Modulations-Expert маҷмӯаи абзорҳои модулии MATLAB GUI мебошад, ки барои шинохти худкори модулятсияи сигналҳои алоқаи аналогӣ ва рақамӣ таҳия шудааст. Нармафзор сохторҳои зиёди модулятсия, аз ҷумла ASK, FSK, PSK, DPSK, OQPSK, QAM, MSK, GMSK, AM, DSB, USB, LSB, ISB, FM ва PM-ро дастгирӣ мекунад; ба корбар имкон медиҳад маҷмӯаҳои додаҳои синтетикии I/Q burst эҷод кунад, сигналҳои I/Q-и аз берун сабтшударо ворид намояд, шаш оилаи ҷудогонаи хусусиятҳои омориро истихроҷ кунад, таснифгарҳои гуногуни омӯзиши мошиниро омӯзонад ва натиҷаҳоро бо усулҳое чун confusion matrix, PCA, t-SNE, histogram ва box-plot таҳлил намояд. Дар мисоли манбаъ барои ҳашт синфи модулятсияи рақамӣ маҷмӯаи додае аз 80.000 намуна ва 454 хусусият тавлид шуда, бо дарахти қарор дақиқии миёнаи validation баробари %81,16 ба даст омадааст. Барои масъалаи дугонаи FSK–GMSK бошад, SVM-и пас аз embedded feature selection бо ҳафт хусусияти бартар омӯзонидашуда дар натиҷаи 5-fold cross-validation бо танзими муайяни гиперпараметрҳо дақиқии миёнаи %100 нишон додааст. Дар озмоиши ҷудогонаи 16-QAM, сигнали номаълум дар шароити 15 dB AWGN бо эҳтимоли зиёда аз %98 ҳамчун QAM шинохта шудааст; нисбат ба арзиши воқеии 4,1 samples/symbol, давомнокии рамз 4,158 samples/symbol тахмин шуда ва дар анҷоми демодулятсияи кӯр тақрибан 0,01 BER гузориш шудааст. Бояд дар хотир дошт, ки ин натиҷаҳо барои шароити муайяни тавлиди додаҳои синтетикӣ ва озмоишҳои намунавии дар мақола овардашуда эътибор доранд.

Масъалаи шинохти худкори модулятсия чист?

Масъалаи асосие, ки таҳқиқот баррасӣ мекунад, Automatic Modulation Recognition — AMR мебошад. Дар ин ҷо тарафи қабулкунанда пешакӣ намедонад, ки сигнали ба он расида кадом шакли модулятсияро истифода мебарад.

Манбаъ қайд мекунад, ки AMR махсусан дар барномаҳои:

• алоқаҳои ғайриҳамкорона,
• радиои маърифатӣ,
• мониторинги спектр,
• иктишофи сигналӣ

аҳаммият дорад.

Аз ин рӯ, масъала танҳо дидани як сигнал нест. Қабулкунанда бояд аз сигнали номаълум маълумоти кофӣ барорад ва, масалан, қарор диҳад, ки он:

• ASK,
• FSK,
• GMSK,
• MSK,
• OQPSK,
• PSK,
• DPSK
• ё QAM

мебошад.

Чаро равиши MATLAB GUI истифода шудааст?

Тибқи ангезаи манбаъ, гарчанде барои AMR усулҳои зиёди омӯзиши мошинӣ ва омӯзиши амиқ таҳия шудаанд, бисёр татбиқҳо ба маҷмӯаҳои дода ё сенарияҳои муайяни озмоишӣ вобастаанд. Илова бар ин, набудани интерфейси графикии дастрас метавонад такрор кардани усулҳо ва татбиқи онҳоро ба сенарияҳои гуногун душвор созад.

Аз ҳамин сабаб Modulations-Expert ба ҷойи пешниҳоди як алгоритми ягонаи AMR, амалиётҳои гуногунро зери як интерфейси графикӣ муттаҳид мекунад.

Корбар бе зарурати навиштани ҳар ҷузъиёти коди MATLAB метавонад:

1. сигнал эҷод кунад,
2. шароити каналро муайян кунад,
3. dataset эҷод кунад,
4. хусусиятҳоро истихроҷ кунад,
5. як таснифгарро омӯзонад,
6. validation анҷом диҳад,
7. хусусиятҳоро интихоб кунад,
8. сигнали номаълумро тасниф кунад,
9. ва дар ҳолатҳои дастгиришаванда демодулятсияи кӯр анҷом диҳад.

Се бахши асосии нармафзор

Манбаъ меъмории дохилии Modulations-Expert-ро ба се соҳаи асосии корӣ ҷудо мекунад:

Ин ҷудокунии сохторӣ аз нигоҳи тарҳи нармафзори MATLAB муҳим аст. Ҳатто агар дар интерфейси корбар як барнома дида шавад ҳам, тавлиди сигнал, муҳандисии додаҳо, омӯзиши мошинӣ ва таҳлили сигнали воқеан номаълум аз ҷиҳати мантиқӣ дар модулҳои ҷудогона нигоҳ дошта мешаванд.

