تشخیص و دسته بندی هوشمند اخلال گرها در سیگنال های ماهواره ای DVB-S۲

با توجه به رشد روزافزون مخابرات ماهواره ای در حوزه های مختلف به ویژه کاربردهای نظامی و اهمیت بالای امنیت ارتباطات، استفاده از روش های مبتنی بر هوش مصنوعی برای جلوگیری از شنود سیگنال های مخابراتی و مقابله با تداخل اهمیت ویژه ای پیدا کرده است. این مقاله یک روش مبتنی بر شبکه عصبی پرسپترون چندلایه (MLP) را برای تشخیص و شناسایی تداخل در استاندارد مخابرات ماهواره ای DVB-S۲ پیشنهاد می دهد. مجموعه داده های استفاده شده در این تحقیق شامل: سیگنال های مدوله شده (QPSK و APSK با مراتب ۸، ۱۶ و ۳۲) و انواع تداخل های رادیویی نظیر تداخل چرپ (CI)، تداخل موج پیوسته (CWI) و تداخل موج پیوسته چندگانه (MCWI) می باشند. در روش پیشنهادی، ابتدا تعداد زیادی ویژگی های آماری و طیفی سیگنال ها استخراج می شوند. سپس، ده ویژگی برتر با استفاده از معیارهای فاصله ماهالانوبیس، فاصله اقلیدوسی، کای-دو و نسبت واریانس به میانگین (VdM) برای بهینه سازی عملکرد مدل انتخاب می گردند. نتایج عددی نشان دهنده بهبود دقت معیار VdM در شناسایی تداخل ها، به ویژه در شرایطی با نسبت توان سیگنال به نویز (SNR) پایین می باشد. این روش در نسبت SNR=۰ dB، بهبود دقتی تا ۶ درصد نسبت به روش های پیشین فراهم می کند و در SNR=۹ dB، دقت روش پیشنهادی به ۷۴/۹۹% می رسد.

کلیدواژه ها:

مخابرات ماهواره ای ، استاندارد ماهواره ای DVBS۲ ، شناسایی الگو ، شناسایی تداخل فرکانس رادیویی (RFI) ، ویژگی های آماری و طیفی ، یادگیری ماشین