اشتراک گذاری با دوستان
اشتراک گذاری در linkedin
اشتراک گذاری در twitter
اشتراک گذاری در facebook
اشتراک گذاری در telegram
اشتراک گذاری در whatsapp

وضعیت: باز

  شماره سند:

  تاریخ انتشار: ۱۴۰۰/۰۳/۲۹

  مهلت ارسال پیشنهاد: ۱۴۰۰/۰۴/۱۹

  فرصت‌ها: براساس پیشنهاد‌ها قابل‌ مذاکره خواهد بود.

 تماس : ۰۲۱۸۸۳۹۸۵۶۳ – ۰۲۱۸۸۳۹۸۵۴۳

  ارسال پروپوزال‌ها: https://ghazal.inif.ir/grant

ضرورت مسئله

تجهیزات ارتباطی و مخابراتی در تمام وجوه زندگی انسان امروزی نظیر آموزش، درمان، حمل‌ونقل و امور نظامی از اهمیت بسزایی برخوردار است. تجهیزات ارتباطی از مهم­ترین سامانه­‌های پایش میدان نبرد در جنگ­‌های الکترونیک هستند. با توجه به توسعه سیستم‌های مخابرات بی­سیم، نیاز به رصد سیگنال‌های بی­سیم بیش‌ازپیش موردتوجه ارگان‌های مختلف قرار گرفته است. یکی از مهم‌ترین نیازمندی­‌های موجود در این زمینه، استخراج پارامترهای سیگنال‌های بی­سیم همانند پهنای باند سیگنال، فرکانس مرکزی سیگنال و نوع مدولاسیون آن در سامانه­های شنود می­باشد. علاوه بر استخراج پارامترهای فوق­الذکر، استخراج پارامترهای کدینگ لینک‌های مخابراتی نیز موردنیاز می‌­باشد که به این فرآیندها دمدولاسیون و دی­کدینگ گفته می‌­شود.

هم‌اکنون فرآیند دمدولاسیون و دی‌کدینگ در سامانه‌های شنود به روش کلاسیک و با تخصص اپراتورها انجام می‌گیرد که با مشکلاتی همراه است، بنابراین با توجه به اهمیت این سامانه­‌ها، نیاز به روش‌های با دقت بالا احساس می‌شود. هدف اصلی این پروژه طراحی و پیاده‌­سازی فرآیندهای تشخیص خودکار نوع مدولاسیون و کدینگ با استفاده از هوش مصنوعی می‌باشد.

مشروح مسئله تحقیقاتی

در سامانه‌های شنود مخابراتی نیاز است تا سیگنال­‌های دریافتی در سامانه‌های پایش، پس از دریافت، رصد و آشکارسازی شوند. برای این منظور، باید باندهای حاوی اطلاعات شناسایی و پس از دستیابی به کدینگ و مدولاسیون مورد استفاده در فرستنده، داده اصلی و معنادار بازیابی شوند. درنتیجه تشخیص خودکار مدولاسیون[1] (AMR) و کدینگ سیگنال[2] (ACR) یکی ‫از وظایف اصلی این سامانه­‌ها محسوب می­‌شود.

در یک کانال مخابراتی، همواره عوامل متعددی مانند انواع نویز، موجب تغییر داده ارسالی می‌شود و داده دریافت ­شده توسط گیرنده نسبت به داده ارسال‌شده دارای خطا خواهد بود. در سیستم‌­های مخابراتی، برای جلوگیری از ایجاد خطا در پیام ارسالی، قبل از مدوله کردن پیام، تغییراتی در آن می­دهند و اطلاعاتی به آن اضافه می­‌کنند تا در سمت گیرنده بتوان خطاها را شناسایی و آن‌ها را اصلاح نمود. به‌این‌ترتیب، داده صحیح بازیابی می­‌گردد. این فرآیند کدینگ کانال نام دارند.

در سامانه‌­های پایش نیاز است تا ابتدا پارامترهای سیگنال دریافتی شناسایی و سپس فرایند دمدولاسیون و آشکارسازی انجام گیرد. در این مرحله پس از تشخیص فرکانس حامل و پهنای باند، اطلاعات به‌صورت بیت استخراج می‌گردند. معمولاً این بیت‌ها حاوی اطلاعات مفیدی نیستند و شامل خطا نیز می‌باشند. به‌منظور دریافت صحیح اطلاعات، باید کدهای اعمال‌شده از سوی فرستنده بر سیگنال شناسایی گردد که اصطلاحاً به آن دی‌کدینگ گفته می‌شود. در شکل 1، فرآیندهای تشریح شده در بخش فرستنده و گیرنده نشان داده شده است.

فرآیند ارسال و دریافت اطلاعات در سامانه‌های مخابراتی.
شکل 1: فرآیند ارسال و دریافت اطلاعات در سامانه‌های مخابراتی.

