Narzędzia help

Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
cannonical link button

http://yadda.icm.edu.pl:80/baztech/element/bwmeta1.element.baztech-bc2153d1-b362-4dbc-a7af-fe8a0444175b

Czasopismo

Elektronika : konstrukcje, technologie, zastosowania

Tytuł artykułu

Analiza algorytmu automatycznego rozpoznawania modulacji na potrzeby radia kognitywnego oraz systemów rozpoznania radioelektronicznego

Autorzy Walenczykowska, M.  Kawalec, A. 
Treść / Zawartość
Warianty tytułu
EN Analysis of Automatic Modulation Recognition Algorithm for Cognitive Radio (CR) and Radio intelligence (SIGINT)
Języki publikacji PL
Abstrakty
PL Potrzeba opracowania skutecznego algorytmu automatycznego rozpoznawania typów modulacji (ang. Automatic Modulation Recognition - AMR) stała się jednym z najważniejszych zagadnień związanych nie tylko z rozwojem systemów rozpoznania radioelektronicznego ale również systemów radia kognitywnego (ang. Cognitive Radio - CR) budowanych w oparciu o radio programowalne (ang. Software Defined Radio - SDR). Praca zawiera opis jednego z proponowanych algorytmów rozpoznawania wybranych typów modulacji, w którym zastosowano transformację falkową (ang. Wavelet Transform - WT) oraz sztuczną sieć neuronową (ang. Artificial Neural Network - ANN). Opisane w pracy badania dotyczyły możliwości identyfikacji następujących modulacji cyfrowych: M-QAM, M-PSK, M-ASK, M-FSK. Transformację falkową zastosowano w celu wyodrębnienia cech charakterystycznych dla każdego z rozpoznawanych typów modulacji. Natomiast jako klasyfikator zastosowano dwa rodzaje sztucznej sieci neuronowej: perceptron wielowarstwowy (ang. Multi-Layer Perceptrone - MLP) oraz sieć radialną (ang. Radial Basis Function - RBF) oraz porównano ich skuteczność. Badania wykonano z wykorzystaniem środowiska MatLab oraz własnych klas i funkcji pozwalających na realizację funkcjonalności sztucznych sieci neuronowych. Przedstawiono problemy zaobserwowane podczas realizacji badań, w szczególności związane z identyfikacją poziomu modulacji dla kluczowania fazy (M-PSK).
EN Signal intelligence (SIGINT) and cognitive radio (CR) systems are in need of effective, automatic modulation recognition (AMR) algorithm. This task has became one of the most important problems to solve since last ten years. The article presents one of the proposed modulation recognition algorithms where continuous wavelet transform (CWT) is used for signal features extraction and artificial neural network (ANN) acts as classifier. In our researches multilayer perceptron (MLP) and radial basis function (RBF) network were considered and correctness of classification was analyzed. There are M-ary ASK, M-ary PSK, M-ary FSK, M-ary QAM signals used for simulation. The mean value, variance and higher-order moments up to five of continuous wavelet transform (CWT) were taken to consideration as signal features. Principal component analysis (PCA) was applied to reduce number of features. There were two variants analyzed: interclass and intraclass recognition with wide range of signal-to-noise ratio (SNR). In researches we used collection of class and functions created in MatLab code for learning and testing ANN. There are also problems with M-ary PSK intraclass identification problems analyzed.
Słowa kluczowe
PL radio programowalne   SDR   radio kognitywne   CR   automatyczne rozpoznawanie modulacji   AMR   rozpoznanie radioelektroniczne   transformacja falkowa WT   sztuczne sieci neuronowe   SSN   modulacja cyfrowa   M-ASK   M-QAM   M-PSK   M-FSK  
