Нейросетевые технологии в задаче автоматического распознавания видов цифровой модуляции тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Дам Ван Ньить

• Дам Ван Ньить
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Дам Ван Ньить

ВВЕДЕНИЕ

Глава 1. АНАЛИЗ ПОДХОДОВ К РЕШЕНИЮ ЗАДАЧИ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ВИДОВ ЦИФРОВОЙ МОДУЛЯЦИИ И ВЫБОР ИНФОРМАТИВНЫХ ПРИЗНАКОВ

1.1. Основные виды цифровой модуляции

1.2. Анализ подходов к распознаванию видов цифровой модуляции

1.3. Анализ информативных признаков при нейросетевом подходе

1.4. Постановка задачи исследования и исходные данные

1.5. Выводы по Главе

Глава 2. ИНФОРМАТИВНЫЕ КУМУЛЯНТНЫЕ ПРИЗНАКИ И ВЛИЯНИЕ ШУМА В КАНАЛЕ СВЯЗИ НА КУМУЛЯНТНЫЕ ПРИЗНАКИ В Щ ДАННЫХ

2.1. Кумулянтные признаки и их вычисление

2.1.1. Вычисление кумулянтов одномерного случайного стационарного процесса

2.1.2. Вычисление кумулянтов двухмерного случайного стационарного процесса

2.2 Метод выбора кумулянтных признаков

2.2.1. Значения кумулянтов при гауссовском шуме для одномерного и двухмерного стационарных случайных процессов

2.2.2. Кумулянты чистого сигнала, шума и получаемого сигнала

2.2.3. Метод выбора кумулянтных признаков

2.3. Кумулянтные признаки при негауссовском шуме

2.3.1. Основные законы распределения шума

2.3.2. Влияние разных видов шума в канале связи на кумулянтные признаки в данных

2.4. Выводы по Главе

Глава 3. АВТОМАТИЧЕСКОЕ РАСПОЗНАВАНИЕ ВИДОВ ЦИФРОВОЙ МОДУЛЯЦИИ ПРИ ИЗВЕСТНОМ И НЕИЗВЕСТНОМ ЗНАЧЕНИИ НЕСУЩЕЙ ЧАСТОТЫ С ПОМОЩЬЮ МНОГОСЛОЙНОЙ НЕЙРОННОЙ СЕТИ

3.1. Многослойная нейронная сеть

3.1.1. Структура многослойной нейронной сети

3.1.3. Создание баз данных для обучения и тестирования

3.2. Алгоритм распознавания видов цифровой модуляции при известном значении несущей частоты

3.2.1. Результаты тестирования обученной нейронной сети при нормальном распределении шума в сигналах для 4-х вариантов OFDM сигналов

3.2.2. Исследование влияния шума в канале связи на вероятности автоматического распознавания видов цифровой модуляции

3.2.3. Исследование различных структур МНС в задаче автоматического распознавания видов цифровой модуляции

3.3. Алгоритм распознавания видов цифровой модуляции при неизвестном значении частоты несущего сигнала

3.3.1. Алгоритм оценки значения несущей частоты

3.3.2. Исследование допустимой границы ошибки оценки значения несущей частоты

3.3.3. Исследования задачи распознавания видов цифровой модуляции при незначительной ошибке начальной фазы несущего сигнала

3.4. Задача распознавания видов цифровой модуляции при неизвестном значении начальной фазы несущего сигнала

3.5. Выводы по Главе

Глава 4. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ВИДОВ ЦИФРОВОЙ МОДУЛЯЦИИ В СРЕДЕ LABVIEW

4.1 Основы графического программирования в среде LabVIEW

4.2 Разработка программного обеспечения автоматического распознавания видов цифровой модуляции в среде LabVIEW

4.3 Выводы по Главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Нейросетевые технологии в задаче автоматического распознавания видов цифровой модуляции»

ВВЕДЕНИЕ

Актуальность темы исследования. Коммуникационная система - это система, предназначенная для управления процессами передачи информации. В коммуникационной системе важной задачей является распознавание видов цифровой модуляции, которое применяется в радиомониторинге и радиоконтроле и т.д. Задачами радиомониторинга и радиоконтроля являются обнаружение, пеленгация и анализ радиосигналов, что необходимо для обеспечения общественной и национальной безопасности, а также контроля распределения частот на государственном уровне. Радиоразведка - это разновидность радиомониторинга, в радиоразведке задача распознавания видов цифровой модуляции играет важную роль:

Во-первых, знание вида цифровой модуляции может быть непосредственно использовано для идентификации устройства, передающего сигнал;

Во-вторых, если декодирование может быть выполнено, то после распознавания вида цифровой модуляции передаваемое сообщение может быть восстановлено;

В-третьих, распознавание видов цифровой модуляции необходимо для работы станций активных помех, которые нарушают передачу сигналов между устройствами противника. Они создают помехи, которые соответствуют виду модуляции сигнала противника.

В настоящее время на основе классического подхода, основанного на анализе спектра получаемого сигнала, оценивается информация о частоте дискретизации и виде цифровой модуляции, затем эта информация подается в устройство восстановления несущего сигнала. Этот процесс не всегда правильно выполняется, более того, в ряде случаев он вообще может быть не выполнен. Таким образом, в настоящее время задача автоматического распознавания видов цифровой модуляции является весьма актуальной.

Степень разработанности проблемы исследования. Автоматическое распознавание видов цифровой модуляции выполняется системой, которая

автоматически классифицирует вид цифровой модуляции получаемого сигнала. Существуют несколько подходов к решению поставленной задачи: распознавание видов цифровой модуляции по форме сигнального созвездия, пороговый подход и нейросетевой подход и т. д. Любой подход использует набор информативных признаков, полученных из исходных данных путём использования математических преобразований и методов. В настоящее время группы информативных признаков можно классифицировать на кумулянтные и спектральные признаки. В данной работе используется нейросетевой подход по кумулянтным признакам, преимущества которых будут выяснены в первой и второй главе диссертации.

Выполненные исследования опираются на результаты работ в области автоматического распознавания видов цифровой модуляции таких российских исследователей как С.С. Аджемов, А.А. Стогов, Н.В. Кленов, М.В. Терешонок, Д.С. Чиров, О.В. Караван, М.Б. Беляева, Е.И. Воробьева, Р.А. Немцов, П.П. Чураков, Е.С. Шеляпин, С.В. Богатский, А.Ф. Гончаров, так и зарубежных ученых A.K. Nandi, A.F. Young, E.E. Azzouz, A. Swami, M.L.D. Wong, R.A. El-Khoribi, M.A.I. Shoman, A.G.A. Mohammed, M.A. Khan, Y.A. Bangash, A. Bernardini, S. De Fina, M. Azarbad, S. Hakimi, A. Ebrahimzadeh и других.

Количество работ по распознаванию видов цифровой модуляции на русском языке не много, в основном это работы перечисленных выше авторов. В существующих работах представлены обзоры подходов к решению поставленной задачи, особое внимание уделяется кумулянтному подходу, при котором используются в основном кумулянты до восьмого четного порядка. В этих работах отсутствует описание математических основ, в соответствии с которыми вычисляются кумулянтные признаки, поэтому невозможно расширить набор информативных признаков. Также отсутствует конкретное описание решения задачи автоматического распознавания видов цифровой модуляции при неизвестном значении несущей частоты. Подробное описание состояния работ по рассматриваемой тематике приведено в главе 1 диссертации.

Для решения данных проблем в диссертации описаны методы вычисления и выбора информативных кумулянтных признаков, которые используются в разработанной модели системы автоматического распознавания видов цифровой модуляции с помощью нейронной сети по кумулянтным признакам при известном и неизвестном значении несущей частоты.

Целями данной работы являются:

1. Поиск и разработка средств повышения точности распознавания видов цифровой модуляции.

2. Поиск информативных признаков видов цифровой модуляции и их оптимального набора в задаче автоматического распознавания видов цифровой модуляции.

3. Применение нейросетевых технологий в задаче автоматического распознавания видов цифровой модуляции при известном и неизвестном значении несущей частоты.

В соответствии с поставленными целями диссертация направлена на решение следующих задач:

1. Анализ существующих подходов в задаче автоматического распознавания видов цифровой модуляции.

2. Анализ и классификация информативных признаков в задаче автоматического распознавания следующих видов цифровой модуляции: 2-PSK, 4-PSK, 8-PSK, 2-FSK, 8-QAM, 16-QAM, 64-QAM и OFDM.

3. Анализ методов вычисления и выбора кумулянтных признаков на основе характеристических функций случайных стационарных процессов.

4. Разработка алгоритма автоматического распознавания видов цифровой модуляции с помощью многослойной нейронной сети и выбранных информативных кумулянтных признаков.

5. Исследование влияния шума в канале связи на вероятности распознавания видов цифровой модуляции при известном значении несущей частоты.

6. Разработка алгоритма оценки значения несущей частоты для решения задачи распознавания видов цифровой модуляции при неизвестном значении несущей частоты.

7. Разработка программного обеспечения и проведение компьютерного моделирования для автоматического распознавания видов цифровой модуляции с помощью многослойной нейронной сети в среде графического программирования LabVIEW 2014.

Объектами исследования являются информативные кумулянтные признаки и многослойная нейронная сеть в задаче автоматического распознавания видов цифровой модуляции при известном и неизвестном значении несущей частоты.

Областью исследования является система распознавания видов цифровой модуляции.

Научная новизна работы заключается в следующем:

Разработан метод выбора кумулянтных признаков. В работе использованы кумулянты как четного, так и нечётного порядка. Показана возможность развития данного направления с использованием формального подхода, связанного с переходом от одномерных к двухмерным кумулянтам, что позволяет в дальнейшем исследовать и использовать кумулянты более 8-го порядка.

