرعی) به نام واحد بهینه­ساز به واحد (اصلی) طبقه بندی کننده اضافه می­شد. این روش­ها، عموما براساس تعریف تابع هزینه به­ صورت میزان درصد تشخیص صحیح در هر تکرار، سعی در انتخاب بهترین ویژگی از میان ویژگی­های موجود و نیز بهینه سازی پارامترهای واحد طبقه بندی داشتند. ترکیب خطی ویژگی‌ها، ایده‌ی محوری این پایان نامه برای کاهش همبستگی میان ویژگی­هاست که در ادامه شرح داده می‌شود.
علاوه بر آن، در این فصل ابزار مورد نیاز برای طراحی شناساگرهای مورد نظر معرفی شده ­اند. جهت طراحی سیستم تشخیص در انتقال با نرخ بالای اطلاعات و در عین حال مقاوم نسبت به محوشوندگی فرکانس گزین کانال، به بررسی تکنیک OFDM پرداختیم. با توجه به لزوم داشتن ویژگی­های کلیدی از سیگنال­های دریافتی، الگوریتم تکاملی فاخته جهت بهبود عمل­کرد واحد استخراج ویژگی معرفی و شرح داده شد. طبقه ­بندی­کننده­ ماشین بردار پشتیبان به دلیل خاصیت تعمیم پذیری بالا بر روی داده ­های ندیده، شرح داده شده است. در واقع SVM با بهره گرفتن از یک تابع کرنل، بردارهای ورودی را به فضای دیگری که تفکیک­پذیری خطی بهتر و قاطعانه­تری در آن انجام می­ شود؛ نگاشت کرده و می ­تواند ابر صفحه تفکیک­گر بهینه را در یک فضای جدید ایجاد نماید. با بهره گرفتن از کرنل­های مختلف، می­توان روش­های فراگیری مختلفی را با انواع سطوح تصمیم ­گیری دلخواه، ساخت. این طبقه بندی کننده دارای دو پارامتر اساسی کرنل و C است که تاثیر مهمی در عمل­کرد آن دارد.
فصل سوم
معرفی روش پیشنهادی و نتایج شبیه­سازی­ها
مقدمه
در این فصل با بهره گرفتن از ویژگی‌های آمارگان مرتبه بالا به ارائه سیستم شناسایی پیشنهادی می‌پردازیم. بعد از بیان و شرح روش پیشنهادی، نتایج شبیه­سازی­ها ارائه و شرح داده می­ شود. در ابتدا از این ویژگی­ها (که مجموعا ۲۶ ویژگی است) برای شناسایی نوع مدولاسیون بهره می­بریم. آنگاه از ایده­ جدید برای نگاشت فضای ویژگی­ها به فضای مناسب در این حوزه، بهره می­بریم. خاطر نشان می­ شود که مقایسه مستقیم عددی یک روش ارائه‌شده با روش‌های دیگر در شناسایی مدولاسیون بسیار دشوار بوده و در بسیاری از موارد غیرممکن است]۱۴[. دلایلی چون عدم وجود پایگاه داده استاندارد و مجموعه داده یکپارچه در این مورد و نیز تفاوت تنظیمات^[۹۰] سیستم­ها (نظیر نوع و تعداد مدولاسیون، شرایط محیطی و فرضیات مسئله در مورد فرستنده، کانال و گیرنده) می ­تواند در این زمینه بیان شود. از این­رو در این پژوهش بیشتر قابلیت‌های روش جدید را توضیح می‌دهیم.
