Search

Tato disertační práce pojednává o nové metodě rozpoznávání digitálních modulací. V úvodní části je shrnut dosavadní vývoj a současný stav problematiky. Jsou popsány stávající metody spolu s jejich charakteristickými vlastnostmi. Větší pozornost je věnována využití umělých neuronových sítí. Po vytyčení cílů disertační práce jsou teoreticky popsány digitální modulace, které byly vybrány pro rozpoznávání. Jedná se o modulace FSK, MSK, BPSK, QPSK a QAM-16, které jsou nejčastěji používány v moderních komunikačních systémech. Navržená metoda je založena na analýze modulových a fázových spektrogramů modulovaných signálů. Pro posouzení vlastností spektrogramů jsou využívány jejich histogramy. Ty dávají informaci o počtu nosných frekvencí v signálu, což slouží pro rozpoznání FSK a MSK, a o počtu fázových stavů, podle čehož se určují modulace BPSK, QPSK a QAM-16. Spektrogramy, ve kterých jsou viditelné charakteristické příznaky modulací, jsou získávány při délce segmentu rovné délce symbolu. Bylo zjištěno, že při známé délce symbolu je možné správně rozpoznat modulaci při poměru signál-šum minimálně 0 dB. Proto je třeba před výpočtem spektrogramů detekovat délku symbolu. K tomuto účelu byly navrženy čtyři metody: autokorelační funkce, kepstrální analýza, waveletová transformace a LPC koeficienty. Tyto metody byly algoritmizovány a analyzovány se signály zarušenými bílým Gaussovským šumem, fázovým šumem a se signály po průchodu přenosovým kanálem s odrazy a úniky. Jako nejvhodnější a nejspolehlivější se ukázala metoda detekce pomocí kepstrální analýzy. Nakonec byla nová metoda rozpoznávání modulací ověřována se signály prošlé přenosovým kanálem, jehož vlastnosti se blíží reálnému kanálu., This dissertation thesis deals with a new method for digital modulation recognition. The history and present state of the topic is summarized in the introduction. Present methods together with their characteristic properties are described. The recognition by means of artificial neural is presented in more detail. After setting the objective of the dissertation thesis, the digital modulations that were chosen for recognition are described theoretically. The modulations FSK, MSK, BPSK, QPSK, and QAM-16 are concerned. These modulations are mostly used in modern communication systems. The method designed is based on the analysis of module and phase spectrograms of the modulated signals. Their histograms are used for the examination of the spectrogram properties. They provide information on the count of carrier frequencies in the signal, which is used for the FSK and MSK recognition, and on the count of phase states on which the BPSK, QPSK, and QAM-16 are classified. The spectrograms in that the characteristic attributes of the modulations are visible are obtained with the segment length equal to the symbol length. It was found that it is possible to correctly recognize the modulation with the known symbol length at the signal-to-noise ratio at least 0 dB. That is why it is necessary to detect the symbol length prior to the spectrogram calculation. Four methods were designed for this purpose: autocorrelation function, cepstrum analysis, wavelet transform, and LPC coefficients. These methods were algorithmized and analyzed with signals disturbed by the white Gaussian noise, phase noise and with signals passed through a multipass fading channel. The method of detection by means of cepstrum analysis proved the most suitable and reliable. Finally the new method for digital modulation recognition was verified with signals passed through a channel with properties close to the real one.

