اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,417 |
| تعداد مقالات | 10,200 |
| تعداد مشاهده مقاله | 12,108,983 |
| تعداد دریافت فایل اصل مقاله | 7,078,076 |
تشخیص و دستهبندی هوشمند اخلالگرها در سیگنالهای ماهوارهای DVB-S2 | ||
| پدافند غیرعامل | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 تیر 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| محی الدین کرمعلی1؛ حسین خالقی* 2؛ حسین بهرامگیری1 | ||
| 1دانشگاه صنعتی مالک اشتر | ||
| 2دانشگاه صنعتی مالک اشت | ||
| تاریخ دریافت: 03 مهر 1404، تاریخ بازنگری: 26 آذر 1404، تاریخ پذیرش: 22 تیر 1405 | ||
| چکیده | ||
| با توجه به رشد روزافزون مخابرات ماهوارهای در حوزههای مختلف بهویژه کاربردهای نظامی و اهمیت بالای امنیت ارتباطات، استفاده از روشهای مبتنی بر هوش مصنوعی برای جلوگیری از شنود سیگنالهای مخابراتی و مقابله با تداخل اهمیت ویژهای پیدا کرده است. این مقاله یک روش مبتنی بر شبکه عصبی پرسپترون چندلایه (MLP) را برای تشخیص و شناسایی تداخل در استاندارد مخابرات ماهوارهای DVB-S2 پیشنهاد میدهد. مجموعه دادههای استفاده شده در این تحقیق شامل: سیگنالهای مدولهشده (QPSK و APSK با مراتب 8، 16 و 32) و انواع تداخلهای رادیویی نظیر تداخل چرپ (CI)، تداخل موج پیوسته (CWI) و تداخل موج پیوسته چندگانه (MCWI) میباشند. در روش پیشنهادی، ابتدا تعداد زیادی ویژگیهای آماری و طیفی سیگنالها استخراج میشوند. سپس، ده ویژگی برتر با استفاده از معیارهای فاصله ماهالانوبیس، فاصله اقلیدوسی، کای-دو و نسبت واریانس به میانگین (VdM) برای بهینهسازی عملکرد مدل انتخاب میگردند. نتایج عددی نشاندهنده بهبود دقت معیار VdM در شناسایی تداخلها، بهویژه در شرایطی با نسبت توان سیگنال به نویز (SNR) پایین میباشد. این روش در نسبت SNR=0 dB، بهبود دقتی تا 6 درصد نسبت به روشهای پیشین فراهم میکند و در SNR=9 dB، دقت روش پیشنهادی به 74/99% میرسد. | ||
| کلیدواژهها | ||
| مخابرات ماهوارهای؛ استاندارد ماهوارهای DVBS2؛ شناسایی الگو؛ شناسایی تداخل فرکانس رادیویی (RFI)؛ ویژگیهای آماری و طیفی؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Intelligent Recognition and Classification of Interferers in DVB-S2 Satellite Signals | ||
| نویسندگان [English] | ||
| Mohyeddin Karamali1؛ Hossein Khaleghi2؛ Hossein Bahramgiri1 | ||
| 1Malek-Ashtar University of Technology | ||
| چکیده [English] | ||
| With the rapid growth of satellite communications across various domains, particularly in military applications, and the critical importance of communication security, the use of artificial intelligence-based methods for preventing signal eavesdropping and mitigating interference has gained significant attention. This paper proposes a multilayer perceptron (MLP) neural network-based method for detecting and identifying interference in the DVB-S2 satellite communication standard. The dataset used in this study includes modulated signals (QPSK and APSK with orders of 8, 16, and 32) as well as various types of radio frequency interference, including Chirp Interference (CI), Continuous Wave Interference (CWI), and Multi-Continuous Wave Interference (MCWI). In the proposed approach, a large number of statistical and spectral features are first extracted from the signals. Then, the top ten features are selected using Mahalanobis distance, Euclidean distance, Chi-square, and Variance-to-Mean ratio (VdM) criteria to optimize the model’s performance. Numerical results demonstrate that the VdM criterion improves interference detection accuracy, especially under low signal-to-noise ratio (SNR) conditions. Specifically, at SNR = 0 dB, the proposed method provides up to 6% higher accuracy compared to previous approaches, and at SNR = 9 dB, its accuracy reaches 99.74%. | ||
| کلیدواژهها [English] | ||
| Satellite Communications, DVB-S2 Standard, Pattern Recognition, Radio Frequency Interference (RFI), Statistical and Spectral Features, Machine Learning | ||
|
آمار تعداد مشاهده مقاله: 5 |
||