Нармафзор кадом модулятсияҳоро дастгирӣ мекунад?

Манбаъ барои Modulations-Expert v2.1 оилаҳои зерини модулятсияи аналогӣ ва рақамиро ба таври равшан номбар мекунад:

Манбаъ дар ин мақолаи нармафзор ҳамаи формулаҳои математикии ҳар як оилаи модулятсияро шарҳ намедиҳад. Аз ин рӯ, дар ин матлаби Verianla муодилаҳои модуляторе, ки дар манбаъ вуҷуд надоранд, илова нашудаанд.

Корбар кадом параметрҳои сигналро тағйир дода метавонад?

Дар байни тағйирёбандаҳои танзимшавандае, ки манбаъ онҳоро барои интерфейси графикӣ ба таври равшан зикр мекунад, инҳо ҳастанд:

• modulation order,
• хусусиятҳои pulse-shaping,
• symbol rate,
• samples per symbol

мавҷуданд.

Ҳангоми тавлиди dataset инчунин:

• signal-to-noise ratio — SNR,
• burst length,
• modulation order,
• pulse-shaping parameters,
• samples per symbol

тағйир дода мешаванд.

I/Q burst чист ва дар ин таҳқиқот чӣ гуна истифода мешавад?

Манбаъ сохтори додаҳоро ҳамчун complex I/Q bursts муайян мекунад. Modulations-Expert метавонад I/Q burst-ҳои синтетикиро дар дохили худ эҷод кунад ва ҳамчунин аз файлҳои I/Q waveform-и аз берун сабтшуда burst ҷудо намояд.

Фарқи муҳим чунин аст:

Таснифгари AMR танҳо бо нишони модулятсия мустақим кор намекунад; аввал аз I/Q burst-ҳои хом хусусиятҳои оморӣ истихроҷ карда мешаванд.

Аз ин рӯ, таҳқиқот намунаи AMR-и бар пояи feature-engineering-и классикиро пешниҳод мекунад.

Чанд усули гуногуни истихроҷи хусусият вуҷуд дорад?

Манбаъ шаш оилаи хусусиятро ба таври равшан муайян мекунад:

Пас аз истихроҷ аз burst-и хом, ин хусусиятҳо сутунҳои маҷмӯаи додаҳои таснифии MATLAB-ро ташкил медиҳанд.

Чаро экрани истихроҷи хусусият дар саҳифаи 7 муҳим аст?

Манбаъ дар Шакли 1 танҳо ба таври назариявӣ намегӯяд, ки “хусусият истихроҷ мекунем”; он ҳамчунин нишон медиҳад, ки функсияҳои истихроҷи хусусият тавассути GUI бо кадом параметрҳо идора мешаванд.

Баъзе аз танзимҳои намунавие, ки дар тасвир ба таври равшан хонда мешаванд, чунинанд:

Ин экран як мафҳуми муҳимро аз ҷиҳати омӯзиши MATLAB нишон медиҳад: танҳо усули истихроҷи хусусият кофӣ нест; параметрҳои худи усул низ тағйирёбандаҳои озмоишӣ мебошанд, ки сохтори dataset-ро тағйир медиҳанд.

Пас аз истихроҷи хусусиятҳо чӣ рӯй медиҳад?

Манбаъ мегӯяд, ки хусусиятҳои истихроҷшуда ба таври худкор ба dataset-ҳои MATLAB табдил дода мешаванд. Ҳамин тавр, ҳар burst як намуна ва ҳар ченаки омории истихроҷшуда як хусусияти ба таснифгар додашаванда мешавад.

Дар таҳқиқоти намунавӣ ҳашт синфи рақамӣ истифода шудааст:

• ASK,
• FSK,
• GMSK,
• MSK,
• OQPSK,
• PSK,
• DPSK,
• QAM.

Dataset маҳз чӣ гуна сохта шудааст?

Барои ҳар навъи модулятсия:

\[ 10.000\ \text{burst} \]

тавлид шудааст.

Ҳар burst:

\[ 4096\ \text{sample} \]

дарозӣ дорад.

Азбаски ҳашт синф мавҷуд аст, манбаъ маҷмӯаи додаҳои умумиро мустақиман:

\[ 80.000\ \text{sample} \]

гузориш мекунад.

Пас аз татбиқи якҷояи шаш усули истихроҷи хусусият, ҳар намуна бо:

\[ 454\ \text{istatistiksel özellik} \]

ифода шудааст.

Оё dataset танҳо дар як шароит тавлид шудааст?