۳-۱- الگوریتم فاخته در بهینه سازی عمل­کرد سیستم استخراج ویژگی
۳-۱-۱- انتخاب ویژگی
مساله انتخاب ویژگی، یکی از مسائلی است که در مبحث یادگیری ماشین و همچنین شناسائی آماری الگو مطرح است. این مساله در بسیاری از کاربردها مانند طبقه بندی اهمیت به سزائی دارد، زیرا در اکثر این کاربردها تعداد زیادی ویژگی وجود دارد، که بسیاری از آنها یا بلا استفاده هستند و یا اینکه بار اطلاعاتی چندانی ندارند. روش­های متفاوتی برای انتخاب بهینه بردار ویژگی در مسائل تشخیص الگو پیشنهاد شده ­اند که اغلب علاوه بر پیچیدگی محاسباتی، وابسته به نوع طبقه بندی کننده نیز می­باشند. با انتخاب ویژگی­های مناسب از بین ویژگی­های استخراج شده، می توان علاوه بر دست یافتن به دقت طبقه ­بندی بالا، هزینه­ های محاسباتی و پیچیدگی سیستم را کاهش داد و از استخراج و اندازه ­گیری ویژگی­های غیر ضروری در مرحله آزمایش و تست خودداری نمود. در یک مجموعه داده با n ویژگی، زیـر مجموعـه­ی کاندیـدا وجود دارند که می­توانند به عنوان زیرمجموعـه­ی برگزیـده انتخـاب شوند. برای یافتن تضمینی جواب بهینـه، بایـد جسـتجوی کامـل انجام شود و همه زیرمجموعه­های ممکن مورد بررسی قرار گیرند. از آنجا که در عمل چنین کاری میسر نیست، تحقیقات فراوانی در مورد مسئله انتخاب ویژگی صورت گرفته است. با این حال این بحث هنوز هم یکی از موضوعات مهم و مورد علاقه متخصصان علم بازشناسی الگو است. در بحث انتخاب ویژگی احتیاجی به محاسبه و اندازه ­گیری همه ویژگی­های اصلی نیست و ما به تعداد مشخصی از ویژگی­های اصلی نیاز داریم. روش­های مختلفی برای جستجو در فضای ویژگی برای مسئله انتخاب ویژگی ارائه شده است. در یکی از این روش­ها که به روش جستجوی مستقیم متوالی^[۹۱](SFS) موسوم است؛ فرایند جستجوی زیر مجموعه ویژگی مناسب با یک مجموعه تهی از ویژگی­ها شروع شده و به طور متوالی ویژگی­های مناسب به این مجموعه اضافه شود]۴۷[. روش دیگر جستجوی متوالی بدین صورت است که فرایند انتخاب ویژگی با انتخاب یک مجموعه کامل از ویژگی­های اصلی آغاز می­ شود و بعضی از ویژگی­ها متعاقبا حذف می­گردند که به این روش، جستجوی برگشتی متوالی^[۹۲](SBS) می­گویند ]۴۹-۴۸[. روش­های جستجوی متوالی علیرغم اینکه روش­های سریع و ساده­ای هستند اما با این مشکل رو به رو هستند که اگر یک ویژگی در یک مرحله حذف یا اضافه شود در مراحل بعدی نمی­ توان آن را اضافه یا حذف کرد.
به طور کلی انتخاب بهترین زیر مجموعه از ویژگی ها به وسیله روش های جستجوی متوالی یک عیب بزرگ دارد و آن این است که در این نوع جستجو کل فضای ویژگی با هم در نظر گرفته نمی­ شود و ممکن است ویژگی که در یک مرحله حذف می­ شود؛ در کنار ویژگی­های دیگر موجب بهبود کارایی سیستم شود. به همین دلیل محققان به الگوریتم های جستجوی سراسری^[۹۳] روی آوردند. در روش­های جستجوی سراسری، کل فضای ویژگی، با هم در نظر گرفته می­ شود و یک الگوریتم ابتکاری (مانند الگوریتم ژنتیک^[۹۴] یا هوش جمعی ذرات) در هر تکرار تعدادی زیر مجموعه ویژگی تولید می­ کند و در اختیار تابع ارزیابی قرار می­دهد. در واقع الگوریتم­های جستجوی سراسری با بررسی مناطق موثر فضای ویژگی، بدون جستجوی کل^[۹۵] آن، نسبت به یافتن زیرمجموعه ­های کارآمد و مطلوب از بردارهای ویژگی اقدام می­ کنند. دقت جستجو به وسیله الگوریتم­های جستجوی سراسری از دقت جستجوی ترتیبی بیشتر است و زیرمجموعه­های بهتری را تولید می­ کند ولی حجم محاسبات و پیچیدگی زمانی این الگوریتم ها از جستجوی ترتیبی بیشتر است. از الگوریتم­های ابتکاری که به منظور انتخاب ویژگی به روش جستجوی سراسری به کار رفته­اند، می­توان به الگوریتم ژنتیک (GA)، الگوریتم کلونی مورچه^[۹۶](ACO) و الگوریتم بهینه سازی گروه ذرات^[۹۷] (PSO) اشاره کرد]۵۰[.