Исследовано влияние различных видов шума в канале связи на ошибки в Щ данных (I - синфазная составляющая данных и Q - квадратурная составляющая данных). Выяснено, что независимо от закона распределения шума в канале связи закон распределения ошибки в Щ данных становится близким к нормальному. Такой вывод доказан теоретически и экспериментально. Этот факт является важным аргументом для использования кумулянтных признаков в задаче автоматического распознавания видов цифровой модуляции.

Предложен алгоритм оценки значения несущей частоты с необходимой точностью для получения Щ данных. Алгоритм, основанный на анализе спектра получаемого сигнала, позволяет оценить значение несущей частоты с большой точностью. При использовании предложенного алгоритма оценки значения

несущей частоты результаты распознавания видов цифровой модуляции оказываются достаточно высокими.

Теоретическая значимость исследования обоснована тем, что доказана правильность выбора кумулянтного подхода для решения поставленной задачи и показана возможность развития данного подхода путём исследования кумулянтов выше восьмого порядка через формальный переход от одномерных к двухмерным кумулянтам. Разработана модель системы автоматического распознавания видов цифровой модуляции с помощью многослойной нейронной сети по кумулянтным признакам при известном и неизвестном значении несущей частоты.

Практическая значимость работы подтверждается тем, что разработано программное обеспечение для автоматического распознавания видов цифровой модуляции в среде LabVIEW 2014 на основе предложенных методов и алгоритмов для решения задач в различных областях. Результаты диссертации были использованы в преподавании, исследовании и производстве устройства радиоразведки в Центре техники коммуникации Военной технической академии Социалистической Республики Вьетнама (СРВ). Также предполагается дальнейшее развитие результатов диссертации для применения в военных частях в городе Ханой, СРВ.

Методология и методы исследования. Основой теоретических и прикладных исследований диссертации являются результаты и достижения теории вероятностей, законов распределения случайных процессов, методов вычисления кумулянтов случайных процессов, выбора кумулянтных признаков, оценки значения несущей частоты, теории нейронных сетей, моделирования в среде MATLAB R2016a и среды графического программирования LabVIEW 2014 для решения задачи автоматического распознавания видов цифровой модуляции.

Положения, выносимые на защиту.

- Методы вычисления и выбора кумулянтных информативных признаков для задачи автоматического распознавания видов цифровой модуляции.

- Нейросетевой подход для распознавания видов цифровой модуляции при известном значении несущей частоты.

- Алгоритм оценки значения несущей частоты для решения задачи распознавания видов цифровой модуляции при неизвестном значении несущей частоты.

- Программное обеспечение, разработанное в среде LabVIEW 2014 для автоматического распознавания видов цифровой модуляции.

Степень достоверности работы подтверждена данными экспериментов на основе моделирования, сравнением полученных результатов с результатами, представленными в научной литературе, апробацией основных результатов диссертации на конференциях, а также их практическим внедрением.

Апробация результатов работы. Основные результаты работы докладывались и обсуждались на следующих конференциях: IX Международная научно - практическая конференция «ЛЭРЭП-9-2015» (Смоленск, 2015); XIV Всероссийская научная конференция «Нейрокомпьютеры и их применение» (Москва, 2016); 15-я национальная конференция по искусственному интеллекту КИИ - 2016 (Смоленск, 2016); Международная конференция EN&T (Долгопрудный, 2016); XV Всероссийская научная конференция «Нейрокомпьютеры и их применение» (Москва, 2017); 60-я научная конференция МФТИ (Долгопрудный, 2017); XVI Всероссийская научная конференция «Нейрокомпьютеры и их применение» (Москва, 2018).

Публикации. По теме диссертации опубликовано 11 печатных трудов, в том числе 5 научные статьи в журналах, рекомендованных Высшей аттестационной комиссией Министерства науки и высшего образования Российской Федерации для опубликования основных результатов диссертационных исследований на соискание ученых степеней доктора и кандидата наук, в том числе 2 научные статьи в журналах, которые входят в базу

ЯБа.

Объем и структура работы. Диссертация включает в себя введение, 4 главы, заключение, список литературы, включающий 125 наименований. Диссертация содержит 158 страниц, 64 рисунка, 41 таблицу, 3 приложения.

Во введении определена актуальность темы диссертационной работы, цели, научная задача диссертации, сформулирована научная новизна и практическая значимость результатов, представлено краткое содержание по главам.

В первой главе рассмотрены основные виды цифровой модуляции, анализ подходов к решению задачи автоматического распознавания видов цифровой, анализ информативных признаков при нейросетевом подходе, и сформулирована постановка задачи исследования.

Во второй главе исследованы кумулянтные информативные признаки. Выявлены методы вычисления кумулянтных признаков и выбора кумулянтных признаков. Исследовано влияние шума в канале связи на вероятности распознавания видов цифровой модуляции. Выяснено, что независимо от вида шума в канале связи закон распределения ошибки в Щ данных становится близким к нормальному, при котором кумулянтные признаки показывают лучшую эффективность. Это ещё раз показывает правильность выбора кумулянтного подхода для решения поставленной задачи.

В третью главу входят основы теории многослойной нейронной сети и алгоритм обратного распространения ошибки для обучения многослойной нейронной сети, создание баз данных для обучения и тестирования многослойной нейронной сети распознаванию вида цифровой модуляции. Получены результаты тестирования при известном и неизвестном значении несущей частоты. При неизвестном значении несущей частоты предложен алгоритм оценки значения несущей частоты на основе построения спектра получаемого сигнала.

В четвертой главе разработано программное обеспечение в среде LabVIEW 2014. В главу входят основа графического программирования в среде LabVIEW 2014 и разработка программного обеспечения для задачи автоматического распознавания видов цифровой модуляции.

В заключении приведены основные результаты диссертационной работы, а в приложении - акт об использовании результатов диссертации, полученные дипломы на конференциях и некоторые части кодов программирования: создание базы данных для обучения и тестирования в среде МАТЬАВ Я2016а, оценка

значения несущей частоты в среде МАТЬАВ Я2016а, исследование влияния шума в канале связи на решение задачи в среде МАТЬАВ Я2016а, код обучения МНС в среде МАТЬАВ Я2016а, код использования обученной МНС на тестовой базе данных в среде МАТЬАВ Я2016а.

Глава 1. АНАЛИЗ ПОДХОДОВ К РЕШЕНИЮ ЗАДАЧИ

АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ВИДОВ ЦИФРОВОЙ МОДУЛЯЦИИ И ВЫБОР ИНФОРМАТИВНЫХ ПРИЗНАКОВ

1.1. Основные виды цифровой модуляции

Модуляция сигнала является процессом изменения одного или нескольких параметров (амплитуда, частота или фаза) высокочастотного несущего колебания по закону низкочастотного информационного сигнала. Информационный сигнал при этом носит название модулирующего сигнала, а сигнал, который получается после модуляции, называется модулированным. Модуляция сигналов позволяет передать информационный сигнал и повысить помехоустойчивость процесса передачи информации. В большинстве случаев методы модуляции основываются на управлении параметрами сигналов в соответствии с информационным сообщением. При модуляции сигналов изменяются их форма и спектральные характеристики. Особенности формирования спектров сигналов имеют важное значение для систем связи и телекоммуникаций. Если информационный сигнал является цифровым, то говорят о цифровой модуляции, которую иногда называют манипуляцией цифрового информационного сигнала.

Цифровая модуляция разделяется на амплитудную (M-ASK), частотную (M-FSK), фазовую (M-PSK) и квадратурную амплитудную манипуляцию (M-QAM) и OFDM, где буква M - число уровней цифрового модулирующего сигнала [1, 2, 3].

Модулированный сигнал s. (t) при амплитудной манипуляции (M-ASK) описывается соотношением

S(t) = A(t)cos(2nft + ф), i = 1,2,...,M, (1.1)

где A (t) - модулирующий сигнал, имеющий i уровней, f - несущая частота, ф -

начальная фаза. На рисунке 1.1 показаны двухуровневый модулирующий сигнал и модулированный гармоническим колебанием сигнал при амплитудной манипуляции.

Рисунок 1.1. Амплитудная манипуляция При частотной манипуляции (М-БЗК^ изменению подвергается частота /

несущего колебания в соответствии с законом изменения модулирующего сигнала. Модулированный сигнал задается выражением

я.) = Асоб(2л+ фф, I = 1,2,...,М. (1.2)

Модулирующий двухуровневый сигнал и модулированный гармоническим колебанием сигнал при частотной манипуляции показаны на рисунке 1.2.

Рисунок 1.2. Частотная манипуляция Аналитическая форма фазовой манипуляции (М-РБК) имеет вид

я.(^) = асоб(2лА + ф), I = 1,2,...,М (1.3)

Из (1.3) следует, что при фазовой манипуляции изменению подвергается фаза несущего колебания, которая может принимать М значений согласно формуле

Ф

( 21 -1) л

= ^-; / = 1

М

2,...,М.

5 ' ' ' ?

Эти изменения, показанные на рисунке 1.3, происходят в соответствии с законом изменения модулирующего двухуровневого сигнала.

Рисунок 1.3. Фазовая манипуляция Квадратурная амплитудная манипуляция (M-QAM) описывается формулой st (t) = I (t) cos (2лft) + Q (t) sin (2 ), i = 1,2,..., M. (1.4)

где I (t),Q (t), i = 1,2,...,M - модулирующие сигналы, принимающие M уровней, f - несущая частота. При M-QAM манипуляции у модулированного сигнала в отличие от амплитудной манипуляции, изменяется как амплитуда, так и фаза. M-QAM манипуляция удобно описывается с помощью сигнального созвездия. Сигнальное созвездие для 16-QAM манипуляции показано на рисунке 1.4.

Рисунок 1.4. Сигнальное созвездие 16-QAM

Каждый символ при 16-QAM манипуляции описывается 4 битами, т.е. если имеется последовательность информационных битов А, допустим Л=[1,1,0,0,1,0,1,0,0,1,0,1,1,1,0,1], то Щ данные определяются следующим образом. Последовательность А разбивается на блоки по 4 символа, а каждому блоку в сигнальном созвездии 16^ЛМ на рисунке 1.4 соответствуют значения ^ данных, которые представлены в таблице 1.1.