Не. Манбаъ мегӯяд, ки burst-ҳо дар шароити тағйирёбандаи:

• SNR,
• modulation order,
• samples per symbol,
• pulse-shaping roll-off factor

тавлид шудаанд.

Ин фарқ муҳим аст; зеро ба таснифгар ба ҷойи он ки ҳамаи намунаҳо аз як параметри идеалии якхела биёянд, шароити гуногуни сигнал нишон дода мешавад.

Кадом алгоритмҳои омӯзиши мошинӣ дастгирӣ мешаванд?

Манбаъ барои Modulations-Expert таснифгарҳои зеринро ба таври равшан номбар мекунад:

Корбар тавассути GUI моделҳоро на танҳо омӯзонида, балки амалиётҳои:

• train,
• validate,
• test,
• cross-validate

низ анҷом дода метавонад.

Кадом амалиётҳои дигари омӯзиши мошинӣ мавҷуданд?

Манбаъ ҳамчунин мегӯяд, ки нармафзор дорои қобилиятҳои зерин аст:

• feature selection,
• dimensionality reduction,
• dataset scaling,
• weighting strategies,
• confusion matrix analysis,
• PCA visualization,
• t-SNE visualization,
• histograms,
• box plots.

Озмоиши аввалини тасниф: дарахти қарор

Бо истифода аз маҷмӯаи додаҳои иборат аз 80.000 намуна ва 454 хусусият, тавассути имкони Train Decision Machine дар GUI як дарахти қарор омӯзонида шудааст.

Дақиқии миёнаи validation, ки манбаъ гузориш кардааст:

[ 81.16% ]

мебошад.

Чаро confusion matrix аз як рақами ягонаи дақиқӣ омӯзандатар аст?

Дақиқии миёнаи %81,16 ба мо муваффақияти умумии моделро нишон медиҳад; аммо нишон намедиҳад, ки кадом синфҳо бо ҳам омехта мешаванд.

Confusion matrix-и манбаъ дар саҳифаи 8 / Шакли 2 инро ба таври муфассал нишон медиҳад.

Арзишҳо ҳамчун фоиз аз Шакли 2-и манбаъ гирифта шудаанд.

Муҳимтарин чизе, ки confusion matrix ба мо мегӯяд, чист?

Синфҳои ASK, FSK, OQPSK ва QAM дар ин мисол сатҳи нисбатан баланди таснифи дуруст доранд:

Дар муқобил, PSK ва DPSK ба таври ҷиддӣ бо ҳам омехта мешаванд:

• %46,20-и намунаҳои DPSK ҳамчун PSK тасниф шудаанд.
• %50,35-и намунаҳои PSK ҳамчун DPSK тасниф шудаанд.
• Сатҳи дурусти худи синфи DPSK %52,15 мебошад.
• Сатҳи дурусти худи синфи PSK %48,45 мебошад.

Матни манбаъ ин ҳолатро бо монандии signal space-и PSK ва DPSK алоқаманд мекунад. Дар ин ҷо дидани confusion matrix нисбат ба танҳо хондани дақиқии умумии %81,16 хеле иттилоотитар аст.

Чаро feature selection анҷом дода шудааст?

Ҳамаи 454 хусусият барои ҳар масъалаи тасниф маҷбур нестанд дар як сатҳ иттилоот диҳанд. Барои нишон додани ин ҳолат таҳқиқот масъалаи умумии ҳаштсинфаро канор гузошта, sub-dataset-еро танҳо аз синфҳои FSK ва GMSK эҷод мекунад.

Сипас усули embedded feature-selection татбиқ мешавад.

Дар равзанаи feature-selection дар саҳифаи 9 чӣ мебинем?

Дар Шакли 3-и манбаъ 12 хусусият, ки дар дарахти қарор саҳми маънодор нишон медиҳанд, номбар шудаанд.

Тибқи матн, аз байни онҳо ҳафт хусусияти бартар интихоб шуда, маҷмӯаи додаҳои коҳишёфта сохта шудааст.

Ин дар омӯзиши MATLAB/омӯзиши мошинӣ як фарқи муҳимро нишон медиҳад:

“Дар модел 454 хусусият ҳаст” ва “модел барои қарор гирифтан воқеан ба ҳамаи 454 хусусият ниёз дорад” як чиз нест.

Бо хусусиятҳои коҳишёфта кадом модел истифода шудааст?

Бо истифода аз ҳафт хусусияти бартар як SVM омӯзонида шуда ва манбаъ барои ин масъалаи коҳишёфтаи FSK–GMSK:

\[ 100%\ \text{validation accuracy} \]

гузориш кардааст.

Аммо таҳқиқот бо ин маҳдуд нашуда, инчунин 5-fold cross-validation анҷом додааст.

Чаро cross-validation алоҳида анҷом дода шудааст?

Манбаъ мегӯяд, ки бо истифода аз менюи Cross-Validation of Decision Machine модел дар тақсимоти гуногуни додаҳо такроран санҷида шудааст.

