التعرف الآلي على نوع التعديل الرقمي باستخدام الشبكات العصبية الصنعية

الملخص

مع استمرار نمو وتطور تقنيات الاتصالات الرقمية، فإن التطبيقات لهذا التطور المنتظم آخذة بالنمو أيضاً فقد وّلدّ هذا النمو تباعاً حاجة متزايدة للبحث عن طرائق آلية للتعرف و لتصنيف نوع التعديل الرقمي المستخدم في نظام الاتصال، وذلك لما لهذا الأمر من دور مهمّ وحيوي في الكثير من التطبيقات المدنية والعسكرية.

يقترح هذا البحث منظومة تعرّف آلي قادرة على تصنيف وفرز أنماط مختلفة ومتعدّدة من طرائق التعديل الرقمي:( 64QAM, 2PSK, 4PSK, 8PSK, 4ASK, 2FSK, 4FSK, 8FSK) ، وقد جرى التركيز على محاولة التعرف على نوع التعديل الرقمي باستخدام الشبكات العصبية الصنعية التي تبني خوارزميتها المعقدة لترفع سوية الأداء وتزيد المناعة ضد الضجيج.

نجحت هذه المنظومة في التعرف على نوع التعديل الرقمي لإشارات التعديل قيد الدراسة الحالية من دون أية معلومات مسبقة فقد تم الاعتماد على ثمانية محددات مميزة استخدمت للفصل بين هذه الطرائق الثمانية للتعديل وقد نجحت المنظومة في تحقيق نسبة تعرف لا تقل عن 68%  من أجل إشارات تجريبية عند نسبة إشارة إلى ضجيج (SNR (Signal to Noise Ratio) =5dB) ونسبة تعرف 89.1%  من أجل إشارات تجريبية عند (SNR=10dB) ونسبة تعرف %91  من أجل إشارات تجريبية عند (SNR=15dB) وذلك من أجل قناة اتصال ذات ضجيج أبيض غوصي AWGN (Additive White Gaussian Noise).

The everlasting development of digital communication sector was accompanied by similar progress in application of this technology which called for adopting automated methods to classify digital modulation types due to its significant role in multiple of applications in the world.

This research proposes a signal modulation classifier which is capable of classifying and recognizing different types of digital modulation signal (8 modulation signals types: 64QAM, 2PSK, 4PSK, 8PSK, 4ASK, 2FSK, 4FSK, 8FSK). We focused our efforts on trying to recognize the digital modulation type using the artificial neural networks which build its algorithm to boost the performance and to increase the noise immunity of the system.

This classifier successfully identifies all the modulation types considered without the benefit of a prior information using a total of 8 signal features which are extracted and used to classify these 8 modulation signals types .The system managed to achieve identification rate of 68 % minimum for experimental random signals at SNR=5 dB and identification rate of 89.1 % for experimental random signals at SNR=10 dB and an identification rate of 91 % at SNR=15 dB on an AWGN channel (Additive White Gaussian Noise).