Таблица 1.1.

Отражение битов в IQ данных

Биты I Q

1100 1 3

1010 3 -3

0101 -1 1

1101 1 1

Затем значения ^ данных подставляются в (1.4), чтобы получить сигнал, переданный в пространство. На рисунке 1.5 представлена битовая последовательность А и переданный сигнал при 16^АМ манипуляции.

Битовая последовательность

15I I I I I I I

1 I --| 1 ^ -

0.5 — —

о — ^^^^ ' ^^^^ ' ' —

-0 5 1-1-1-1-1-1-1-1-

0 0.2 0.4 0.6 1 12 1.4 1.6

Квадратурная амплитудная манипуляция

Рисунок 1.5. Квадратурная амплитудная манипуляция

OFDM

В настоящее время широко применяется вид многочастотной модуляции OFDM (Orthogonal Frequency Division Multiplexing) - цифровая схема модуляции, которая использует большое количество близко расположенных ортогональных поднесущих. OFDM модуляция является специальным случаем передачи сигналов со многими несущими, когда данные из последовательного потока передаются

одновременно (параллельно) через совокупность поднесущих. Каждая поднесущая модулируется по обычной схеме модуляции (фазовой или квадратурной амплитудной модуляции).

Для формирования OFDM модуляции используется обратное быстрое преобразование Фурье (ОБПФ), а демодуляции - прямое быстрое преобразование Фурье (БПФ). На рисунках 1.6 и 1.7 представлены структурные схемы формирования OFDM сигнала передатчика и приемника [4],

Рисунок 1.6. Формирование OFDM сигнала передатчика

Рисунок 1.7. Формирование OFDM сигнала приемника где П - блок умножения, ФНЧ - фильтр низких частот, ЦАП - цифро-аналоговый преобразователь, АЦП - аналого-цифровой преобразователь. OFDM символ состоит из отсчетов сигнала после ОБПФ. Для исключения межсимвольной интерференции в каждый OFDM символ вводится защитный интервал, длительность которого может составлять 1/4, 1/8, 1/16, 1/32 от длительности OFDM символа: T = T, + T , где T - длительность OFDM символа, T -

s d g s d

длительность символа после ОБПФ и T - длительность защитного интервала.

В практике виды модуляции широко применяются в гражданской и военной областях, например, 2-PSK - в космической телеметрии, кабельных модемах; 4-PSK - в спутниках, DVB-S, кабельных модемах; 8-PSK - в спутниковых, авиационных, телеметрических полетах для мониторинга широкополосных видеосистем; 2-FSK - в RAM мобильных данных, наземной мобильной связи; 8-QAM - в технологии HDSL; 16-QAM - в СВЧ цифровом радио, модемах, DVB-C, DVB-T; 64-QAM - в DVB-C, модемах; OFDM - в проводной связи (ADSL, DVB-C2, PLC HomePlug AV, ...) и беспроводной связи (стандарты IEEE 802.11, HIPERLAN/2, LTE, IEEE 802.16, .).

1.2. Анализ подходов к распознаванию видов цифровой модуляции

В настоящее время существуют три основных подхода к решению задачи автоматического распознавания видов цифровой модуляции: распознавание видов цифровой модуляции по форме сигнального созвездия, пороговый поход и нейросетевой подход.

Распознавание видов цифровой модуляции по форме сигнального созвездия

При таком подходе строится сигнальное созвездие и проводится сравнение мгновенной угловой фазы сигнала и формы сигнального созвездия (гистограммы распределения мгновенных фаз) [5 - 7]. На рисунке 1.8 представлены сигнальные созвездия нескольких видов цифровой модуляции при отношении сигнала к шуму (ОСШ) 30 дБ в MATLAB R2016a.

Рисунок 1.8. Сигнальные созвездия 2-PSK (a), 4-PSK (b), 8-PSK (c), 16-QAM (d)

Центральная проблема такого подхода состоит в восстановлении сигнального созвездия, использующем, как правило, алгоритмы на основе метода fuzzy c-means [5]. В работе [6] исследован алгоритм восстановления сигнального созвездия на основе метода fuzzy c-means. Данный алгоритм позволяет получить нечёткую кластеризацию больших наборов данных. В отличие от алгоритма к-mean в этом алгоритме каждая точка пространства не входит однозначно в какой-либо класс, а принадлежит всем классам с различными степенями принадлежности. Это дает преимущества перед k-mean алгоритмом в случаях, когда классы находятся близко друг к другу и большое количество точек находятся на их границах. Данный алгоритм требует знания заданного количества классов и большого объема вычислительных затрат [8, 9].

Кроме того, при этом подходе еще используются алгоритмы, основанные на кластеризации (самоорганизующиеся карты Кохонена), и позволяют распознавать сигналы с фазовой (M-PSK) и амплитудно-квадратурной модуляциями (M-QAM) [10]. С помощью алгоритмов кластеризации устранена необходимость знания максимального количества узлов созвездия.

Общими недостатками данного подхода являются необходимость синхронизации по несущей частоте, требование знания максимального числа уровней сигнала, при этом вероятность правильного распознавания сильно зависит от ОСШ и качества приемника [5].

Пороговый подход

Суть подхода заключается в том, что по исходным данным вычисляются значения информативных признаков, далее проводится сравнение этих значений с предельными значениями, а предельные значения экспериментально определяются по анализу полученных данных. Эту процедуру, которая исследована во многих работах, например, [1, 11 - 24], можно выразиться в виде дерева логических решений. В [12] в качестве признаков для дерева логических решений использован набор кумулянтов С2 0, С4 0, С8 0 для распознавания 7 видов

модуляции: 2-РБК, 4-РБК, 8-РБК, 2-Б8К, 8-ОЛМ, 16-ОЛМ, 64-ОЛМ. При этом в случае ОСШ > 5 дБ практически имеет место 100% распознавание видов модуляции, при ОСШ = 0 дБ результат для 64^АМ слишком низкий (57.8%). В работе М. Заерин, Б. Сейфе и Х. Р. Никоофар [13] комбинированы кумулянты 4-го и 6-го порядка для распознавания видов модуляции 2-РБК, 4-РБК, 4-РАМ и 16-QAM. Для определения видов модуляции они использовали коэффициент

/ = С2 2 /(С3 3)2 3 , зависящий от отношения двух кумулянтов С2 2 и С3 3. Хорошие

результаты здесь были получены при ОСШ = 20дБ, вероятность правильного распознавания составила 88%.

В. Су и Д. А. Косинский [14] исследовали широкий набор кумулянтов

(С2,0 , С1,1 , С4,0 , С3,1 , С2,2 , С6,0 , С5,1 , С4,2 , С3,3 , С8,0 , С7,1 , C6,2, С5,3 , С4,4 ) для распознавания

видов цифровой модуляции 4-РБК, 8-РБК, 16-РБК, 16-ОЛМ, 32-ОЛМ, 64-ОЛМ, а также У29-8 и У29-16. Было установлено, что некоторые кумулянтные признаки могут быть объединены в группы, что приводит к уменьшению избыточности кумулянтных признаков и повышению робастности получаемого решения. Результаты моделирования показывают, что распознавание видов модуляции выполняется при длине выборки исследуемого сигнала в 16000 отсчетов, даже

если ОСШ < 4 дБ. В работе не приводятся точностные характеристики распознавания вида модуляции.

Весь процесс выбора параметров дерева логических решений выполняется вручную. Этот подход также требует больших временных ресурсов при большом объеме набора распознаваемых видов цифровой модуляции, и может возникать погрешность в определении предельных значений для построения дерева логических решений.

Нейросетевой метод

В последнее время искусственные нейронные сети нашли широкое применение во многих современных системах. В задаче распознавания образов нейронная сеть показывает высокую эффективность по сравнению с другими традиционными подходами. Применение нейронной сети в задаче автоматического распознавания видов цифровой модуляции использовано в работах [23, 25 - 37].

В работе [25] авторы исследовали задачу распознавания видов 2-FSK, ASK (авторы не указали уровень модуляции M), 2-PSK, 4-PSK, 8-PSK, 16-QAM с помощью нейронной сети по кумулянтным признакам. Набор кумулянтных признаков состоит только из C2 0, С22 и С40 . Вероятности правильного

распознавания видов модуляции достаточно высокие. Так для 2-FSK она составила 99,5 %, ASK - 98,9 %, 2-PSK - 100 %, 4-PSK - 68,1 %, 8-PSK - 98,6 %, 16-QAM - 85,5 %.

В [27] использована нейронная сеть для распознавания видов модуляции: 2 -ASK, 2-PSK, 2-FSK, 4-ASK, 4-PSK, 4-FSK, 16-QAM. В качестве информативных признаков использованы только спектральные признаки: максимальное значение спектральной плотности нормированной центрированной мгновенной амплитуды Гтах, стандартное отклонение абсолютного значения центрированных нелинейных компонент мгновенной фазы G , стандартное отклонение значения центрированных нелинейных компонент мгновенной фазы а , стандартное отклонение абсолютного значения нормированной центрированной мгновенной

амплитуды оаа, стандартное отклонение абсолютного значения нормированной центрированной мгновенной частоты , максимальное значение спектральной плотности нормированной центрированной мгновенной частоты ^тах£. Авторы экспериментировали с различным количеством нейронов в скрытом слое (1, 5, 10, 15 нейронов). В таблице 1. 2 представлены результаты при использовании 10 нейронов в скрытом слое и 6 признаков.

Список литературы диссертационного исследования кандидат наук Дам Ван Ньить, 2018 год

СПИСОК ЛИТЕРАТУРЫ

1. Young, A. F. Classification of digital modulation types in multipath environments /

A. F. Young // Master's Thesis. Naval Postgraduate School, Monterey, CA 93943-5000, California. June 2008. P. 1 - 65.

2. Сагдиев, Р.К. Цифровая модуляция / Р.К Сагдиев, Е.Ф. Базлов // Методические указания к лабораторным по дисциплине "Теория радиотехнических сигналов". Кафедра радиоэлектроники и информационно-измерительной техники, Казанский национальный исследовательский технический университет. 2013 г.

