دسته‌بندي كور كدهاي فضا-زمان با استفاده از يادگيري ماشين

مهم‌ترين خصوصيتي كه شناسايي كور كدهاي فضا-زمان را از ساير انواع شناسايي كور مخابراتي متمايز مي‌كند اين است كه براي نفوذ در بسياري از سامانه‌هاي مخابراتي مدرن كه از روش‌هاي ارسال و دريافت چندآنتني استفاده مي‌كنند، اولين قدم شناسايي كور كد فضا-زمان به‌كاررفته است. در اين مقاله، دسته‌بندي كور در مجموعه وسيعي از كدهاي فضا-زمان با استفاده از ابزارهاي يادگيري ماشين مورد بررسي قرار گرفته است. از آنجا كه در كارهاي پيشين، تنها دسته‌بندي كدهاي فضا-زمان متعامد مورد بررسي قرار گرفته است، يكي از نوآوري‌هاي اين مقاله افزودن كدهاي شبه متعامد و همچنين سامانه ارسال تك آنتني به اين دسته‌بندي است. بهبود عملكرد روش‌هاي مرسوم دسته‌بندي نيز يكي ديگر از نوآوري‌هاي اين مقاله است. نتايج شبيه‌سازي نشان مي‌دهد كه درخت تصميم ايجاد‌شده توسط تعداد زيادي از ويژگي‌هاي استخراج‌شده از ماتريس‌هاي همبستگي، نسبت به ساير روش‌هاي مرسوم شناسايي داراي عملكرد نسبتاً بهتر، به خصوص در شرايط بسيار نويزي، است.

For eavesdropping of modern telecommunications systems, which employ multiple transmit and receive antennas, the first step is to recognize the space-time code. In this paper, a method to classify within broad categories of space-time codes is proposed. The method is based on machine learning and pattern recognition. Compared to the previous reports, the novelty is including quasi-orthogonal space-time 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.