الگوریتم­های انتخاب ویژگی از نظر ارزیابی زیر مجموعه ویژگی­ها سه روش کلی را دنبال می­ کنند. در روش اول که فیلتر^[۹۸] نام دارد بدون در نظر گرفتن مسئله طبقه بندی الگوها، و صرفا بر اساس معیارهایی (مانند معیار آنتروپی، فاصله و …)، که در فضای ویژگی تعریف می­ شود؛ زیر مجموعه­های ویژگی مناسب انتخاب می­شوند. مشکل اصلی این روش این است که گاهی ویژگی­هایی را حذف می­ کند که ممکن است به کارگیری آنها در کنار سایر ویژگی­ها، نتایج مطلوبی به دست دهد. به منظور غلبه بر این مشکل از روش wrapper استفاده می­ شود. در این روش به منظور ارزیابی زیر مجموعه ویژگی­های انتخاب شده به جای استفاده از معیارهایی که بر روی خود بردارهای ویژگی تعریف می­شوند، از یک طبقه­بند و نرخ تشخیص آن، استفاده می­ شود. در برخی از تحقیقات، ابتدا با روش فیلتر یک زیرمجموعه از ویژگی­ها را انتخاب می­ کنند؛ سپس با بهره گرفتن از روش wrapper، به انتخاب زیرمجموعه­ی ویژگی نهایی اقدام می­ کنند. این روش­ها به عنوان روش­های ترکیبی^[۹۹] شناخته می­شوند. در بعضی از مقالات نیز به ارائه­ راه­کارهایی برای مصالحه بین دو اصل مهم در انتخاب ویژگی، یعنی انتخاب کوچکترین زیر مجموعه ویژگی و نرخ تشخیص صحیح بالا، پرداخته شده است]۵۰[.
گرچه در روش جستجوی سراسری، زیرمجموعه­­های کارآمد و مطلوبی از بردارهای ویژگی ارائه می­ شود؛ اما در صورت بالا بودن ابعاد فضای ویژگی در این روش نمی­ توان ابعاد بردار ویژگی انتخابی را از یک حدی پایین­تر آورد. علاوه بر آن این روش­ها در مورد ویژگی­هایی که از نظر مقداری به یکدیگر خیلی نزدیک­اند؛ کارایی لازم را ندارند.
با توجه به بالا بودن تعداد ویژگی­های آمارگان مرتبه بالا، انتخاب تعداد مشخصی از ویژگی­های اصلی، که به­توانند، صفات برجسته­ای از سیگنال­ها را بیان نمایند؛ دشوار است. ما در این پژوهش COA را جهت نگاشت فضای اولیه ویژگی­ها به یک فضای ویژگی جدید برای تشخیص نوع مدولاسیون مورد استفاده قرار داده­ایم. ازCOA در انتخاب حداکثر ۴ ویژگی از بین مجموعه ویژگی­های آمارگان مرتبه بالا در سیگنال به نویز­های مختلف استفاده کردیم و به این ترتیب با کاهش ابعاد ویژگی در ورودی طبقه­بند، علاوه بر صرفه­جویی در هزینه­ محاسباتی، عمل­کرد سیستم شناسایی را بهبود بخشیدیم. در ادامه روش پیشنهادی و نحوه به­ کارگیری الگوریتم COA را در بهبود عمل­کرد سیستم استخراج ویژگی شرح داده می­ شود.
۳-۱-۲- روش پیشنهادی جهت بهبود عمل­کرد سیستم استخراج ویژگی
ممان­ها و کومولان­های مرتبه­ی بالا، به علت قابلیت خوبی که نمایش ویژگی­هایی منحصر به فرد اغلب مدولاسیون­های دیجیتال دارند؛ در اکثر پژوهش­های مبتنی بر DT مورد استفاده قرار می­گیرند. چنانچه در قسمت نتایج شرح داده می­ شود این ویژگی در بعضی از SNR ها می­توانند چند دسته مدولاسیون‌ را در سیگنال به نویزهای مختلف به خوبی از هم تفکیک نماید. با این­حال علیرغم تمام مزایای بالقوه­ای که آمارگان مرتبه بالا (ممان­ها و کومولان­ها) دارند؛ باید خاطر نشان نمود که این ویژگی‌ها همچنان با ویژگی‌های ایده­آل، فاصله ‌دارند. بیشتر ویژگی­هایی که از آمارگان مرتبه بالا استخراج می­شوند؛ در یک SNR مشخص با یکدیگر تداخل دارند. علاوه بر آن تغییرات ویژگی­ها در SNR های مختلف زیاد است. به بیان دیگر باید گفت که همبستگی میان ویژگی­ها زیاد است. زیاد بودن تعداد (بالا بودن ابعاد) فضای ویژگی­ها و استفاده از همه این ویژگی­ها در واحد طبقه ­بندی­کننده نیز چالش دیگری است که سیستم تشخیص را با پیچیدگی مواجه می­سازد. در این پژوهش به عنوان یک روش ابتکاری جدید، ترکیب خطی وزن دار تعدادی از ویژگی­ها برای تولید زیرمجموعه ویژگی­ها، پیشنهاد شده است. در واقع اگر بتوان با ترکیب خطی چند ویژگی مناسب، فضای ویژگی­ها را به فضای ویژگی شکل ۲-۲ نگاشت نمود؛ آنگاه با درصد اطمینان بالایی می­توان ضمن کاهش ابعاد ویژگی و نیز کاهش پیچیدگی، کارایی سیستم را بهبود بخشید. در این روش از میان ویژگی تنها ویژگی به­ صورت ترکیب خطی وزن­دار در واحد طبقه ­بندی­کننده شرکت می­ کنند. چنانچه فضای ویژگی مدولاسیون را، با بردار و بردار ضرایب وزن را با نمایش دهیم؛ آنگاه، نمایش ویژگی خروجی، با رابطه زیر بیان خواهد شد.

