اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شماره‌ها | 1,258 |
| تعداد مقالات | 9,115 |
| تعداد مشاهده مقاله | 8,325,389 |
| تعداد دریافت فایل اصل مقاله | 5,040,303 |
تشخیص سیگنال‌های متداخل و تخمین فرکانس حامل آنها در ارتباط ماهواره‌ای CNC با استفاده از چگالی طیف چرخشی | ||
| پدافند الکترونیکی و سایبری | ||
| دوره 11، شماره 2 - شماره پیاپی 42، تیر 1402، صفحه 91-101 اصل مقاله (1.34 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| حبیب علیزاده1؛ مرتضی بابائی* 2؛ محسن رضایی خیرآبادی3 | ||
| 1دانشجوی دکترا، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| 2استادیار، دانشگاه جامع امام حسین(ع)، تهران، ایران | ||
| 3استادیار، پژوهشگاه ارتباطات و فناوری اطلاعات، تهران، ایران | ||
| تاریخ دریافت: 19 شهریور 1401، تاریخ بازنگری: 08 بهمن 1401، تاریخ پذیرش: 27 اردیبهشت 1402 | ||
| چکیده | ||
| ارتباطات ماهواره‌ای به سبب ویژگی‌های منحصربه‌فرد و استفاده گسترده از آن در سیستم‌های ارتباطی، به‌عنوان بخش مهمی از اطلاعات مخابراتی دشمن در جنگ الکترونیک در نظرگرفته می‌شود. بنابراین از منظر پشتیبانی الکترونیک (ES)، حفظ توانایی پایش و شناسایی شبکه‌های ماهواره‌ای و تحلیل ارتباطات دشمن از اهمیت فراوانی برخوردار است. اما فناوری جدید CNC در ارتباطات ماهواره‌ای، تشخیص و تحلیل ارتباطات مبتنی بر این فناوری را به‌سبب ماهیت هم‌پوشانی زمان- فرکانس سیگنال‌ها در گیرنده‌های غیرهمکار با چالش مواجه کرده است. تاکنون، در منابع آشکار علمی روشی برای تشخیص وجود سیگنال‌های متداخل ارائه نشده است. اما در این مقاله از ویژگی آماری ایستان چرخشی سیگنال‌های مخابراتی به عنوان یک روش جدید در تشخیص سیگنال‌های متداخل هم‌باند و تخمین فرکانس حامل آنها در ارتباطات ماهواره‌ای CNC بهره برده شده است. به منظور دستیابی به این هدف، ابتدا تابع خودهمبستگی چرخشی برای سیگنال‌های متداخل محاسبه شده و با استفاده از آن، روابط ریاضی تابع چگالی طیف توان چرخشی برای سیگنال‌های متداخل با حجم محاسباتی کمتر توسعه‌یافته است. سپس با استفاده از تناوبی بودن ویژگی آماری سیگنال‌ها، تداخل هم‌باند تشخیص داده خواهد شد و فرکانس‌های حامل هر یک از سیگنال‌های متداخل نیز تخمین زده می‌شود. نتایج شبیه‌سازی‌ها نشان می‌دهد که احتمال شناسایی صحیح تداخل و تخمین فرکانس حامل در تداخل زمان- فرکانس دو سیگنال با مدولاسیون‌های BPSK و QPSK متفاوت است. این احتمال در مدولاسیون BPSK از نسبت سیگنال به نویز -10dB ثابت و در حدود98% است، اما در مدولاسیون QPSK از نسبت سیگنال به نویز 0dB افزایش یافته و در سیگنال به نویز 35dB به 80% می‌رسد. | ||
| کلیدواژه‌ها | ||
| ارتباطات ماهواره‌ای CNC؛ تشخیص سیگنال‌های متداخل؛ تخمین فرکانس حامل؛ تابع خودهمبستگی چرخشی؛ چگالی طیف چرخشی | ||
| عنوان مقاله [English] | ||
| Detection of Interfering Signals and Estimation of Their Carrier Frequency in CNC Satellite Communications using Cyclic Spectrum Density | ||
| نویسندگان [English] | ||
| Habib Alizadeh1؛ Morteza Babaei2؛ Mohsen Rezaei Kheir Abadi3 | ||
| 1PhD student, Imam Hossein University (AS), Tehran, Iran | ||
| 2Assistant Professor, Imam Hossein University, Tehran, Iran | ||
| 3Assistant Professor, Communication and Information Technology Research Institute, Tehran, Iran | ||
| چکیده [English] | ||
| Satellite communication is considered a significant part of the enemy's communication information in electronic warfare due to its unique features and widespread use in communication systems. Therefore, from the electronic support (ES) perspective, monitoring ability and identifying and analyzing enemy satellite network communication are very important. However, the new CNC technology in satellite communication has challenged the detection and analysis of the communication signal based on this technology in non-cooperative receivers, due to the nature of time-frequency overlaps. So far, no method for detecting the presence of interfering signals has been presented in open scientific literature. In this paper, the statistical cyclostationary properties of communication signals are used as a new method of detecting in-band interference in CNC satellite communication. To achieve this goal, first, the cyclic autocorrelation function for interfering signals is calculated, and mathematical equations of cyclic power spectrum density function are developed for interfering signals with less computational complexity. Then, using periodicity statistical properties of signals, in-band interference will be detected and the carrier frequencies of each interfering signal are also estimated. The results of the simulations show that the probability of correctly identifying the interference and estimating the carrier frequency in the time-frequency interference of two signals with BPSK and QPSK modulations is different. In BPSK modulation, the probability from the signal-to-noise ratio of -10dB is constant and around 98%, but in QPSK modulation, it increases from the signal-to-noise ratio of 0dB and reaches 80% in the signal-to-noise ratio of 35dB. | ||
