تشخيص خودكار مدولاسيون با استفاده از برنامه‌نويسي ژنتيك و شبكه عصبي چندلايه پرسپترون

Automatic Modulation recognition using Genetic Programming and Multi-Layer Perceptron Neural Network

تشخيص مدولاسيون سيگنال دريافتي، گام مياني بين تشخيص سيگنال و دمدولاسيون آن محسوب مي شود؛ به‌طوري كه در بسياري از سامانه‌هاي مخابراتي و نظامي تشخيص خودكار مدولاسيون جزيي از سامانه درنظر گرفته مي شود. براي تشخيص خودكار مدولاسيون، به‌طور معمول تعدادي ويژگي از سيگنال دريافتي استخراج و به كار گرفته مي شود، در اين رابطه، انتخاب ويژگي مناسب، تاثير به‌سزايي در افزايش كارايي تشخيص خودكار مدولاسيون دارد. در اين مقاله با كمك برنامه نويسي ژنتيك از بين ويژگي هاي ورودي، ويژگي مناسب براي جداسازي هر مدولاسيون توليد و انتخاب مي شود. شبيه سازي با سيگنال هاي مدوله شده با مشخصه سيگنال به نوفه پنج و ده دسي بل صورت گرفت. مجموعه اي از آزمايش ها در اين پژوهش صورت گرفت كه هدف از آنها تعيين ميزان كارايي براي سيگنال هاي مدوله‌شده با مدولاسيون هاي پركاربرد و متداول مخابراتي بوده است. پس از انتخاب ويژگي مناسب براي جداسازي مدولاسيون ها از شبكه عصبي پرسپترون چندلايه براي جداسازي نوع مدولاسيون استفاده مي شود. نتايج حاصل نشان مي دهد به‌كارگيري ويژگي هايي كه سامانه مورد نظر پيشنهاد مي دهد، منجر به افزايش قابل توجهي در تشخيص دقيق تر و سريع تر نوع مدولاسيون مي شود.

This paper shows how we can make advantage of using genetic programming in selection of suitable features for automatic modulation recognition. Automatic modulation recognition is one of the essential components of modern receivers. In this regard, selection of suitable features may significantly affect the performance of the process. In this research we implemented our model by using appropriate software and hardware platforms. Simulations were conducted with 5db and 10db SNRs. We generated test and training data from real ones recorded in an actual communication system. For performance analysis of the proposed method a set of experiments were conducted considering signals with 2ASK, 4ASK, 2PSK, 4PSK, 2FSK and 4FSK modulations. The results show that the selected features by the suggested model improve the performance of automatic modulation recognition considerably. During our experiments we also reached the optimum values and forms for mutation and crossover ratio, elitism policy, fitness function as well as other parameters for the proposed model.