Дар тасдиқи панҷқабата барои нишон додани ҳолати иҷро ба корбари GUI progress bar низ пешниҳод мешавад.

Танзимоти SVM, ки дар манбаъ ҳамчун оптималӣ гузориш шудаанд:

мебошанд.

Графики 3D-и MATLAB дар саҳифаи 10-ро чӣ гуна бояд хонем?

Дар Шакли 4 ду параметри SVM дар тӯли меҳварҳои уфуқӣ тағйир дода мешаванд ва дар меҳвари амудӣ Average Weighted Accuracy нишон дода мешавад.

Дар нуқтаи оптималии дар график ишорашуда:

• X = 1,5,
• Y = 1,
• Z = 100

дида мешавад.

Ин шакл нишон медиҳад, ки MATLAB метавонад на танҳо барои тасниф, балки барои ба таври сеченака визуалӣ кардани сатҳи иҷрои гиперпараметрҳои модел низ истифода шавад.

Муҳимтарин хусусияти FSK–GMSK кадом аст?

Манбаъ муҳимтарин хусусиятро барои ин ҷудокунии дугона ба таври равшан чунин:

WTn_med_M_1_T_5

гузориш мекунад.

Дар Шакли 5 тақсимоти ин хусусият дар синфҳои FSK ва GMSK бо box-plot-ҳои ҷудогона нишон дода шудааст.

Box-plot дар саҳифаи 11 ба мо чӣ мегӯяд?

График ба таври визуалӣ нишон медиҳад, ки хусусияти мазкур барои ду синф тақсимоти якхела надорад. Қуттӣ ва минтақаи медиании гурӯҳи FSK нисбат ба гурӯҳи GMSK дар сатҳи баландтар ҷойгир аст.

Манбаъ ин хусусиятро ҳамчун муҳимтарин хусусият дар ҷудокунии FSK–GMSK муайян мекунад.

Дар ин ҷо дарси MATLAB, ки бояд гирифта шавад, чунин аст:

Feature importance набояд танҳо ҳамчун ҷадвали рейтингӣ боқӣ монад; агар имкон бошад, тақсимоти хусусияти интихобшуда байни синфҳо низ бояд визуалӣ карда шавад.

Чаро натиҷаи дарахти қарори умумӣ ва SVM-и FSK–GMSK набояд муқоиса карда шаванд?

Зеро ду озмоиш масъалаи якхелаи таснифро ҳал намекунанд.

Аз ин рӯ, натиҷаи “азбаски SVM %100 аст, пас тамоми масъалаи AMR-ро бенуқсон ҳал мекунад” аз ҷониби манбаъ дастгирӣ намешавад.

Blind modulation recognition чӣ гуна санҷида шудааст?

Дар мисоли охирини таҳқиқот аввал:

\[ 10.000\ \text{bit} \]

binary stream-и тасодуфӣ бо ҳамин дарозӣ эҷод шудааст.

Ин битҳо бо:

16-QAM

модулятсия шудаанд.

Сипас сигнал аз шароити:

• AWGN channel,
• SNR = 15 dB,
• one-sample delay

гузаронида шудааст.

Модули AMR ин сигналро чӣ гуна коркард кард?

Сигнали номаълум бо истифода аз decision-tree classifier, ки пештар дар ҳашт синф омӯзонида шуда буд, арзёбӣ шудааст.

Дар бахши AMR:

\[ 4096\ \text{sample} \]

арзёбӣ тавассути burst-ҳои бо ҳамин дарозӣ ва бе истифодаи overlap анҷом дода шудааст.

Нармафзор муайян кардааст, ки сигнал QAM аст, бо:

[ > 98% > ]

эҳтимоли дуруст.

Чаро пас аз шинохт parameter estimation лозим аст?

Донистани он ки сигнал “QAM” аст, маънои онро надорад, ки ҳамаи параметрҳои қабулкунанда барои мустақиман табдил додани он ба битҳои дуруст маълуманд.

Дар таҳқиқот пас аз AMR модули ҷудогонаи parameter-estimation ба кор медарояд.

Дар мисол symbol duration-и воқеӣ:

\[ 4.1\ \text{samples/symbol} \]

буд, дар ҳоле ки абзор:

\[ 4.158\ \text{samples/symbol} \]

тахмин кардааст.

Манбаъ ин ду арзишро ба таври равшан медиҳад; аз ҷониби Verianla фоизи хатои иловагӣ ҳисоб нашудааст.

Натиҷаи марҳилаи blind demodulation чист?

Пас аз тахмини параметрҳо демодулятсияи кӯр татбиқ шуда ва манбаъ тақрибан:

\[ BER\approx0.01 \]

гузориш кардааст.

Ин арзиш барои мисоли мазкури 16-QAM ва шароити зикршудаи 15 dB AWGN / таъхири як намуна мебошад.