Tato disertační práce pojednává o nové metodě rozpoznávání digitálních modulací. V úvodní části je shrnut dosavadní vývoj a současný stav problematiky. Jsou popsány stávající metody spolu s jejich charakteristickými vlastnostmi. Větší pozornost je věnována využití umělých neuronových sítí. Po vytyčení cílů disertační práce jsou teoreticky popsány digitální modulace, které byly vybrány pro rozpoznávání. Jedná se o modulace FSK, MSK, BPSK, QPSK a QAM-16, které jsou nejčastěji používány v moderních komunikačních systémech. Navržená metoda je založena na analýze modulových a fázových spektrogramů modulovaných signálů. Pro posouzení vlastností spektrogramů jsou využívány jejich histogramy. Ty dávají informaci o počtu nosných frekvencí v signálu, což slouží pro rozpoznání FSK a MSK, a o počtu fázových stavů, podle čehož se určují modulace BPSK, QPSK a QAM-16. Spektrogramy, ve kterých jsou viditelné charakteristické příznaky modulací, jsou získávány při délce segmentu rovné délce symbolu. Bylo zjištěno, že při známé délce symbolu je možné správně rozpoznat modulaci při poměru signál-šum minimálně 0 dB. Proto je třeba před výpočtem spektrogramů detekovat délku symbolu. K tomuto účelu byly navrženy čtyři metody: autokorelační funkce, kepstrální analýza, waveletová transformace a LPC koeficienty. Tyto metody byly algoritmizovány a analyzovány se signály zarušenými bílým Gaussovským šumem, fázovým šumem a se signály po průchodu přenosovým kanálem s odrazy a úniky. Jako nejvhodnější a nejspolehlivější se ukázala metoda detekce pomocí kepstrální analýzy. Nakonec byla nová metoda rozpoznávání modulací ověřována se signály prošlé přenosovým kanálem, jehož vlastnosti se blíží reálnému kanálu., This dissertation thesis deals with a new method for digital modulation recognition. The history and present state of the topic is summarized in the introduction. Present methods together with their characteristic properties are described. The recognition by means of artificial neural is presented in more detail. After setting the objective of the dissertation thesis, the digital modulations that were chosen for recognition are described theoretically. The modulations FSK, MSK, BPSK, QPSK, and QAM-16 are concerned. These modulations are mostly used in modern communication systems. The method designed is based on the analysis of module and phase spectrograms of the modulated signals. Their histograms are used for the examination of the spectrogram properties. They provide information on the count of carrier frequencies in the signal, which is used for the FSK and MSK recognition, and on the count of phase states on which the BPSK, QPSK, and QAM-16 are classified. The spectrograms in that the characteristic attributes of the modulations are visible are obtained with the segment length equal to the symbol length. It was found that it is possible to correctly recognize the modulation with the known symbol length at the signal-to-noise ratio at least 0 dB. That is why it is necessary to detect the symbol length prior to the spectrogram calculation. Four methods were designed for this purpose: autocorrelation function, cepstrum analysis, wavelet transform, and LPC coefficients. These methods were algorithmized and analyzed with signals disturbed by the white Gaussian noise, phase noise and with signals passed through a multipass fading channel. The method of detection by means of cepstrum analysis proved the most suitable and reliable. Finally the new method for digital modulation recognition was verified with signals passed through a channel with properties close to the real one.

Tato diplomová práce se zabývá automatickou klasifikací digitálních modulací pomocí neuronových sítí. V práci je stručně popsána problematika a existující algoritmy řešení problému rozpoznávání modulace. Bylo zjištěno, že nejlepších výsledků bylo dosaženo při použití příznakové metody rozpoznávání umělé neuronové sítě. Takže byly teoreticky popsány digitální modulace, které byly vybrány pro rozpoznávání, a to jsou ASK, FSK, BPSK, QPSK a 16QAM. Tyto modulace jsou v dnešní době používány nejčastěji. Dále byla stručně popsán teorie neuronových sítí. V další části byla věnována pozornost charakteristickým příznakům modulací pro rozpoznávání modulací pomocí umělých neuronových sítí. V předposlední části jsou popsány parametry signálů pro simulace v prostředí Matlab, postup vytvoření klíčových příznaků v prostředí Matlab a analýza výsledků experimentální simulace. Poslední část obsahuje experimenty optimalizace neuronové sítě., This master’s thesis is about automatic digital modulation recognition using artificial neural networks. The paper briefly describes the issue and existing algorithms for solving the problem of modulation recognition. It was found that the best results are achieved when using the feature-recognition methods and artificial neural networks. The digital modulations that were chosen for recognition are described theoretically and they are ASK, FSK, BPSK, QPSK and 16QAM. These modulations are most commonly used today. Later was briefly described theory of neural networks. In another part was given to the characteristic features of modulation for modulation recognition using artificial neural networks. The penultimate part describes the parameters for signal simulation in Matlab, how to create the key features in Matlab and results after experimental simulation. The last part contains neural network optimization experiments.

