کاربرد الگوریتم های هوش مصنوعی در شناسایی اختلالات جمر در استاندارد DVB-S۲X

در این پژوهش، یک سامانه شناسایی و طبقه بندی خودکار برای اختلالات رایج در سیستم های مخابراتی ماهواره ای مبتنی بر استاندارد پیشرفته ی DVB-S۲X ارائه شده است. این استاندارد که به منظور بهینه سازی انتقال داده در بسترهای ماهواره ای توسعه یافته نسبت به نسخه های پیشین مانند DVB-S۲، در برابر نویز و جمرهای عمدی و غیرعمدی حساسیت بیشتری دارد. از این رو طراحی الگوریتمی دقیق برای تشخیص و تفکیک انواع جمر نقشی کلیدی در افزایش پایداری و امنیت لینک های ارتباطی دارد. در این مقاله، سه نوع اختلال رایج شامل جمر تک تن (Single-Tone)، جمر چند تن (Multi-Tone) و جمر سوئیپی (Chirp) شبیه سازی و بر روی سیگنال های مدوله شده با طرح های مختلف QPSK)، ۸PSK، ۱۶APSK و ۳۲APSK اعمال شده اند. پس از دریافت سیگنال های مخدوش شده، با استفاده از تبدیل های زمان–فرکانس از جمله STFT و تحلیل طیف توان، ویژگی های تفکیک پذیر استخراج گردیده است. سپس داده ها با لیبل مناسب سازمان دهی شده و با الگوریتم های یادگیری ماشین شامل SVM، KNN و شبکه های عصبی چندلایه (MLP) آموزش داده شده اند. همچنین برای اعتبارسنجی، از روش Stratified ۱۰-Fold Cross Validation استفاده شده است. نتایج به دست آمده حاکی از دقت بالای شناسایی (بیش از ۹۵٪ در حالت بهینه) و عملکرد برتر مدل های مبتنی بر یادگیری ماشین نسبت به روش های سنتی مبتنی بر هم بستگی است.

کلیدواژه ها:

شناسایی اختلال ها ، DVB-S۲X ، BER ، دسته بندی تداخل ها ، هوش مصنوعی