آشکارسازی کور سیگنالهای مخابرات ماهواره ای مبتنی بر مدولاسیون کلیدزنی قطبش

در این پژوهش، مسئله آشکارسازی کور مدولاسیون کلیدزنی قطبش در حضور نویز AWGN و در کنار سایر مدولاسیون های متداول در مخابرات ماهواره ای (PSK و QAM) مورد بررسی قرار گرفته است. با توجه به اهمیت امنیت و مقاومت در برابر اخلال در لینک های ماهواره ای، مدولاسیون POLSK به عنوان گزینه ای نوین با قابلیت ذخیره سازی اطلاعات در بعد قطبش مطرح می شود. بدین منظور، بردارهای استوکس استخراج شده از سیگنال دریافتی به عنوان ورودی به دو معماری یادگیری عمیق شامل شبکه پرسپترون چندلایه (MLP) و شبکه عصبی کواترنیونی (QNN) اعمال شد و عملکرد این دو آشکارساز از منظر دقت طبقه بندی و ماتریس درهم ریختگی در بازه SNR صفر تا ۲۰dB ارزیابی گردید. به منظور ارزیابی جامع، یک مجموعه داده شامل حدود شش میلیون نمونه بردار استوکس برای هر کلاس تولید شد. نتایج شبیه سازی بر روی پایگاه داده ترکیبی شامل سیگنال های POLSK، PSK، QAM و نویز نشان می دهد که شبکه QNN با بهره گیری از ماهیت جبری کواترنیونی و مدل سازی هم بستگی بین مولفه های چندبعدی بردار استوکس، عملکرد بسیار بهتری نسبت به MLP دارد. این شبکه توانست به میانگین دقت کلی ۸/۹۵درصد در کل بازه SNR دست یابد و خطای طبقه بندی را به ویژه در تفکیک POLSK از سایر مدولاسیون ها به حداقل برساند. بررسی ماتریس های درهم ریختگی نشان می دهد که QNN برخلاف شبکه MLP قادر به تفکیک موثر کلاس POLSK از سایر مدولاسیون ها و نویز است. و به عنوان گزینه ای مناسب تر برای آشکارسازی کور در کاربردهای عملی مخابرات ماهواره ای معرفی می گردد.

کلیدواژه ها:

آشکارسازی کور ، قطبش ، یادگیری عمیق ، کواترنیونی