3. Murat, T. Introduction to digital modulation / T. Murat // EE4367 Telecom. Switching & Transmission. URL:

https://www.utdallas.edu/~torlak/courses/ee4367/lectures/lecturedm.pdf.

4. Бакулин, М.Г. Технология OFDM: Учебное пособие для вузов / М.Г. Бакулин,

B.В. Крейнделин, А.М. Шлома, А.П Шумов. - М.: Горячая линия - Телеком, 2017.

- 352 с.

5. Аджемов, С.С. Методы распознавания видов цифровой модуляции сигналов в когнитивных радиосистемах / С.С. Аджемов, Н.В. Кленов, М.В. Терешонок, Д.С. Чиров // Вестник Московского Университета. Серия 3. Физика. Астрономия. -2015. - № 6. - С. 19 - 27.

6. Bijan, G. M. Digital modulation classification using constellation shape / Bijan G. M. // Signal Processing. - 2000. - Vol. 80. - Issue 2. - P. 251 - 277.

7. Velampalli, C. Hierarchical blind modulation classification in the presence of carrier frequency offset / C. Velampalli // Master's Thesis. Communications Research Center, May 2010. - P. 1 - 39.

8. Suganya, R. Fuzzy C-means algorithm - A review / R. Suganya, R. Shanthi // International Journal of Scientific and Research Publications, November 2012. - Vol. 2.

- Issue 11. - P. 1 - 3.

9. Tejwant, S. Performance comparison of fuzzy c-means with respect to other clustering algjrithm / S. Tejwant, M. Mr. Manish // International journal of advanced

research in computer science and software engineering, May 2014. - Vol. 4. - Issue 5. -P. 89 - 93.

10. Аджемов, С. С. Алгоритм распознавания вида цифровой модуляции сигнала по форме фазового созвездия с использованием самоорганизующихся карт Кохонена / С.С Аджемов, А.А. Стогов, М.В. Терешонок, Д.С. Чиров, М.В. Иванкович // T-Comm - Телекоммуникации и транспорт. - 2011. - С. 4 - 11.

11. Bagga, J. Automatic modulation classification using statistical features in fading environment/ J. Bagga, N. Tripathi // International Journal of Advanced Research in electrical, electronics and instrumentation engineering, August 2013, Vol. 2, Issue 8. P. 3701 - 3709.

12. Аведьян, Э.Д. К выбору кумулянтных признаков в задаче распознавания видов цифровой модуляции радиосигналов / Э.Д. Аведьян, В.Н. Дам // Информатизация и связь. - 2015. - № 4. - С. 11 - 15.

13. Zaerin, M. Multiuser Modulation Classification Based On Cumulants in AWGN Channel / M. Zaerin, B. Seyfe, H.R. Nikoofar // Tehran, Iran. August 14, 2009. P. 1-25. URL: 0908.2117.pdf.

14. Su, W. Higher-Order Blind Signal Feature Separation: An Enabling Technology for Battlefield Awareness / W. Su, J.A. Kosinski // U.S. Army Cerdec, Ft Monmouth, NJ 07703. NOV 2006. - P. 1 - 7. URL: ADA481532.

15. Swami, A. Hierarchical digital modulation classification using cumulants / A. Swami // IEEE Transactions on communications. March 2000. Vol. 48. No. 3. P. 416 -429.

16. Muhlhaus, M.S. Automatic Modulation Classification for MIMO Systems Using Fourth-Order Cumulants / M. S. Muhlhaus, M. Oner, O. A. Dobre, H. U. Jakel, F. K. Jondral // Vehicular Technology Conference (VTC Fall). 2012 IEEE. P. 1 - 5.

17. Marchard, P. Classification of linear modulations by a combination of different orders cyclic cumulants / P. Marchard, J. L. Lacoume, C. Martret // Proc. Workshop on HOS, 1997. P. 47 - 51.

18. Narendar, M. Modulation classification for cognitive radios using cumulants based on fractional lower order statistics / M. Narendar, A. P. Vinod, A. S. Madhukumar and

A. K. Krishna. // General Assembly and Scientific Symposium, 2011 XXXth URSI. -P. 1 - 4.

19. Dobre, O. Higher-order cyclic cumulants for high order digital modulation classification / O. Dobre, Y. BarNess, W. Su // Proceedings of IEEE MILCOM 2003, October 2003. - Vol. 1. - P. 112 - 117.

20. Ahn, W. H. Automatic modulation classification of digital modulation signals based on Gaussian mixture model/ W. H. Ahn, J. W. Choi, C. S. Park, B. S. Seo, M. J. Lee // UBICOMM 2014: The eighth international conference on mobile ubiquitous computing, system, services and technologies, 2014. - P. 275 - 280.

21. Spooner, C. On the utility of sixth-order cyclic cumulants, for RF signal classification / C. Spooner // Proc. ASILOMAR, 2001. P. 890-897.

22. Zhou, X. Signal classification method based on support vector machine and highorder cumulants / X. Zhou, Y. Wu, B. Yang // Wireless Sensor Network, 2010. - P. 48 -52.

23. Khandker, N.H. Recognition of digital modulated signals based on statistical parameters / N. H. Khandker, M. Ali, N. Sven // 4th IEEE International conference on Digital Ecossystems and Technologles - IEEE DEST 2010. P. 565 - 570.

24. Дам, В.Н. Автоматическое распознавание видов цифровой модуляции радиосигналов с помощью многослойной нейронной сети по кумулянтным признакам / В. Н. Дам // Информационные технологии. - 2016 г. - № 7. - Том 22.

- С. 555 - 560.

25. Аджемов, С.С. Распознавание видов цифровой модуляции радиосигналов с использованием нейронных сетей / С.С. Аджемов, М.В. Терешонок, Д.С. Чиров // Вестник Московского Университета. Серия 3. Физика. Астрономия. 2015. - № 1.

- С. 23 - 28.

26. Taira, S. Automatic classification of QAM signals by neural networks / S. Taira // Acoustics, Speech, and Signal Processing (ICASSP '01), 2001. -Vol. 2. - P. 1309 -1312.

27. Khan, M.A. Automatic modulation recognition of communication signals / M. A. Khan, Y. A. Bangash // Master's thesis of Electrical Engineering, 04/2012. P. 1 - 60.

28. El-khoribi, R.A. Automatic digital modulation recognition using artificial neural network in cognitive radio / R. A. El-khoribi, M. A. I. Shoman, A. G. A. Mohammed // International Journal of Emerging Trends of Technology in Computer Science (IJETTCS), May - June 2014. - Vol. 3. - Issue 3. - P. 132 - 136.

29. Dominguez, L. V. A general approach to the automatic classification of radiocommunication signals / L. V. Dominguez, J. M. Borrallo, J. P. Garcia, B. R. Mezcua // Signal Processing, 1991. - P. 239 - 250.

30. Iversen, A. Classification of digital modulation schemes using multi-layered perceptrons / A. Iversen // Report, School of Mathematical and Computer Sciences, Heriot-Watt University, 2004.

31. Shahnaz, A. Automatic modulation recognition and classification for digital modulated signals based on ANN algorithms / A. Shahnaz, M.R. Moniri // Joutnal of Multidisciplinary Engineering Science and Technology (JMEST), 2016. - Vol. 3. -Issue 12. - P. 6230 - 6235.

32. Ghauri, S. A. Modulation classification using spectral features on fading channels / S.A. Ghauri, I.M. Qureshi, S. Basir, H.U. Din // Science International. Lahore, 2014 -P. 147 - 153.

33. Wong, M. L. D. Automatic digital modulation recognition using artificial neural network and genetic algorithm / M.L.D. Wong, A.K Nandi // Signal Processing 84. 2004. - P. 351 - 365.

34. Nandi, A.K. Modulation recognition using artificial neural networks / A.K. Nandi, E.E. Azzouz // Signal Processing 56, 1997. - P. 165 - 175.

35. Li, J. Automatic Digital Modulation Recognition Using Feature Subset Selection / J. Li, J. Wang, X. Fan, Y. Zhang // Progress in Electro Magnetics Research Symposium, Hangzhou, China. March 24-28, 2008. - P. 351 - 354.

36. Marko, M. R. Application of artificial neural networks in classification of digital modulations for software defined radio / M.R. Marko, M.N. Aleksandar, J.N. Natasa // IEEE EUROCON 2009. - P. 1700 - 1706.

37. Azarbad, M. Automatic recognition of digital communication signal / M. Azarbad, S. Hakimi, A. Ebrahimzadeh // International Journal of Energy, Information and Communications, November 2012. - Vol. 3. - Issue 4. - P. 21 - 34.

38. Kubankova, A. Digital Modulation Recognition Based on Feature, Spectrum and Phase Analysis and its Testing with Disturbed Signals / A. Kubankova, B. Kubanek // TELE-INFO 11 - Recent Researches in Telecommunications, Informatics, Electronics and Signal Processing, 01/2011. - P. 162 - 166.

39. Bagga, J. Study and comparison of various modulation classification techniques under noisy channel conditions / J. Bagga, D.N. Tripathi // International Journal of Emerging Technology and Advanced Engineering, April 2012. - Vol. 2. - Issue 4. - P. 216 - 221.

40. Abdulnasir, H. Classification of modulation signals using statistical signal characterization and artificial neural networks / H. Abdulnasir, A.W. Fakhri, A.H. Joseph // Engineering Applications of Artificial Intelligence, June 2007. - Vol. 20. -No. 4. - P. 463-472.

41. Vladimir, D.O. Automatic modulation classification: Sixth - order cumulant features as a solution for real - world challenges / D.O. Vladimir, L.D. Miroslav // 20th Telecommunications forum TELFOR 2012, Serbia. November 20-22, 2012. - P. 392 -399.

