تشخیص و دستهبندی هوشمند اخلالگرها در سیگنالهای ماهوارهای DVB-S2 | ||
| پدافند غیرعامل | ||
| دوره 17، شماره 2 - شماره پیاپی 66، تابستان 1405، صفحه 59-74 اصل مقاله (2.13 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.47176/pd.2026.1579 | ||
| نویسندگان | ||
| محی الدین کرمعلی1؛ حسین خالقی* 2؛ حسین بهرامگیری3 | ||
| 1دانشجوی کارشناسی ارشد مخابرات سیستم، مجتمع دانشگاهی برق و کامپیوتر، دانشگاه صنعتی مالکاشتر ، تهران، ایران | ||
| 2استاد، گروه مخابرات سیستم، مجتمع دانشگاهی برق و کامپیوتر، دانشگاه صنعتی مالکاشتر ، تهران، ایران | ||
| 3استادیار، گروه مخابرات سیستم، مجتمع دانشگاهی برق و کامپیوتر، دانشگاه صنعتی مالکاشتر ، تهران، ایران | ||
| 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 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 88 تعداد دریافت فایل اصل مقاله: 59 |
||