(۳-۱)

در رابطه (۳۶) بردار تنها شامل ضریب غیر صفر بوده و عبارت به معنی ترانهاده است. برای انتخاب ویژگی به وسیله­ الگوریتم COA راه حل­ها شامل اعداد ها و شماره­های ها به منزله­ی انتخاب ویژگی و ضرایب متناظر آن است. شکل ۳-۱ نمایی از این روش را نشان می­دهد.
شکل۳-۱- سیستم پیشنهادی استخراج ویژگی
۳-۱-۲- نحوه به کارگیری الگوریتم فاخته به منظور انتخاب ویژگی
در یک مجموعه داده با ویژگی، حالت مختلف برای انتخاب ویژگی وجود دارند که می­توانند به عنوان زیرمجموعـه برگزیـده انتخـاب شوند. از طرفی فرایند انتخاب یک ویژگی و انتخاب مقدار ضریب متناظر، باید باهم صورت گیرد. از این رو حل این مسئله به یک مسئله بهینه­سازی منجر می­ شود. الگوریتم تکاملی فاخته طی روش­ جستجوی سراسری، کل فضای ویژگی را با هم در نظر گرفته و در هر تکرار تعدادی زیر مجموعه ویژگی با ضرایب وزن­دار تولید کرده و در اختیار تابع ارزیابی قرار می­دهد. در صورتی که شرط توقف برآورده شود، الگوریتم ویژگی­های استخراجی را به واحد طبقه ­بندی­کننده می­دهد.
در این پایان نامه در کانال AWGN، ترکیب خطی ۳ ویژگی به عنوان ویژگی نهایی انتخاب می­ شود. براین اساس مکان هر فاخته، یک بردار ۶ بعدی به­ صورت است که در آن سه بعد اول جهت نمایش اندیس ویژگی انتخابی از فضای ویژگی و سه بعد بعدی ضرایب وزن­دار متناظر است. شکل ۳-۲ نمایشی از سیستم استخراج ویژگی مبتنی بر الگوریتم بهینه سازی فاخته را نشان می­دهد. در این پایان نامه مجموع تمام ویژگی­های آماری برابر با ۲۶ ویژگی و فضای جست و جوی بردار وزن، در کانال AWGN برابر با و در کانال محوشونده برابر با در نظر گرفته شد. تابع هدف بهینه سازی به­ صورت رابطه زیر در نظر گرفته شده است.

(۳-۲)

شکل ۳-۲- روندنمای سیستم ترکیبی هوشمند
۳-۲- نتایج شبیه­سازی
در این قسمت ما نتایج حاصل از ترکیب این ویژگی‌ها در شناسایی مدولاسیون‌های ۴ASK، ۸ASK، ۲PSK، ۴PSK،۸PSK ، ۱۶QAM، ۶۴QAM، ۱۲۸QAM، ۲۵۶QAM و V29را به همراه طبقه ­بندی کننده­ SVM ارائه شده است. سیگنال­های مورد پژوهش در این بخش به تعداد ۱۰۰ نمونه (در هر نمونه ۲۰۴۸ بیت داده) در شرایط زیر تولید شده‌اند:
نرخ سمبل ها: ۱۰۰۰ سمبل در ثانیه؛
فرکانس نمونه‌برداری: MHz 1؛
تعداد زیرحامل در OFDM: برای دسته ای از سیگنال ها برای دسته­ای دیگر .
نرخ پیشوند گردشی: ۰٫۲۵ از طول فریم OFDM
نوع کانال: محوشوندگی فرکانس گزین به همراه نویز سفید گوسی جمع شونده؛
سیگنال به نویز: ۱۹ سطح برابر از سیگنال به نویز dB 10- تا سیگنال به نویز dB26. (10:2:26-).
۵۰ درصد از سیگنال­های تولیدشده، برای آموزش SVM و بقیه برای آزمایش استفاده شده‌اند. پارامترهای کانال محوشونده به صورت زیر است.
جدول ۳-۱- پارامترهای کانال­های محوشونده]۵۱[.