42. Eric, L. Modulation recognition in fading channels using higher order cyclic cumulants / L. Eric, W. Zhiqiang, C. Vasu, S. Wei // 2nd International Conference on Cognitive Radio Oriented Wireless Networks and Communications, 2007.

43. Liu, M. Research on recognition algorithm of digital modulation by higher order cumulants / M. Liu, Y. Zhao, L. Shi, J. Dong // 4-th International Conference on Instrumentation and Measurement, Computer, Communication and Control. 2014. - P. 686 - 690.

44. Аведьян, Э.Д. Распознавание видов цифровой модуляции радиосигналов с использованием кумулянтных признаков / Э. Д. Аведьян, В. Н. Дам // IX Международная научно - практическая конференция «ЛЭРЭП-9-2015». - Ноябрь 2015 г. - С. 57 - 62.

45. Дам, В.Н. Автоматическое распознавание видов цифровой модуляции радиосигналов с помощью многослойной нейронной сети по кумулянтным признакам / В.Н. Дам // XIV Всероссийская научная конференция «Нейрокомпьютеры и их применение». - 2016 г. - С. 48.

46. Peng, L. Apparatus and method for classifying modulation in multipath environments / L. Peng, Z. Li // Patent No: US8385473B2. - 2010.

47. Дам, В.Н. Дерево логических решений и многослойная нейронная сеть в задаче распознавания видов цифровой модуляции / В.Н. Дам // Журнал «Нейрокомпьютеры: разработка, применение». - №7. - 2016 г. - С. 70 - 73.

48. Аведьян, Э.Д. Методы распознавания видов цифровой модуляции на основе кумулянтных признаков / Э.Д. Аведьян, В.Н. Дам // 15-я национальная конференция по искусственному интеллекту КИИ - 2016, г. Смоленск. - Октября 2016 г. - Том 2. - С. 156 - 161.

49. Gardner, W.A. The cumulant theory of cyclostationary time-series, part 1: Foundation / W.A. Gardner, M. Spooner // IEEE Trans. On Signal Processing, December 1994. - Vol. 42. - No. 12. - P. 3387 - 3408.

50. Leonov, V.P. On a method of calculation of cemi-invariants / V. P. Leonov, A.N. Shiryaev // Theory Prob. Appl., 1982, Vol. 4. P.319 - 328.

51. Dandawate, A.V. Asymptotic theory of mixed time averages and kth- order cyclic-moment and cumulant statistics / A.V. Dandawate, G.B. Giannakis // IEEE Trans. Informat. Theory, 1995. - Vol. 41. - P. 216 - 232.

52. Кендалл, М.Дж. Теория распределений, том 1 / М.Дж. Кендалл, А. Стьюарт; пер. с англ. В.А. Сазонова, А.Н. Ширяева; под ред. А.Н. Колмогорова. - М.: Наука, 1966. - 587 с.

53. Вентцель, Е.С. Теория вероятностей: Учеб. для вузов / Е.С. Вентцель. - 6-е изд. - M.: Высшая школа, 1999. - 576 с.

54. Малахов, А.Н. Кумулянтный анализ случайных негауссовых процессов и их преобразований / А. Н Малахов. - М.: Советское радио, 1978. - 376 c.

55. Гнеденко, Б.В. Курс теории вероятностей / Б.В. Гнеденко. - 6-е изд. - M.: Наука, 1988. - 447 с.

56. Токмачев, М.С. Вычисление кумулянтов и моментов распределения Майкснера / М.С. Токмачев // Вестник Новгородского государственного университета, 2013. - № 75. - Том 2. - С. 47 - 51.

57. Безуглов, Д.А. Кумулянтный метод идентификации закона распределения результатов измерений / Д.А. Безуглов, И.В. Андрющенко, С.А. Швидченко // Сервис в России и за рубежом, 2011. - № 5. - С. 30 - 39.

58. Бородкин, Д.К. Программный модуль для аналитической записи совместных моментов через кумулянтов / Д.К. Бородкин // Современные технологии. Системный анализ. Моделирование, 2014. - № 4. - С. 113 - 117.

59. Кузнецов, П.И. Прохождение некоторых случайных функций через линейные системы / П.И. Кузнецов, Р.Л. Стратонович, В.И. Тихонов // Автоматика и телемеханика, 1953. - Том 14. - № 2. - С. 144 - 163.

60. Яглом, А.М. Введение в теорию стационарных случайных функций / А.М. Яглом // Успехи математических наук, 1952. - Том 7. - № 51. - С. 3 - 168.

61. Гнеденко, Б.В. Предельные законы для сумм независимых случайных величин / Б.В. Гнеденко // Успехи математических наук, 1944. - № 10. - С. 115 - 165.

62. Кибзун, А.И. Теория вероятностей и математическая статистика. Базовая курс с примерами и задачами: учебное пособие / А.И. Кибзун, Е.Р. Горяинова, А.В. Наумов, А.Н. Сиротин. - М.: ФИЗМАТЛИТ, 2002. - 224 с.

63. Сергиенко, А.Б. Цифровая обработка сигналов / А.Б. Сергиенко. - СПб.: Питер, 2002. - 608 с.: ил.

64. Пугачев, В.С. Теория случайных функций и ее применение к задачам автоматического управления / В.С. Пугачев. - М.: ФМ, 1960. - 883 с.

65. Гришин, Ю.П. Радиотехнические системы / Гришин Ю.П., В.П. Ипатов, Ю.М. Казаринов. - M.: Высшая школа, 1990. - 496 с.

66. Дьяконов, В.П. Matlab полный самоучитель / В.П. Дьяконов. - М.: ДМК Пресс, 2012. - 768 с.: ил.

67. Иглин, С.П. Теория вероятностей и математическая статистика на базе MATLAB: учебное пособие / С.П. Иглин. - Харьков: НТУ "ХПИ", 2006. - 612 с.

68. Медведев, В.С. Нейронные сети. MATLAB 6 / В.С. Медведев, В.Г. Потемкин. - М.: ДИАЛОГ-МИФИ, 2001. - 630 с.

69. Мартынов, Н.Н. MATLAB 5.X. Вычисления, визуализация, программирование / Н.Н. Мартынов, А.П. Иванов. - М.: «Кудиц-Образ», 2000. - 330 с.

70. Поршнев, С.В. MATLAB 7. Основы работы и программирования / С.В. Поршнев. - М.: Бином, 2011. - 320 с.

71. Statistics Toolbox User's Guide. - The MathWorks, Inc., 1993 - 2001.

72. Neural Network Toolbox User's Guide. - The MathWorks, Inc., 1992 - 2018.

73. Communications System Toolbox User's Guide. - The MathWorks, Inc., 2011 -2018.

74. Filter Design Toolbox User's Guide. - The MathWorks, Inc., 2000.

75. Statistics and Machine Learning Toolbox User's Guide. - The MathWorks, Inc., 1993 - 2018.

76. Дам, В.Н. Влияние законов распределения шума на выбор кумулянтных признаков в задаче распознавания видов цифровой модуляции радиосигналов / В.Н. Дам // Международная конференция EN&T 2016. - Секция 2. - C. 73 - 75.

77. Дам, В.Н. Исследование влияния различных шумов на выбор кумулянтных признаков в задаче распознавания видов цифровой модуляции радиосигналов / В.Н. Дам, Х.Н. Ле // Информатизация и связь 2017. - № 1. - С. 43 - 48.

78. Aved'yan, E.D. Learning systems. - Springer. - 119 P.

79. Suratgar, A.A. Modified Levenberg - Marquardt method for neural networks training / A.A. Suratgar, M.B. Tavakoli, A. Hoseinabadi // International Journal of Computer, Electrical, Automation, Control and Information Engineering. 2007. - Vol. 1. - No. 6. - P. 1745 - 1747.

80. Хайкин, С. Нейронные сети: полный курс / С. Хайкин; пер. с англ. под ред. Н.Н. Куссуль. - 2-е изд. - М.: Издательный дом "Вильямс", 2006. - 1104 с.

81. Галушкин, А.И. Многослойные системы распознавания образов / А.И Галушкин. - М., МИЭМ, 1970. - 167 с.

82. Галушкин, А.И. О методах настройки многослойных нейронных сетей / А.И. Галушкин // XII Всероссийское совещание по проблемам управления (ВСПУ -2014), Москва. - С. 3936 - 3947.

83. Галушкин, А.И. Нейронные сети: основные теории / А.И. Галушкин. - М.: Горячая линия - Телеком, 2010. - 480 с.

84. Галушкин, А.И. Синтез многослойных нейронных систем распознавания образов / А.И. Галушкин. - М.: Энергия, 1974. - 368 с.

85. Martin, F.M. A Scaled Conjugate Gradient Algorithm for Fast Supervised Learning / F.M. Martin // Computer Science Department University of Aarhus Denmark, November 1990.

86. Charalambous, C. Conjugate gradient algorithm for efficient training of artificial neural networks / C. Charalambous // IEEE Proceedings, 1992. - Vol 139. - No. 3. -PP. 301 - 310.

87. Chen, T.C. Acceleration of Levenberg - Marquardt training of neural networks with variable decay rate / T.C. Chen, D.J. Han, F.T.K Au, L.G. Than // IEEE Trans. On Neural Net, 2003. - Vol. 3. - No. 6. - PP. 1873 - 1878.

88. Wilamowski, B.M. Efficient algorithm for training neural networks with one hidden layer / B. M. Wilamowski, Y. Chen, A. Malinowski // In Proc. IJCNN, 1999. - Vol. 3. -PP. 1725 - 1728.

89. Караван, О.В. Различие созвездий сигналов с квадратурной амплитудной модуляцией в условиях параметрической априорной неопределенности: дис. ... канд. физ.-мат. наук: 01.04.03 / Караван Олег Валерьевич. - Воронеж, 2010. - 120 с.

90. Беляева, М.Б. Распознавание модуляции: что можно узнать, если заранее ничего не известно / М.Б. Беляева // Цифровая обработка сигналов. - 2013. - № 2. - С. 55 - 63.