Чор графики constellation дар саҳифаи 12 чӣ нишон медиҳанд?

Тасвири охирини манбаъ раванди blind demodulation-ро на ҳамчун як натиҷаи ниҳоӣ, балки тавассути чор марҳилаи мобайнӣ нишон медиҳад:

1. Matched Filter Output: 2 Samples/Symbol
2. Symbol Synchronization
3. Coarse Carrier Synchronization
4. Fine Carrier Synchronization

Дар панели аввал намунаҳо ҳамчун абри хеле пароканда ба назар мерасанд. Пас аз Symbol synchronization сохтор тағйир меёбад; дар марҳилаи coarse carrier synchronization гурӯҳбандиҳои constellation-и QAM намоён мешаванд; дар панели fine carrier synchronization гурӯҳҳо ба мавқеъҳои муназзамтар ҷой мегиранд.

Ин тасвир аз нигоҳи омӯзиши MATLAB як нуктаи муҳимро нишон медиҳад:

Ба ҷойи дидани танҳо арзиши ниҳоии BER-и демодулятор, визуалӣ кардани марҳилаҳои мобайнии коркарди сигнал фаҳмидани он ки кадом ислоҳ дар система кай анҷом мешавад, осонтар мекунад.

Чаро Blind demodulation “blind” номида мешавад?

Манбаъ дар заминаи ин таҳқиқот системаро чунин тартиб медиҳад: аввал сигнали модулятсияи номаълум бо AMR шинохта мешавад, сипас параметрҳо тахмин карда мешаванд ва дар охир демодулятсия анҷом дода мешавад.

Аз ин рӯ, корбар ба ҷойи он ки ҳамаи параметрҳои истифодашудаи фиристандаро аз ибтидо ба барнома ворид кунад, аз таҳлили сигнал ва марҳилаҳои parameter estimation истифода мебарад.

Чаро нармафзор аз нигоҳи таълим муҳим буда метавонад?

Манбаъ мустақиман мегӯяд, ки Modulations-Expert метавонад барои мақсадҳои таълимӣ дар дарсҳои алоқаи рақамӣ ва омӯзиши мошинӣ истифода шавад.

Сабаб ин аст, ки бисёр мавзӯъҳое, ки одатан ҷудогона таълим дода мешаванд, дар як занҷири озмоишӣ дида мешаванд:

• тавлиди сигнали алоқа,
• таъсири канал,
• сохтори додаҳои I/Q,
• feature engineering,
• омодасозии dataset,
• classification,
• cross-validation,
• feature importance,
• confusion matrix,
• parameter estimation,
• demodulation,
• BER.

Ин таҳқиқот ба омӯзандаи MATLAB кадом интизоми кориро нишон медиҳад?

Дар ин манбаъ MATLAB танҳо ҳисобкунаки натиҷа нест, балки ба платформаи пурраи озмоиш аз оғоз то анҷом табдил меёбад.

Мантиқи корие, ки барои омӯзиш пайгирӣ кардан мумкин аст, чунин аст:

1. Масъаларо муайян кун: кадом модулятсияҳоро мехоҳем аз ҳам ҷудо кунем?
2. Додаро эҷод кун: чанд burst, чанд sample, кадом диапазони SNR?
3. Хусусиятро истихроҷ кун: кадом feature family истифода мешавад?
4. Dataset-ро соз: сатҳҳоро ҳамчун намунаҳо ва сутунҳоро ҳамчун хусусиятҳо тартиб деҳ.
5. Моделро омӯзон: decision tree, SVM ё classifier-и дигари дастгиришаванда.
6. Validation анҷом деҳ: танҳо ба training accuracy нигоҳ накун.
7. Confusion matrix-ро таҳлил кун: модел кадом синфҳоро бо ҳам омехта мекунад?
8. Feature selection анҷом деҳ: хусусиятҳои воқеан заруриро пайдо кун.
9. Cross-validation анҷом деҳ: натиҷаи аз ҳад зиёд вобаста ба як тақсимоти мушаххаси додаҳоро санҷ.
10. Хусусиятҳоро визуалӣ кун: кӯшиш кун ҷудокунии истифодашудаи моделро фаҳмӣ.
11. Сигнали номаълумро бисанҷ: аз маҷмӯаи додаҳои омӯзишӣ ба қадами истифодаи воқеӣ гузар.
12. Параметрҳоро тахмин кун.
13. Blind demodulation татбиқ кун.
14. Муваффақияти ниҳоии алоқаро бо BER чен кун.

