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
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.
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.
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.
سامانه پیادهسازی شده مورد نظر باید دارای مشخصات زیر باشد:
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 |
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 |
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 |
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 |
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) |
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.