EN software defined radio   SDR   cognitive radio (CR)   automatic modulation recognition   AMR   radio surveillance   radio intelligence   wavelet transform   WT   artificial neural network   ANN   digital modulation   M-ASK   M-QAM   M-PSK   M-FSK  
Wydawca Wydawnictwo SIGMA-NOT
Czasopismo Elektronika : konstrukcje, technologie, zastosowania
Rocznik 2015
Tom Vol. 56, nr 4
Strony 36--39
Opis fizyczny Bibliogr. 15 poz., rys., tab., wykr.
Twórcy
autor Walenczykowska, M.
  • Wojskowa Akademia Techniczna, Instytut Radioelektroniki, Warszawa
autor Kawalec, A.
  • Wojskowa Akademia Techniczna, Instytut Radioelektroniki, Warszawa
Bibliografia
[1] ADDISON PAUL S., The Illustrated Wavelet Handbook, Introuctory Theory and Applications in Science, Engeneering, Medicine and Finance. 2002 by Taylor and Francis Group, LLC.
[2] BING HE., GANG LIU., CUN GE, JIANG GAO., Modulation Recognition of Communication Signal Based on Wavelet RBF Neural Network. 2010 2nd International Conference on Computer Engeneering and Technology, 2010 IEEE, DOI:10.1109/ICCET.2010.5485567.
[3] DAMIN ZHANG, XU WANG, MPSK Signal Modulation Recognition Based on Wavelet Transformation, 2009 International Conference on Networking and Digital Society, IEEE.
[4] FRANCOIS HUSSON, SEBASTIEN LĘ, JEROME PAGES, Exploratory Multivariate Analysis by Example Using R, 2011 by Taylor and Francis Group, LLC, ISBN: 978-1-4398-3580-7 (Hardback).
[5] HONG LIANG, HO K. C., Identication of digital modulation types using the wavelet transform. Military Communications Conference Proceedings, 1999. MILCOM 1999. IEEE, DOI:10.1109/MILCOM.1999.822719.
[6] HASSAN K., DAYOUB I., HAMOUDA W., BERBINEAU M., Automatic Modulation Recognition Using Wavelet Transform and Neural Networks in Wireless Systems. EURASIP Journal on Advances in Signal Processing, 2010, DOI:10.1155/2010/532898.
[7] HO K. C., PROKOPIW W., CHAN Y., Modulation identification by the wavelet transform. 1995 IEEE, DOI:10.1109/MILCOM. 1995.483654.
[8] HUSSON F., LĘ S., PAGČS S., Exploratory Multivariate Analysis by Example Using R, 2011 by Taylor and Francis Group, LLC, ISBN: 978-1-4398-3580-7 (Hardback).
[9] MALIATSOS K., VASSAKI S., CONSTANTINOU P., Interclass and intraclass modulation recognition using the wavelet transform. The 18th Annual IEEE Symposium on PIMRC, 2007, DOI: 10.1109/PIMRC.2007.4394540.
[10] OSOWSKI STANISŁAW, Sieci neuronowe do przetwarzania informacji, Warszawa 2006, Oficyna Wydawnicza Politechniki Warszawskiej, ISBN 83-7207-615-4.
[11] TAOWEI CHEN, WEIDONG JIN, ZHENXING CHEN, Feature Extraction Using Wavelet Transform for Radar Emitter Signals. International Conference on Communications and Mobile Computing, IEEE, 2009, DOI:10.1109/CMC.2009.202.
[12] TORRENCE CHRISTOPHER, GILBERT P. COMPO, A Practical Guide to Wavelet Analysis 1998 Bull. Amer. Meteor. Soc., 79, 6178 http://paos.colorado.edu/research/wavelets/.
[13] WALENCZYKOWSKA M, KAWALEC A., Zastosowanie transformacji falkowej i sieci neuronowej w rozpoznawaniu typu modulacji sygnału, Elektronika - konstrukcje, technologie, zastosowania, 2012-9.
[14] BOGUCKA HANNA, Radio kognitywne - nowa koncepcja efektywnego wykorzystania zasobów widmowych, Przegląd Telekomunikacyjny - Widomości Telekomunikacyjne, nr 8-9/2012.
[15] Wireless Innovation Forum, Introduction to SDR: www.wirelessinnowation. org/Introduction_to_SDR.
Kolekcja BazTech
Identyfikator YADDA bwmeta1.element.baztech-bc2153d1-b362-4dbc-a7af-fe8a0444175b
Identyfikatory
DOI 10.15199/13.2015.4.7