Ин пайдарпаӣ як ташкили омӯзишист, ки аз тартиби кори намунавии мақолаи манбаъ бароварда шудааст; он ҳамчун алгоритми нави AMR пешниҳод намешавад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Modulations-Expert v2.1 амалиётҳои AMR ва blind demodulation-ро дар зери интерфейси графикии MATLAB муттаҳид мекунад.
• Навъҳои зиёди модулятсияи аналогӣ ва рақамиро дастгирӣ мекунад.
• Метавонад dataset-и синтетикии complex I/Q burst эҷод кунад ва аз файлҳои берунии I/Q burst ҷудо намояд.
• Шаш оилаи ҷудогонаи feature-extraction мавҷуд аст.
• Якчанд classifier-и классикии machine-learning дастгирӣ мешаванд.
• Тавассути GUI training, validation, testing ва cross-validation анҷом дода мешаванд.
• Абзорҳои feature selection, dimensionality reduction, scaling ва visualization мавҷуданд.
• Dataset-и намунавии ҳаштсинфа аз 80.000 намуна ва 454 хусусият иборат аст.
• Мисоли дарахти қарор дақиқии миёнаи validation-и %81,16 ба даст овардааст.
• Дар зермасъалаи FSK–GMSK, SVM бо ҳафт хусусияти интихобшуда дақиқии %100 ба даст овардааст.
• Дар 5-fold cross-validation бо танзимоти зикршудаи SVM дақиқии миёнаи %100 гузориш шудааст.
• Мисоли 16-QAM бо эҳтимоли зиёда аз %98 ҳамчун QAM шинохта шудааст.
• Дар муқобили арзиши воқеии 4,1 samples/symbol, 4,158 samples/symbol тахмин шудааст.
• Дар мисоли демодулятсияи кӯр тақрибан 0,01 BER ба даст омадааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ ё нишон намедиҳад

• Натиҷаи %100-и SVM дақиқии умумии таснифи ҳамаи модулятсияҳо нест.
• Манбаъ дар ҳамаи муҳитҳои воқеии RF дақиқии %81,16 ё %100-ро кафолат намедиҳад.
• Маҷмӯаи додаҳои намунавӣ ба таври синтетикӣ тавлид шудааст; ҳамаи натиҷаҳо дар сабтҳои мустақили васеи саҳроии RF тасдиқ нашудаанд.
• Усулҳои Deep learning низоми асосии тасдиқи мисолҳои мавҷуда нестанд; манбаъ мегӯяд, ки онҳо метавонанд дар оянда ба меъмории модулӣ илова шаванд.
• Манбаъ барои ҳамаи модулятсияҳои аналогӣ ва рақамии дастгиришаванда performance benchmark-и ҷудогона пешниҳод намекунад.
• Натиҷаи демодулятсияи кӯр барои ҳамаи навъҳои модулятсия якхела будани иҷрои BER-ро исбот намекунад.
• Омехташавии баланди PSK ва DPSK дар мисоли дарахти қарор ҳал нашудааст.
• Ҳолати дастгирии нармафзор барои системаҳои амалиётии ғайр аз Windows дар манбаъ зикр нашудааст; бахши талабот барои Windows дода шудааст.
• Дар мақола benchmark-и вақти пурраи иҷро ё иҷрои CPU/GPU вуҷуд надорад.
• Барои маҷмӯаи додаҳои озмоишии 80.000 намуна дар манбаъ анбори алоҳидаи доимии додаҳо пешниҳод нашудааст.

Чаро ин метавонад аз нигоҳи Туркия ҷолиб бошад?

Таҳқиқот аз University of Tehran дар Эрон сарчашма мегирад ва дар як низоми алоқаи махсуси Туркия санҷида нашудааст. Бо вуҷуди ин, AMR аз ҷиҳати таҳқиқоти академии алоқа, мониторинги спектр, радиои маърифатӣ ва таҳлили сигнал масъалаи умумии муҳандисист, ки ба як кишвар маҳдуд нест.

Агар ҳамин нармафзор дар як татбиқи таҳқиқотӣ ё таълимӣ дар Туркия истифода шавад, сабтҳои маҳаллии RF, шароити канал, додаҳои I/Q аз сахтафзори воқеӣ ва синфҳои модулятсияи ҳадаф бояд алоҳида санҷида шаванд. Набояд фарз кард, ки иҷрои озмоиши синтетикии манбаъ мустақиман ба муҳити воқеии маҳаллии RF интиқол меёбад.

Усул ва Натиҷаҳои Таҳқиқот

Озмоиши 1 — сохтани маҷмӯаи додаҳои ҳаштсинфаи AMR

Дар озмоиши асосии таҳқиқот синфҳои зерини модулятсияи рақамӣ истифода шудаанд:

Ҳар burst дарозии 4096 намуна дорад. SNR, modulation order, samples per symbol ва pulse-shaping roll-off factor тағйир дода мешаванд.

Озмоиши 2 — истифодаи якҷояи шаш оилаи feature-extraction

Ба ҳамаи burst-ҳо хусусиятҳои:

1. spectral-based,
2. wavelet transform-based,
3. high-order cumulant,
4. cyclostationary,
5. high-order moment,
6. amplitude histogram

татбиқ шудаанд.