91 . Петров, А.В. Слепые методы оценки параметров сигналов в цифровых системах передачи информации: дис. ... канд. тех. наук: 05.12.04 / Петров Александр Валерьевич. - СПб., 2016. - 156 с.

92. Zaihe, Y. Automatic modulation classification of communication signals: doctor's dissertation of New Jersey Institute of Technology, 2006. - 231 P.

93. Сергиенко, А.Б. Цифровая связь: учебное пособие / А.Б. Сергиенко. - Санкт-Петербург: Изд-во СПбГЭТУ «ЛЭТИ», 2012. - 164 с.

94. Serpedin, E. Performance Analysis of blind carrier phase Estimators for general QAM constellatons. / E. Serpedin, P. Ciblat, G.B. Giannakis, P. Loubaton // IEEE Trans. On Signal Processing, 2001. - Vol. 49. - No. 8. - P. 1816 - 1823.

95. Mengali, U. Synchronization techniques for digital receiver / U. Mengali, A.N.D' Andrea. - New York: Plenum Press, 1997. - P. 520.

96. Paden, B.E. A matched nonlinearity for phase estimation of PSK-modulated carrier / B.E. Paden // IEEE Trans. On Information Theory, 1986. - Vol. IT-32. - No. 3. - P. 419

- 422.

97. Wang, Y. A class of Blind Phase Recovery Techniques for Higher Order QAM Modulations: Estimators and Bounds / Y. Wang, E. Serpedin // IEEE Signal Processing Letters, 2002. - Vol. 9. - No. 10. - P. 301 - 304.

98. Campisi, P. Blind Phase Recovery for QAM Communication Systems / P. Campisi, G. Panci, S. Colonnese, G. Scarano // IEEE Trans. on Signal Processing, 2005. - Vol. 53. - No. 4. - P. 1348 - 1358.

99. Moller, M.F. A scaled conjugate gradient algorithm for fast supervised learning / M.F. Moller // DAIMI PB - 339, November 1990. - P. 1 - 22.

100. Втюрин, А.Н. Компьютерные технологии в науке и производстве / А.Н. Втюрин, А.С. Крылов // Научно-образовательный курс ФГБУН институт физики им. Л.В. Киренского Сибирского отделения РАН, Красноярск 2013. - 119 С.

101. Пейч, Л.И. LabVIEW для новичков и специалистов / Л.И. Пейч, Д.А. Точилин, Б.П. Поллак. - М.: Горячая линия - Телеком, 2004. - 383 с.

102. Магда, Ю.С. LabVIEW: практический курс для инженеров и разработчиков / Ю.С. Магда. - М.: ДМК Пресс, 2012. - 208 с.

103. Трэвис, Дж. LabVIEW для всех. 4-е издание, переработанное и дополненное.

- М. : ДМК Пресс, 2011. - 904 с.

104. Rich Bitter, Taqi Mohiuddin and Matthew Nawrocki. LabVIEW Advanced Programming Techniques. CRC Press, 2000. ISBN: 0849320496.

105. Gary Johnson, Richard Jennings. LabVIEW Graphical Programming. McGraw Hill, 2006. ISBN: 0071451463.

106. Jon Conway, Steve Watts. A Software Engineering Approach to LabVIEW. Prentice Hall, 2003. ISBN: 0130093653.

107. Блюм, П. LabVIEW: стиль программирования / П. Блюм. Пер. с англ. Под ред. Михеева П. - М.: ДМК Пресс, 2008. - 400 с.: ил.

108. Воробьева, Е.И. Распознавание вида модуляции сигналов в системах радиомониторинга / Е.И. Воробьева, Р.А. Немцов, П.П. Чураков // Вестник Воронежского государственного технического университета. - 2015. - № 4. - Том 11. - С. 72 - 76.

109. Шеляпин, Е.С. Способ и устройство определения вида модуляции / Е.С. Шеляпин, С.В. Богатский, А.Ф. Гончаров // Описание изобретения к патенту RU 2361368, 2009.

110. Шестаков, А.Л. Оценка несущей частоты случайной последовательности импульсов методом Прони / А.Л. Шестаков, А.С. Семенов, О.Л. Ибряева // Вестник ЮУрГУ, 2009. - № 37. - С. 106 - 115.

111. Barone, P. The segmented Prony method for the analysis of non-stationary time series / P. Barone, E. Massaro, A. Polichetti // Astron. Astrophys. - 1989. - Vol. 209. -P. 435 - 444.

112. Erchin, S. Performance analysis of blind carrier phase estimators for general QAM constellations / S. Erchin, C. Philippe, B.G. Georgios, L. Philippe // IEEE Transactions on Signal Processing, 2001. - Vol. 49. - No. 8. - P. 1816 - 1823.

113. Andrew, J.V. Nonlinear estimation of PSK-modulated carrier phase with application to burst digital transmission / J.V. Andrew, M.V. Audrey // IEEE Transactions on Information theory, 1983. - Vol. IT-29. - No. 4. - P. 543 - 551.

114. Bellini, S. Digital frequency estimation in burst mode QPSK Transmission / S. Bellini, C. Molinari, G. Tartara // IEEE Transactions on Communications, 1990. - Vol. 38. - No. 7. - P. 959 - 961.

115. Marc, M. ML-Oriented NDA carrier synchronization for general rotationally symmetric signal constellations / R. Marc, D.J. Geert // IEEE Transactions on communications, 1994. - Vol. 42. - No. 8. - P. 2531 - 2533.

116. Philippe, C. Blind NLLS carrier frequency-offset estimation for QAM, PSK, and PAM modulations: performance at low SNR / C. Philippe, G. Mounir // IEEE Transactions on Communications, 2006. - Vol. 54. - No. - P. 1725 - 1730.

117. Yan, W. New advances in synchronization of digital communication receivers / W. Yan // A dissertation for the degree of doctor of philosophy, Texas A&M University, 2003. - 186 P.

118. Brad, E.P. A matched nonlinearity for phase estimation of a PSK-modulated carrier / E.P. Brad // IEEE Transactions on Information theory, 1986. - Vol. IT-32. -No. 3. - P. 419 - 422.

119. Franco, M. Blind least-squares estimation of carrier phase, Doppler shift, and Doppler rate for M-PSK burst transmission / M. Franco, E.C. Giovanni // IEEE Communications letters, 1998. - Vol. 2. - No. 3. - P. 73 - 75.

120. Dmitry, T. Maximum-Likelihood estimation of phase and frequency of M-PSK signals // T. Dmitry, B.D. Israel // IEEE Transactions on information theory, 1999. -Vol. 45. - No. 7. - P. 2652 - 2655.

121. Yan, W. Optimal blind carrier recovery for M-PSK burst transmissions / W. Yan, S. Erchin, C. Philippe // IEEE Transactions on Communications, 2003. - Vol. 51. - No. 9. - P. 1571 - 1581.

122. Yan, W. Optimal blind nonlinear least-squares carrier phase and frequency offset estimation for general QAM modulations / W. Yan, S. Erchin, C. Philippe // IEEE Transactions on Wireless Communications, 2003. - Vol. 2. - No. 5. - P. 1040 - 1054.

123. Дам, В.Н. OFDM - модуляция в задаче автоматического распознавания вида цифровой модуляции / В. Н. Дам // Информационные технологии. - 2018 г. - № 5. - Том 24. - С. 345 - 350.

124. Дам, В. Н. Задача автоматического распознавания OFDM модуляции / В. Н. Дам // Тезисы докладов XVI Всероссийской научной конференции «Нейрокомпьютеры и их применение». - 2018 г. - С. 195 - 196.

125. Дам, В. Н. Структура систем автоматического распознавания видов цифровой модуляции радиосигналов / В. Н. Дам // Тезисы докладов XV Всероссийской научной конференции «Нейрокомпьютеры и их применение». -2017 г. - С. 102 - 103.

ПРИЛОЖЕНИЕ

Приложение А: MATLAB коды программирования для моделирования

Создание базы данных для обучения и тестирования в среде MATLAB R2016a

Fc = 2e7; % Несущая частота

Fc_fix = 2e7; % Оценка значения несущей частоты

frequency_separation = 100000;

Fs = 839680; % Частота дискретизации

samples_per_symbol = 100; %

R = 64;

symbol_rate = Fs/samples_per_symbol; lengthData = 3600; % Количество отчетов % Исходные параметры

index = zeros(8000,1); % Указание вида цифровой модуляции P = zeros(17,8000); % Матрица признаков T = zeros(8,8000); % Матрица выходов для нейронной сети index_array = randi([1 8],1,8000); % Генерация случайного вида цифровой модуляции по равномерному закону распределения

snr_array = randi([0 20],1,8000); % Генерация значения ОСШ (с 0 до 20дБ) по равномерному закону распределения for ii = 1:8000

data = randi([0 1],lengthData,1); index1 = index_array(1,ii); snr = snr_array(1,ii); switch index1 case 1 % 2-PSK

hModulator = comm.PSKModulator(2,'BitInput',true); hModulator.PhaseOffset = 0; modData = step(hModulator, data);

case 2 % 4-PSK

hModulator = comm.PSKModulator(4,'BitInput',true); hModulator.PhaseOffset = pi/4; modData = step(hModulator, data); case 3 % 8-PSK

hModulator = comm.PSKModulator(8,'BitInput',true); hModulator.PhaseOffset = pi/8; modData = step(hModulator, data); case 4 % 2-FSK M = 2;

hModulator = comm.FSKModulator(M,frequency_separation); hModulator.SymbolRate = symbol_rate; hModulator.SamplesPerSymbol = samples_per_symbol; modData = step(hModulator,data); case 5 % 8-QAM hModulator =

comm.RectangularQAMModulator('ModulationOrder',8,,BitInput,,true); modData = step(hModulator,data)/sqrt(б); case б % 16-QAM hModulator =

comш.RectangularQAMModulator(,ModulationOrder,,1б,,BitInput,,true); modData = step(hModulator,data)/sqrt(l0); case 7 % 64-QAM hModulator =

comm.RectangularQAMModulator^ModulationOrder'^/BitInput^true); modData = step(hModulator,data)/sqrt(42); case 8 % OFDM Ndata = 225; Nsymb = 4; NFFT = 25б;