به‌طورکلی روش­‌های کلاسیک که برای حل مسئله AMR و ACR مورد استفاده قرارگرفته‌اند را می­توان به دو دسته Likelihood based و Feature based تقسیم نمود. با استفاده از الگوریتم Likelihood based، AMR و ACR درواقع به مسئله امتحان کردن فرضیه­‌های مختلف برای تشخیص مدولاسیون تبدیل می‌­شود. ایده این روش استفاده از تابع چگالی احتمال سیگنال مشاهده­‌شده است. برای محاسبه احتمال متعلق بودن نمونه سیگنال مشاهده‌شده به مدل­‌های مختلف از Likelihood استفاده می­‌شود. در الگوریتم Feature based ابتدا ویژگی‌­هایی استخراج می­‌شوند که می­‌توانند سیگنال­‌ها با مدولاسیون متفاوت را تفکیک کنند. با استفاده از الگوریتم‌­های یادگیری ماشین (ازجمله درخت تصمیم) و داده‌­های آموزشی، مدل مناسبی برای تصمیم‌­گیری بر مبنای این ویژگی­‌ها به­‌دست می­‌آید. با توجه به مشخص نبودن پارامتر­های سیگنال دریافت شده ازجمله SNR (نسبت سیگنال به نویز) و تغییر پارامتر­های کانال، ارائه مدلی که بتواند برای شرایط مختلف نوع مدلاسیون را به‌درستی پیش­بینی کند بسیار مشکل است. گسترش روزافزون الگوریتم­‌های مبتنی بر شبکه­‌های عصبی و عملکرد قابل‌قبول آن­ها در مسائل بینایی ماشین، نظر طراحان مخابرات بی­سیم را به استفاده از این الگوریتم‌­ها در پردازش سیگنال جلب کرده است. ازاین‌رو به نظر می­رسد با استفاده از شبکه­‌های عصبی عمیق می‌­توان مدلی ارائه نمود که با عملکرد بهتری نسبت به مدل­‌های ارائه‌شده قادر به تشخیص نوع مدولاسیون سیگنال برای شرایط مختلف کانال باشد.

به همین ترتیب هدف این پروژه، پیاده‌سازی بهینه‌ی الگوریتم‌های تشخیص خودکار مدولاسیون و کدینگ کانال بر روی پردازنده GPU Embedded به‌صورت بلادرنگ و مبتنی بر هوش مصنوعی می‌باشد. در گام اول پروژه انتظار می‌رود که مجری تحقیق بتواند تشخیص خودکار مدولاسیون دیجیتال را بر اساس هوش مصنوعی در سامانه‌های شنود پیاده‌سازی کند و سپس به بخش تشخیص خودکار کدینگ بر مبنای هوش مصنوعی بپردازد.

گام‌های تحقیق

  • بررسی و طراحی الگوریتم‌های تشخیص خودکار مدولاسیون دیجیتال مبتنی بر هوش مصنوعی
  • پیاده­‌سازی الگوریتم‌های تشخیص خودکار مدولاسیون دیجیتال مبتنی بر هوش مصنوعی بر روی سخت‌­افزار Embedded GPU
  • بررسی و طراحی الگوریتم‌های تشخیص خودکار کدینگ مبتنی بر هوش مصنوعی
  • پیاده­‌سازی الگوریتم‌های تشخیص خودکار کدینگ مبتنی بر هوش مصنوعی بر روی سخت­‌افزار Embedded GPU
  • تست نهایی الگوریتم‌های تشخیص خودکار مدولاسیون و کدینگ با سیگنال‌های واقعی

خروجی‌های مورد انتظار تحقیق

  • پیاده‌سازی الگوریتم‌های تشخیص خودکار مدولاسیون بر بستر سخت‌افزاری GPU
  • پیاده‌سازی الگوریتم‌های تشخیص خودکار کدینگ بر بستر سخت‌افزاری GPU

الزامات تحقیق

سامانه پیاده­‌سازی شده مورد نظر باید دارای مشخصات زیر باشد:

  • در بخش تشخیص خودکار مدولاسیون نیاز است مدولاسیون‌های جداول 1 و 2 شناسایی شوند.
  • در جدول 1 حداقل نسبت سیگنال به نویز برای هر مدولاسیون مشخص شده است.

جدول 1: مشخصات بخش تشخیص خودکار مدولاسیون در کانال AWGN.

مشخصه

مقدار

پارامترهای موردنظر

BPSK> 8 dB

QPSK, OQPSK, 8PSK, DQPSK > 9 dB

2FSK, 4FSK, 16FSK, 8PSK, MSK, GMSK >12 dB

16QAM, 16APSK > 17 dB

32APSK, 64QAM > 23 dB

  • در کانال فیدینگ با استاندارد ETSI TR 125 943 بایستی AMR مدولاسیون‌های جدول 2 انجام شود. در این جدول، حداقل نسبت سیگنال به نویز برای هر مدولاسیون در کانال فیدینگ مشخص شده است.

جدول 2: مشخصات بخش تشخیص خودکار مدولاسیون در کانال فیدینگ.