Tato disertační práce pojednává o nové metodě rozpoznávání digitálních modulací. V úvodní části je shrnut dosavadní vývoj a současný stav problematiky. Jsou popsány stávající metody spolu s jejich charakteristickými vlastnostmi. Větší pozornost je věnována využití umělých neuronových sítí. Po vytyčení cílů disertační práce jsou teoreticky popsány digitální modulace, které byly vybrány pro rozpoznávání. Jedná se o modulace FSK, MSK, BPSK, QPSK a QAM-16, které jsou nejčastěji používány v moderních komunikačních systémech. Navržená metoda je založena na analýze modulových a fázových spektrogramů modulovaných signálů. Pro posouzení vlastností spektrogramů jsou využívány jejich histogramy. Ty dávají informaci o počtu nosných frekvencí v signálu, což slouží pro rozpoznání FSK a MSK, a o počtu fázových stavů, podle čehož se určují modulace BPSK, QPSK a QAM-16. Spektrogramy, ve kterých jsou viditelné charakteristické příznaky modulací, jsou získávány při délce segmentu rovné délce symbolu. Bylo zjištěno, že při známé délce symbolu je možné správně rozpoznat modulaci při poměru signál-šum minimálně 0 dB. Proto je třeba před výpočtem spektrogramů detekovat délku symbolu. K tomuto účelu byly navrženy čtyři metody: autokorelační funkce, kepstrální analýza, waveletová transformace a LPC koeficienty. Tyto metody byly algoritmizovány a analyzovány se signály zarušenými bílým Gaussovským šumem, fázovým šumem a se signály po průchodu přenosovým kanálem s odrazy a úniky. Jako nejvhodnější a nejspolehlivější se ukázala metoda detekce pomocí kepstrální analýzy. Nakonec byla nová metoda rozpoznávání modulací ověřována se signály prošlé přenosovým kanálem, jehož vlastnosti se blíží reálnému kanálu., This dissertation thesis deals with a new method for digital modulation recognition. The history and present state of the topic is summarized in the introduction. Present methods together with their characteristic properties are described. The recognition by means of artificial neural is presented in more detail. After setting the objective of the dissertation thesis, the digital modulations that were chosen for recognition are described theoretically. The modulations FSK, MSK, BPSK, QPSK, and QAM-16 are concerned. These modulations are mostly used in modern communication systems. The method designed is based on the analysis of module and phase spectrograms of the modulated signals. Their histograms are used for the examination of the spectrogram properties. They provide information on the count of carrier frequencies in the signal, which is used for the FSK and MSK recognition, and on the count of phase states on which the BPSK, QPSK, and QAM-16 are classified. The spectrograms in that the characteristic attributes of the modulations are visible are obtained with the segment length equal to the symbol length. It was found that it is possible to correctly recognize the modulation with the known symbol length at the signal-to-noise ratio at least 0 dB. That is why it is necessary to detect the symbol length prior to the spectrogram calculation. Four methods were designed for this purpose: autocorrelation function, cepstrum analysis, wavelet transform, and LPC coefficients. These methods were algorithmized and analyzed with signals disturbed by the white Gaussian noise, phase noise and with signals passed through a multipass fading channel. The method of detection by means of cepstrum analysis proved the most suitable and reliable. Finally the new method for digital modulation recognition was verified with signals passed through a channel with properties close to the real one.

Tato diplomová práce se zabývá automatickou klasifikací digitálních modulací pomocí neuronových sítí. V práci je stručně popsána problematika a existující algoritmy řešení problému rozpoznávání modulace. Bylo zjištěno, že nejlepších výsledků bylo dosaženo při použití příznakové metody rozpoznávání umělé neuronové sítě. Takže byly teoreticky popsány digitální modulace, které byly vybrány pro rozpoznávání, a to jsou ASK, FSK, BPSK, QPSK a 16QAM. Tyto modulace jsou v dnešní době používány nejčastěji. Dále byla stručně popsán teorie neuronových sítí. V další části byla věnována pozornost charakteristickým příznakům modulací pro rozpoznávání modulací pomocí umělých neuronových sítí. V předposlední části jsou popsány parametry signálů pro simulace v prostředí Matlab, postup vytvoření klíčových příznaků v prostředí Matlab a analýza výsledků experimentální simulace. Poslední část obsahuje experimenty optimalizace neuronové sítě., This master’s thesis is about automatic digital modulation recognition using artificial neural networks. The paper briefly describes the issue and existing algorithms for solving the problem of modulation recognition. It was found that the best results are achieved when using the feature-recognition methods and artificial neural networks. The digital modulations that were chosen for recognition are described theoretically and they are ASK, FSK, BPSK, QPSK and 16QAM. These modulations are most commonly used today. Later was briefly described theory of neural networks. In another part was given to the characteristic features of modulation for modulation recognition using artificial neural networks. The penultimate part describes the parameters for signal simulation in Matlab, how to create the key features in Matlab and results after experimental simulation. The last part contains neural network optimization experiments.