GI = 32; hModulator =

comm.RectangularQAMModulator(,ModulationOrder',16,,BitInput,,true); datamod = step(hModulator,data)/sqrt(10); C_LOC = NFFT/2-(Ndata-1 )/2-1: NFFT/2+(Ndata-1 )/2+3; data_in = reshape(datamod,Ndata,Nsymb); datain = data_in.'; Nofpils = 4;

pilot = 4/3*max(abs(datamod)); for i=1:Nsymb xyz = 1;

for j=(1:59:Ndata+Nofpils) datain1(i,j) = pilot; for z=j+1:j+58 if xyz<= Ndata datain1(i,z) = datain(i,xyz); xyz = xyz + 1; end; end; end; end;

fftDI = zeros(Nsymb, NFFT); fftDI(:, C_LOC) = datain1; fftDI = fftshift(fftDI, 2);

data2papr = NFFT/sqrt(Ndata)*ifft(fftDI, NFFT, 2); outdata = zeros(Nsymb,NFFT+GI); for i=1:Nsymb for j=1:NFFT

outdata(i,j+GI) = data2papr(i,j); end;

for k=1:GI

outdata(i,k) = data2papr(i,NFFT-GI+k); end; end;

modData = reshape(outdata',[],1);

end;

indexloop = length(modData);

I_tr = real(modData);

Q_tr = imag(modData);

I_up = 64*upsample(I_tr,R);

Q_up = 64*upsample(Q_tr,R);

% Увеличение частоты дискретизации R = 64

load('Lowpass.mat');

I_f = conv(I_up,Lowpass);

Q_f = conv(Q_up,Lowpass);

% Фильтр низких частот

indexloopl = length(I_f);

t = indexloop1/(Fs*R);

t_i = (1:1:indexloop1)/(Fs*R);

s_t = zeros(indexloop1,1);

for i=1:indexloop1

s_t(i,1) = I_f(i,1)*cos(2*pi*Fc*t_i(1,i)+0.1) + Q_f(i,1)*sin(2*pi*Fc*t_i(1,i)+0.1); end;

s_t = awgn(s_t,snr,'measured'); for i=1:length(s_t)

s_r_i(i) = s_t(i)*cos(2*pi*Fc_fix*t_i(1,i)); s_r_q(i) = s_t(i)*sin(2*pi*Fc_fix*t_i(1,i)); end;

I_f_r = conv(s_r_i,Lowpass); Q_f_r = conv(s_r_q,Lowpass);

% Фильтр низких частот

I_down_r = 2*downsample(I_f_r,R); Q_down_r = 2*downsample(Q_f_r,R); % Уменьшение частоты дискретизации R = 64 s_c = complex(I_down_r,Q_down_r); % Комплексные отсчеты for i=12:(length(s_c)-11)

noisyData_1(i-11,1) = s_c(1,i); end;

indexloop = 80;

noisyData = noisyData_1(1:indexloop,1); % Исходные IQ данные (I+jQ) conjData = conj(noisyData);% Оформлять сопряженный сигнал E_20 = zeros(indexloop,1); for i = 1:indexloop

E_20(i,1) = noisyData(i,1)A2; end;

E20 = mean(E_20); % E20

E_02 = zeros(indexloop,1); for i = 1:indexloop

E_02(i,1) = conjData(i,1)A2; end;

E02 = mean(E_02); % E02

E_11 = zeros(indexloop,1); for i = 1:indexloop

E_11(i,1) = (noisyData(i, 1 ))*(conjData(i,1)); end;

E11 = mean(E_11); % E11

E_30 = zeros(indexloop,l); for i = l:indexloop

E_30(i,l) = noisyData(i,1)л3; end;

E30 = mean(E_30); % E30

E_03 = zeros(indexloop,l); for i = l:indexloop

E_03(i,l) = conjData(i,1)л3; end;

E03 = mean(E_03); % E03

E_21 = zeros(indexloop,l); for i = l:indexloop

E_2l(i,l) = (noisyData(i, 1 ^2)*(conjData(i,l)); end;

E21 = mean(E_2l); % E21

E_12 = zeros(indexloop,l); for i = l:indexloop

E_l2(i,l) = (conjData(i,l^2)*(noisyData(i,l)); end;

E12 = mean(E_l2); % E12

E_40 = zeros(indexloop,l); for i = l:indexloop

E_40(i,l) = noisyData(i,1)Л4; end;

E40 = mean(E_40); % E40

E_04 = zeros(indexloop,1); for i = 1:indexloop

E_04(i,1) = conjData(i,1)Л4; end;

E04 = mean(E_04); % E04

E_31 = zeros(indexloop,1); for i = 1:indexloop

E_31(i,1) = (noisyData(i, 1 ^3)*(conjData(i,1)); end;

E31 = mean(E_31 ); % E31

E_13 = zeros(indexloop,1); for i = 1:indexloop

E_13(i,1) = (conjData(i,1^3)*(noisyData(i,1)); end;

E13 = mean(E_13); % E13

E_22 = zeros(indexloop,1); for i = 1:indexloop

E_22(i,1) = (noisyData(i,1^2)*(conjData(i,1^2); end;

E22 = mean(E_22); % E22

E_50 = zeros(indexloop,1); for i = 1:indexloop

E_50(i,1) = noisyData(i,1^5; end;

E50 = mean(E_50); % E50

E_41 = zeros(indexloop,l); for i = l:indexloop

E_4l(i,l) = (noisyData(i, 1 )M)*(conjData(i,l)); end;

E41 = mean(E_4l); % E41

E_14 = zeros(indexloop,l); for i = l:indexloop

E_l4(i,l) = (conjData(i,l)M)*(noisyData(i,l)); end;

E14 = mean(E_l4); % E14

E_32 = zeros(indexloop,l); for i = l:indexloop

E_32(i,l) = (noisyData(i, 1 ^3)*(conjData(i,l^2); end;

E32 = mean(E_32); % E32

E_23 = zeros(indexloop,l); for i = l:indexloop

E_23(i,l) = (noisyData(i,l^2)*(conjData(i,l^3); end;

E23 = mean(E_23); % E23

E_60 = zeros(indexloop,l); for i = l:indexloop

E_60(í,1) = (noisyData(i, 1 )лб); end;

E60 = mean(E_60); % E60

E_51 = zeros(indexloop,1); for i = 1:indexloop

E_51(i,1) = (noisyData(i, 1 ^5)*(conjData(i,1^1); end;

E51 = mean(E_51); % E51

E_15 = zeros(indexloop,1); for i = 1:indexloop

E_15(i,1) = (noisyData(i,1^1)*(conjData(i,1^5); end;

E15 = mean(E_15); % E15

E_42 = zeros(indexloop,1); for i = 1:indexloop

E_42(i,1) = (noisyData(i,1^4)*(conjData(i,1^2); end;

E42 = mean(E_42); % E42

E_24 = zeros(indexloop,1); for i = 1:indexloop

E_24(i,1) = (noisyData(i,1^2)*(conjData(i,1^4); end;

E24 = mean(E_24); % E24

E_33 = zeros(indexloop,1); for i = 1:indexloop

E_33(i,1) = (noisyData(i,1^3)*(conjData(i,1^3); end;

E33 = mean(E_33); % E33

E_70 = zeros(indexloop,l); for i = l:indexloop

E_70(i,l) = (noisyData(i, 1 )Л7); end;

E70 = mean(E_70); % E70

E_61 = zeros(indexloop,l); for i = l:indexloop

E_6l(i,l) = (noisyData(i,l^6)*conjData(i,l); end;

E61 = mean(E_6l); % E61

E_52 = zeros(indexloop,l); for i = l:indexloop

E_52(i,l) = (noisyData(i,l^5)*(conjData(i,l^2); end;

E52 = mean(E_52); % E52

E_43 = zeros(indexloop,l); for i = l:indexloop

E_43(i,l) = (noisyData(i,l^4)*(conjData(i,l^3); end;

E43 = mean(E_43); % E43

E_80 = zeros(indexloop,l); for i = l:indexloop

E_80(i,l) = noisyData(i,l^8; end;

E80 = mean(E_80); % E80

E_71 = zeros(indexloop,1); for i = 1:indexloop

E_71(i,1) = (noisyData(i,1)A7)*(conjData(i,1)A1); end;

E71 = mean(E_71); % E71

E_62 = zeros(indexloop,1); for i = 1:indexloop

E_62(i,1) = (noisyData(i,1)A6)*(conjData(i,1)A2); end;

E62 = mean(E_62); % E62

E_53 = zeros(indexloop,1); for i = 1:indexloop

E_53(i,1) = (noisyData(i,1)A5)*(conjData(i,1)A3); end;

E53 = mean(E_53); % E53

E_44 = zeros(indexloop,1); for i = 1:indexloop

E_44(i,1) = (noisyData(i,1)A4)*(conjData(i,1)A4); end;

E44 = mean(E_44); % E44

% Вычисление моментов

C20 = E20;

C40 = E40 - 3*E20A2;

C31 = E31 - 3*E20*E11;

C22 = E22 - E20*E02 - 2*E11A2;

C60 = E60 - 15*E20*E40 - 10*E30A2 + 30*E20A3;

C51 = E51 - 10*E20*E31 - 5*E11*E40 - 10*E30*E21 + 30*E20Л2*E11; C42 = E42 - E02*E40 - 8*E11*E31 - 4*E30*E12 - 6*E20*E22 - 6*E2^2 + 6*E20Л2*E02 + 24*E1^2*E20;

C33 = E33 - 3*E31*E02 - E30*E03 - 9*E22*E11 - 9*E21*E12 - 3*E20*E13 + 18*E20*E11*E02 + 12*E1^3;