مشخصه

مقدار

پارامترهای موردنظر

BPSK> 10 dB

QPSK, OQPSK, 8PSK, DQPSK > 11 dB

2FSK, 4FSK, 16FSK, 8PSK, MSK, GMSK >14 dB

16QAM, 16APSK > 19 dB

32APSK, 64QAM > 25 dB

  • بخش تشخیص خودکار کدینگ از دو زیربخش تشکیل شده است. در زیربخش اول، بایستی نوع کدینگ کانال تشخیص داده شود و در زیربخش دوم باید پارامترهای کدینگ تخمین زده شود. احتمال تشخیص نوع کدینگ در بخش اول به احتمال خطای بیت کانال مخابراتی بستگی دارد. احتمال تشخیص درست نوع کدینگ برحسب نسبت سیگنال به نویز در کانال AWGN برای مدولاسیون BPSK در جدول 3 نشان داده شده است.

جدول 3: احتمال تشخیص درست نوع کدینگ برحسب نسبت سیگنال به نویز در کانال AWGN با مدولاسیون BPSK.

نوع کدینگ

نسبت سیگنال به نویز برای مدولاسیون BPSK برحسب dB

-10

-6

-2

2

6

RS

0.65

0.85

0.95

0.999

0.9999

BCH

0.65

0.85

0.95

0.999

0.9999

Convolutional

0.55

0.75

0.9

0.99

0.999

Interleaver

0.65

0.83

0.94

0.99

0.999

  • در بخش تشخیص خودکار کدینگ نیاز است پارامترهای کدهای ارائه شده در جدول 4 شناسایی شوند.

جدول 4: مشخصات کدینگ‌های بخش تشخیص خودکار نوع کدینگ.

عنوان

پارامترهای مورد نیاز

RS

Codeword length, N

Message length, K

Shorten message length, S

BCH

Codeword length, N

Message length, K

Shorten message length, S

Convolutional

Constraint Length

Code Generator

Punctured Rate

Punctured vector

Interleaver

interleaver pattern

 

  • در جدول 5 احتمال تشخیص درست پارامترها برای مدولاسیون BPSK در کانال AWGN به ازای
    SNR= 0 dB آورده شده است.

جدول 5: احتمال آشکارسازی پارامترهای کدینگ

عنوان

پارامترهای مورد نیاز و احتمال آشکارسازی پارامترها به‌صورت درست

RS

Codeword length, N (Pd = 0.9)

Message length, K (Pd = 0.9)

Shorten message length, S (Pd = 0.7)

BCH

Codeword length, N (Pd = 0.9)

Message length, K (Pd = 0.9)

Shorten message length, S (Pd = 0.7)

Convolutional

Constraint Length (Pd = 0.6)

Code Generator (Pd = 0.6)

Punctured Rate (Pd = 0.6)

Punctured vector (Pd = 0.6)

Interleaver

Interleaver pattern (Pd = 0.6)

تجهیزات و زیرساخت‌هایی که متقاضی تحقیق می‌تواند در اختیار مجری قرار دهد

  • با توجه به سابقه قبلی فعالیت شرکت متقاضی در این حوزه و همچنین وجود سامانه مدولاتور در شرکت، امکان تولید داده حجیم برای پیاده­‌سازی ماژول‌ها وجود دارد. به همین ترتیب امکان تست الگوریتم‌های پیاده‌سازی شده با سیگنال‌های عملی و واقعی نیز مقدور می‌باشد.

معیارهای ارزیابی و انتخاب مجری

  • تحصیلات و سوابق تیم تحقیقاتی و تناسب آن با مسئله
  • رویکرد فنی تیم تحقیقاتی به مسئله
  • دسترسی به تجهیزات آزمایشگاهی و مواد اولیه و سایر الزامات اجرای تحقیق
  • زمان و هزینه اجرای تحقیق

تسهیم مالکیت فکری

  • مالکیت معنوی: مجری در مالکیت معنوی ناشی از اجرای تحقیق سهیم خواهد بود و انتشار مقاله مشترک توسط مجری و متقاضی در ژورنال‌های داخلی و خارجی، ارائه مقاله در کنفرانس‌ها و سمینارها با موافقت و اشاره به نام همه دست‌اندرکاران مجاز خواهد بود.
  • مالکیت منافع مادی: با توجه به مدل کسب‌وکار شرکت متقاضی، منافع مالی ناشی از توسعه این فناوری تماماً متعلق به شرکت متقاضی بوده و مجری صرفاً حق‌الزحمه اجرای پروژه تحقیقاتی را دریافت خواهد کرد.

روش ارسال پیشنهاد

پروپوزال‌ها صرفاً باید در چارچوب موردنظر صندوق نوآوری و شکوفایی، تدوین و حداکثر تا تاریخ 1400/04/19در سامانه غزال به آدرس https://ghazal.inif.ir/grant ارسال شوند. پروپوزال‌هایی که در چارچوبی غیرازآن، یا به روش‌های دیگر به دست صندوق برسند، وارد فرایند ارزیابی نخواهند شد.