Натиҷа:

Озмоиши 3 — decision-tree classifier-и ҳаштсинфа

Манбаъ моделро бо имкони Train Decision Machine омӯзонидааст.

Дақиқии миёнаи validation-и гузоришшуда:

[ 81.16%. ]

Confusion matrix нишон медиҳад, ки иҷро байни синфҳо яксон нест.

Озмоиши 4 — feature selection барои FSK ва GMSK

Аввал sub-dataset-е сохта шудааст, ки танҳо синфҳои FSK ва GMSK-ро дар бар мегирад.

Дар натиҷаи Embedded feature-selection:

• 12 хусусияте, ки ба дарахти қарор саҳми маънодор доранд, намоиш дода шуданд,
• аз байни онҳо ҳафт хусусияти бартар интихоб шуданд.

Муҳимтарин хусусият:

WTn_med_M_1_T_5

гузориш шудааст.

Озмоиши 5 — SVM ва тасдиқи панҷқабата

Дар dataset-и коҳишёфтаи ҳафтхусусиятӣ SVM омӯзонида шуда ва %100 validation accuracy ба даст омадааст.

Сипас 5-fold cross-validation татбиқ шудааст.

Озмоиши 6 — 16-QAM AMR ва blind demodulation

Чор марҳилаи коркард дар тасвири Blind-demodulation

Дар Шакли 6-и манбаъ ба ҷойи як constellation-и ниҳоии QAM чор марҳилаи пайдарпай дода шудаанд:

Ин тасвир тавассути мисоли манбаъ нишон медиҳад, ки демодулятсияи кӯр танҳо як амали якмарҳилаии “QAM буданро ёб ва битҳоро барор” нест; сигнал дар тарафи қабулкунанда тадриҷан ба тартиб оварда мешавад.

Маънои илмии натиҷаҳо

Мақола саҳми Modulations-Expert-ро васеътар аз ба даст овардани дақиқии баланд дар як алгоритми ягонаи омӯзиши мошинӣ арзёбӣ мекунад. Саҳми асосӣ ин аст, ки марҳилаҳои ба ҳам вобастаи озмоишӣ дар таҳқиқоти AMR дар як муҳити MATLAB GUI ба шакли дубора истифодашаванда муттаҳид шудаанд.

Махсусан, мисоли манбаъ ин ҳақиқатро ба таври равшан нишон медиҳад:

Таҳқиқоти хуби AMR танҳо аз рақами classifier accuracy иборат нест.

Тарзи тавлиди dataset, дарозии burst, шароити канал/SNR, хусусиятҳои истихроҷшуда, рафтори синфҳо дар confusion matrix, feature selection, cross-validation, санҷиши сигнали номаълум ва иҷрои ниҳоии демодулятсия бояд якҷоя таҳлил шаванд.

Маҳдудиятҳои методологӣ

• Маҷмӯаи додаҳои асосии намунавӣ ба таври синтетикӣ сохта шудааст.
• Иҷрои classifier-и умумии ҳаштсинфа %81,16 аст ва ҷудокунии PSK–DPSK ба таври намоён заиф мебошад.
• Натиҷаи %100 танҳо ба озмоиши дусинфаи FSK–GMSK тааллуқ дорад.
• Мақола барои ҳамаи modulation schemes-и дастгиришаванда benchmark-и ҷудогона намедиҳад.
• Мисоли Blind-demodulation ба 16-QAM ва шароити канали зикршуда тааллуқ дорад.
• Усулҳои омӯзиши амиқ ҳамчун сохторе зикр шудаанд, ки дар оянда метавонад илова шавад; онҳо низоми асосии мисолҳои мавҷуда нестанд.
• Мақола муқоисаи васеи dataset-и воқеии саҳроии RF-ро пешниҳод намекунад.
• Дар манбаъ benchmark-и вақти ҳисоб, талаботи хотира ё миқёспазирии сахтафзор дода нашудааст.
• Талаботи нармафзор ҳамчун 64-bit MATLAB R2015b+ for Windows дода шудааст; барои дигар системаҳои амалиётӣ дар манбаъ даъвои мувофиқати тасдиқшуда вуҷуд надорад.

Муҳимтарин принсипи корие, ки аз нигоҳи омӯзиши MATLAB метавон гирифт

Ин таҳқиқот намунаи хубест, ки нишон медиҳад омӯзиши мошинӣ дар MATLAB набояд танҳо ба як даъвати омӯзишӣ ба монанди:

model = fit(...)

коҳиш дода шавад.

Занҷири воқеии масъала:

Сигнали физикӣ → дода → хусусият → модел → validation → таҳлили хато → интихоби хусусият → моделсозии дубора → додаи номаълум → тахмини параметр → баромади физикӣ

мебошад.