| کلیدواژه‌ها [English] | ||
| CNC Satellite Communication, Interfering Signals Detection, Carrier Frequency, Cyclic Autocorrelation Function, Cyclic spectrum density | ||
| مراجع | ||
|
[1] Y. Yang, H. Peng, D. Zhang and X. Dai, "Markov Chain Monte Carlo-Based Separation of Paired Carrier Multiple Access Signals," IEEE Communications Letters , vol. 20, no. 11, pp. 2209 - 2212, 2016. [2] S. Preethi and k.Rajeswari, "A Survey on Multiple Access Techniques for Mobile communication," International Journal of Emerging Trends & Technology in Computer Science (IJETTCS), vol. 1, pp. 1-5, 2015. [3] C. Agne, M. B. Cornell, M. Dale, R. Kearns and F. Lee, "Shared-spectrum bandwidth efficient satellite communications," in 2010 - MILCOM 2010 MILITARY COMMUNICATIONS CONFERENCE, San Jose, CA, USA, 2010. [4] Y. Guo, H. Peng and J. Fu, "Joint Blind Parameter Estimation of Non-cooperative High-Order Modulated PCMA Signals," KSII Transactions on Internet and Information Systems (TIIS), vol. 12, no. 10, pp. 4873-4888 , 2018. [5] T. V. R. O. Câmara, A. D. L. Lima, B. M. M. Lima, A. I. R. Fontes, A. D. M. Martins and L. F. Q. Silveira, "Automatic Modulation Classification Architectures Based on Cyclostationary Features in Impulsive Environments," IEEE Access, vol. 7, pp. 138512 - 138527, 2019. [6] M. Saadatmand and M. R. Khair, "Identification of STBC-OFDM Signals by Second-Order Cyclostationarity Method," Journal of Electronical & Cyber Defence, vol. 7, no. 4, pp. 27-35, 2020. [7] Y. Liu, Y. Tie, S. Na and S. Tan, "Carrier Frequency Estimation with Cyclostationary Signals in Impulsive Noise," International Journal of Signal Processing, Image Processing and Pattern Recognition, vol. 9, no. 6, pp. 89-102, 2016. [8] C. Sisi and Z. Weiyan, "Carrier frequency and symbol rate estimation based on cyclic spectrum," Journal of Systems Engineering and Electronics, vol. 31, no. 1, pp. 37-44, February 2020. [9] T. Li, Y. Li and O. A. Dobre, "Modulation Classification Based on Fourth-Order Cumulants of Superposed Signal in NOMA Systems," IEEE Transactions on Information Forensics and Security, vol. 16, pp. 2885 - 2897, 2021 [10] M. SIMIC, M. STANKOVIC and V. D. ORLIC, "Automatic Modulation Classification of Real Signals in AWGN Channel Based on Sixth-Order Cumulants," Radioengineering, vol. 2021, pp. 204-214, 2021. [11] Y. Yong, Z. Dongling and P. Hua, "Single-Channel Blind Source Separation for Paired Carrier Multiple Access Signal," IET Signal Processing, vol. 12, no. 1, pp. 37-41, 2017. [12] X. Liu, Y. L. Guan, S. N. Koh, Z. Liu and P. Wang, "Low-Complexity Single-Channel Blind Separation of Co-Frequency Coded Signals," IEEE Communications Letters, vol. 22, no. 5, pp. 990 - 993, 2018. [13] W. Chi, P. Hua and F. Junhui, "A Blind Separation Method of PCMA Signals Based on MSGibbs Algorithm," ingle-channel Demodulation Algorithm for, vol. 1168, no. 5, 2018. [14] C. Wei, H. Peng and J. Fan, "Single-channel Demodulation Algorithm for Non-cooperative PCMA Signals Based on Neural Network," KSII Transactions on Internet and Information Systems, vol. 13, no. 7, pp. 3433-3446, 2019. [15] A. Napolitano, "Generalizations of Cyclostationarity: A New Paradigm for Signal Processing for Mobile Communications, Radar, and Sonar," IEEE Signal Processing Magazine , vol. 30, no. 6, pp. 53 - 63, 2013. [16] S. Vukotić, "Detection and clasiffication of OFDM/QAM and OFDM/OQAM signals based on cyclostationary features," in 2015 23rd Telecommunications Forum Telfor (TELFOR), Belgrade, Serbia, 24-26 Nov. 2015. [17] J. Wang, R. Gao, D. Ye and Z. Zhang, "Blind detection of cyclostationary signals based on multi-antenna beamforming technology," IET Communications, vol. 15, pp. 2439-2447, 2021 [18] W. A. Gardner, Cyclostationarity in Communications and Signal, New York: IEEE Communication Society, 1994. [19] J. Antoni, G. Xin and N. Hamzaoui, "Fast computation of the spectral correlation," Mechanical Systems and Signal Processing,, vol. 92, p. 2017, 248-277. [20] W. M. Jang, "Blind Cyclostationary Spectrum Sensing in Cognitive Radios," IEEE Communications Letters , vol. 18, no. 3, pp. 393 - 396, 2014. [21] J. L. B. Alvarez and F. E. H. Montero, "Classification of MPSK Signals through Eighth-Order Statistical Signal Processing," IEEE Latin America Transactions, vol. 15, no. 9, pp. 1601 - 1607, 2017. [22] X. Yang, S. Li and F. Li, "Fourth-order nonlinear distortion to the power spectrum of RF amplifiers," The Journal of Engineering, vol. 2022, no. 1, pp. 53-63, 2021. | ||
|
آمار تعداد مشاهده مقاله: 178 تعداد دریافت فایل اصل مقاله: 276 |
||