C70 = E70 - 21*E50*E20 - 35*E40*E30 + 210*E30*E20Л2;

C61 = E61 - 15*E41*E20 - 6*E50*E11 - 20*E31*E30 - 15*E40*E21 + 90*E21*E20Л2 + 120*E30*E20*E11;

C52 = E52 - 10*E32*E20 - 10*E41*E11 - E50*E02 - 10*E22*E30 - 20*E31*E21 -5*E40*E12 + 30*E12*E20Л2 + 120*E21*E20*E11 + 40*E30*Em2 + 20*E30*E20*E02;

C43 = E43 - 6*E23*E20 - 12*E32*E11 - 7*E41*E02 - 4*E13*E30 - 18*E22*E21 -12*E31*E12 - E40*E03 + 6*E03*E20Л2 + 72*E20*E11*E12 + 72*E2l*Em2 + 36*E20*E02*E21 + 24*E11*E02*E30;

C80 = E80 - 28*E60*E20 - 56*E50*E30 - 35*E40Л2 - 630*E20Л4 + 420*E40*E20Л2 + 5б0*E30Л2*E20;

C71 = E71 - 21*E51*E20 - 7*E60*E11 - 35*E41*E30 - 21*E50*E21- 35*E40*E31 + 210*E20Л2*E31 + 210*E40*E20*E11 + 420*E30*E20*E21 + 140*E30Л2*E11 -б30*E20лз*E11;

C62 = E62 - 15*E42*E20 - 12*E51*E11 - E60*E02 - 20*E32*E30 - 30*E41*E21 -

6*E12*E50 - 20*E31Л2 - 15*E22*E40 + 90*E22*E20Л2 + 240*E20*E31*E11 +

б0*E11Л2*E40 + 30*E40*E20*E02 + 180*E2^2*E20 + 120*E30*E20*E12 +

240*E11*E21*E30 + 20*E30Л2*E02 - 540*E20Л2*E11Л2 - 90*E20Л3*E02;

C53 = E53 - 10*E33*E20 - 15*E42*E11 - 3*E51*E02 - 10*E23*E30 - 30*E21*E32 -

15*E41*E12 - E50*E03 - 30*E31*E22 - 5*E40*E13 + 30*E13*E20Л2 +

180*E20*E22*E11 + 120*E11Л2*E31 + 60*E20*E02*E31 + 30*E40*E11*E02 +

180*E21*E12*E20 + 180*E11*E21Л2 + 120*E30*E11*E12 + 20*E30*E03*E20 +

60*E30*E21*E02 - 360*E20*E1^3 - 270*E20Л2*E02*E11;

C44 = E44 - 6*E24*E20 - 16*E33*E11 - 6*E42*E02 - 4*E14*E30 - 24*E21*E23 -

24*E12*E32 - 4*E03*E41 - 18*E22Л2 - 16*E31*E13 - E40*E04 + б*E04*E20Л2 +

96*E20*E11*E13 + 144*E22*E11A2 + 72*E20*E02*E22 + 96*E11*E02*E31 + 6*E40*E02A2 + 72*E12A2*E20 + 48*E21*E03*E20 + 288*E21*E11*E12 + 36*E02*E21A2 + 48*E30*E02*E12 + 32*E30*E03*E11 + 36*E21*E12*E02 + 144*E11A4 - 54*E20A2*E02A2; % Вычисление кумулянтов

P(1,ii)= = real(C20);

P(2,ii) = = real(C40);

P(3,ii) = = real(C31);

P(4,ii) = real(C22);

P(5,ii) = real(C60);

P(6,ii) = = real(C51);

P(7,ii) = real(C42);

P(8,ii) = real(C33);

P(9,ii) = real(C70);

P(10,ii = real(C61);

P(11,ii = real(C52);

P(12,ii = real(C43);

P(13,ii = real(C80);

P(14,ii) = real(C71);

P(15,ii = real(C62);

P(16,ii = real(C53);

P(17,ii = real(C44);

% Сохранение признаков в матрицу

T(index1,ii) = 1;

end;

save P P;

save T T; % Сохранение матрицы входа и выхода для многослойной нейронной сети

Оценка несущей частоты в среде MATLAB R2016a

Fc = 2e7; % Истинное значение несущей частоты phase_offset = 0; frequency_separation = 100000; Fs = 839680;

samples_per_symbol = 10; lengthData = 360000; snr=10000; R = 64;

symbol_rate = Fs/samples_per_symbol; % index of modulation types index = 2; % Выбор вида цифровой модуляции for zzz=1:200 % Количество выборок data = randi([0 1],lengthData,1); switch index case 1

hModulator = comm.PSKModulator(2,'BitInput',true); hModulator.PhaseOffset = 0; modData = step(hModulator, data); case 2

hModulator = comm.PSKModulator(4,'BitInput',true); hModulator.PhaseOffset = pi/4; modData = step(hModulator, data); case 3

hModulator = comm.PSKModulator(8,'BitInput',true); hModulator.PhaseOffset = pi/8; modData = step(hModulator, data); case 4 M = 2;

hModulator = comm.FSKModulator(M,frequency_separation); hModulator.SymbolRate = symbol_rate;

hModulator.SamplesPerSymbol = samples_per_symbol; modData = step(hModulator,data); case 5

hModulator =

comm.RectangularQAMModulator('ModulationOrder',8,,BitInput,,true); modData = step(hModulator,data)/sqrt(6); case 6

hModulator =

comm.RectangularQAMModulator('ModulationOrder',16,,BitInput,,true); modData = step(hModulator,data)/sqrt(10); case 7

hModulator =

comm.RectangularQAMModulator('ModulationOrder',64,,BitInput,,true); modData = step(hModulator,data)/sqrt(42); example = modData; case 8

Ndata = 225; Nsymb = 4000; NFFT = 256; GI = 32; hModulator =

comm.RectangularQAMModulator('ModulationOrder',16,,BitInput,,true); datamod = step(hModulator,data)/sqrt(10); C_LOC = NFFT/2-(Ndata-1 )/2-1 : NFFT/2+(Ndata-1 )/2+3 ; data_in = reshape(datamod,Ndata,Nsymb); datain = data_in.'; Nofpils = 4;

pilot = 4/3*max(abs(datamod)); for i=1:Nsymb

xyz = 1;

for j=(1:59:Ndata+Nofpils) datain1(i,j) = pilot; for z=j+1:j+58 if xyz<= Ndata datain1(i,z) = datain(i,xyz); xyz = xyz + 1; end; end; end; end;

fftDI = zeros(Nsymb, NFFT); fftDI(:, C_LOC) = datain1; fftDI = fftshift(fftDI, 2);

data2papr = NFFT/sqrt(Ndata)*ifft(fftDI, NFFT, 2); outdata = zeros(Nsymb,NFFT+GI); for i=1:Nsymb for j=1:NFFT

outdata(i,j+GI) = data2papr(i,j); end;

for k=1:GI

outdata(i,k) = data2papr(i,NFFT-GI+k); end; end;

modData = reshape(outdata',[],1);

end;

I_tr = real(modData); Q_tr = imag(modData); I_up = 64*upsample(I_tr,R); Q_up = 64*upsample(Q_tr,R); % Upsample and gain = 64

load('Lowpass.mat'); % load('test.mat'); I_f = conv(I_up,Lowpass); Q_f = conv(Q_up,Lowpass); % Filter

indexloopl = length(I_f); t = indexloop1/(Fs*R); t_i = (1:1:indexloop1)/(Fs*R); for i=1:indexloop1

s_t(i,1) = I_f(i, 1)*cos(2*pi*Fc*t_i(1 ,i)) + Q_f(i, 1 )*sin(2*pi*Fc*t_i( 1 ,i)); end;

s_t = awgn(s_t,snr,'measured');

Fd = Fs*R;

Nfft = 16384*256;

F = 0:Fd/Nfft:Fd/2-Fd/Nfft;

IQ_fft = abs(fft(s_t,Nfft));

[s_delta F_max_delta] = max(IQ_fft(1:length(F)));

Fc_delta = F_max_delta*(Fd/Nfft);

figure(1); % Построение спектра получаемого сигнала

plot(F,IQ_fft(1:length(F)));

a1 = 1.4e7;

b1 = 2.6e7;

a_step = round(a1/(Fd/Nfft)); b_step = round(b1/(Fd/Nfft));

am = 600:1:700; % Отрезок спектра, в котором проводится оценка z_avr = zeros(length(am),1); for i=1:length(am) for j=a_step: b_step if IQ_fft(j,1)>=am(1,i) z_min = j; break; end;

end;

for j=a_step: b_step if IQ_fft(j ,1)>=am(1 ,i) z_max = j; end; end;

z_avr(i,1) = (z_min + z_max)/2; end;

Fc_error = mean(z_avr)*(Fd/Nfft); % Значение оценки несущей частоты по выборке result = zeros(2,1); result( 1,1) = Fc_error; result(2,1) = Fc - Fc_error;

dlmwrite(,result.txt,,result,,,delimiter,,,\t,,,precision,,10,,newline', ,pc',,-append');

% Сохранение в файл

end;

Исследование влияния шума в канале связи на решение задачи в среде MATLAB R2016a

SNR = 0; % Отношение сигнала к шуму Fc_fix = 2e7; % Оценка несущей частоты Fc = 2e7; % Несущая частота frequency_separation = 100000; Fs = 839680;

samples_per_symbol = 100; R = 64; R_fix = 64;

symbol_rate = Fs/samples_per_symbol; lengthData = 36000; % Исходные параметры P = zeros(9,1); T = zeros(8,1);

data = randi([0 1],lengthData,1); % Информационный сигнал

hModulator = comm.PSKModulator(4,'BitInput',true);

hModulator.PhaseOffset = pi/4;

modData = step(hModulator, data);

% 4-PSK модуляция

indexloop = length(modData);

I_tr = real(modData);

Q_tr = imag(modData);

I_up = 64*upsample(I_tr,R);