Арзиши илмӣ ва таълимии Modulations-Expert дар он аст, ки тамоми ин занҷирро дар як муҳити кории MATLAB намоён месозад.

Ёддошт оид ба Манбаъ ва Усул

Номи пурраи аслии таҳқиқот: Modulations-Expert: A MATLAB GUI Toolbox for Automatic Modulation Recognition and Blind Demodulation

Муаллиф: Mehdi Teimouri.

Тартиби муаллифон: Таҳқиқоти якмуаллифа.

Саҳми баробар/муаллифи якуми баробар: Татбиқ намешавад.

Муаллифи тамос: Mehdi Teimouri.

Муассиса: Faculty of Intelligent Systems, University of Tehran, Tehran, Iran.

Навъи манбаъ: Нармафзори илмии бар MATLAB асосёфта / preprint-и AMR ва blind-demodulation.

Платформа: SSRN.

Шиносаи SSRN: 6864984.

DOI: 10.2139/ssrn.6864984.

Санаи нашри SSRN: 1 июни 2026.

Ҳолати баррасии ҳамтоён: Ин таҳқиқот preprint-е мебошад, ки аз баррасии ҳамтоён нагузаштааст; натиҷаҳои он бояд бо дарназардошти ҳамин марҳилаи нашр арзёбӣ шаванд.

Сабти расмӣ: https://ssrn.com/abstract=6864984

Номи нармафзор: Modulations-Expert.

Версияи код: V2.1.

Муҳити нармафзор: MATLAB, MATLAB GUI, Machine Learning Toolbox, Signal Processing Toolbox.

Талаботи кор: Дар манбаъ 64-bit MATLAB R2015b ё версияи навтари Windows зикр шудааст.

Иҷозатномаи код: GNU General Public License v3.0 — GPL-3.0.

Низоми версиябандии код: Git.

Анбори код: https://github.com/mehditeimouri-UT/Modulations-Expert

Ҳуҷҷатгузории таҳиягар: Дар метамаълумоти манбаъ N/A.

Почтаи электронии дастгирӣ: mehditeimouri@ut.ac.ir

Ҳуқуқи муаллифии мақола: Сабти библиографии SSRN маълумоти “All rights reserved. No reuse allowed without permission”-ро медиҳад. Иҷозатномаи GPL-3.0-и код ва ҳолати тасвир/ҳуқуқи муаллифии мақола ҷудогона арзёбӣ шудаанд. Аз ҳамин сабаб скриншотҳои аслии GUI-и манбаъ ба HTML-и Verianla айнан интиқол дода нашудаанд.

Маблағгузорӣ: Дар preprint-и боршуда изҳороти ошкори маблағгузорӣ вуҷуд надорад.

Бархӯрди манфиатҳо: Дар preprint-и боршуда изҳороти ҷудогонаи бархӯрди манфиатҳо вуҷуд надорад.

CRediT/саҳми муаллиф: Изҳороти ҷудогонаи CRediT вуҷуд надорад.

Дастрасӣ ба додаҳо: Абзор метавонад dataset-и синтетикӣ эҷод кунад ва аз файлҳои берунии I/Q waveform burst ҷудо намояд. Барои маҷмӯаи додаҳои озмоишии 80.000 намуна дар мақола анбори алоҳидаи доимии кушодаи додаҳо зикр нашудааст.

Манбаи муҳтавои илмӣ: Меъмории нармафзор, модулятсияҳои дастгиришаванда, оилаҳои feature extraction, сохтори dataset, рӯйхати classifier, арзишҳои confusion matrix, натиҷаҳои feature-selection, танзимоти SVM, озмоиши 16-QAM, арзишҳои parameter estimation ва натиҷаи BER дар ин мақолаи Verianla ба манбаи боршудаи 12-саҳифагӣ асос ёфтаанд. Манбаи беруна танҳо барои тасдиқи библиографии сарлавҳа, муаллиф, DOI, санаи SSRN, муаллифи тамос ва ҳолати ҳуқуқи муаллифии мақола истифода шудааст.

Ёддошти баррасии тасвир: Ҳамаи шаклҳои намоёни саҳифаҳои 7–12-и PDF-и манбаъ баррасӣ шудаанд. Арзишҳои confusion matrix ва озмоиш, ки аз ҷиҳати рақамӣ ба таври равшан хонда мешуданд, ба ҷадвал табдил дода шуданд; скриншотҳои манбаъ дубора нашр нашудаанд.

Маҳдудияти асосии илмӣ: Таҳқиқот функсионалии нармафзорро бо мисолҳои синтетикии AMR нишон медиҳад. Арзишҳои иҷрои гузоришшуда барои ҳамаи муҳитҳои алоқа, дастгоҳҳои RF, навъҳои канал ё синфҳои модулятсия кафолати универсалии иҷро нестанд.