بررسی استخراج سیگنال های تضعیف شده مخابراتی در محیط های نویزی

مهندسی مخابرات جنوب

دوره 10، شماره 39، فروردین 1400، صفحه 1-14   

نوع مقاله: مقاله پژوهشی

نویسندگان

الهام محمدزاده¹؛ مهدی زارع^{* 2}؛ مژده مهدوی³

¹دانشجوی کارشناسی ارشد مهندسی برق، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی، واحد شهر قدس، تهران، ایران

²استادیار گروه برق، دانشکده فنی مهندسی ، دانشگاه آزاد اسلامی ، واحد شهر قدس ، تهران، ایران

³استادیار، گروه برق، دانشکده فنی مهندسی ، دانشگاه آزاد اسلامی ، واحد شهر قدس ، تهران، ایران

چکیده

روش‌های متداول استخراج سیگنال دریافتی در خروجی سیستم‌های مخابراتی عموماً مبتنی بر متد‌های خطی هستند. این روش‌ها دارای محدودیت‌های بسیاری بوده که از جمله آن‌ها می‌‌توان به عدم توانایی در حذف نویز داخل باند اشاره کرد. هدف از این مقاله، بررسی بازسازی سیگنال اصلی از روی سیگنال ضعیف دریافت شده است، تا بتوان سیگنال اصلی از درون انواع نویزهای موجود بیرون کشیده. در این حالت از روش میانگین گیری جهت کاهش اعوجاج استفاده میشود تا سیگنال دریافتی بتواند قوی شده و در گیرنده استخراج شود. آزمایشهای این پژوهش در قالب چند سناریو طراحی و شبیه سازی شده است که نتایج آنها بیانگر آن است که در تعداد کانال مشخص، افزایش تعداد تکرارها، معمولاً باعث افزایش سیگنال به نویز می‌گردد. همچنین با کاهش دامنه در آزمایش‌های مختلف و در تعداد تکرار ثابت، نتایج سیگنال به نویز کاهش می‌یابد. نتایج شبیه سازی بیانگر آن است که چنانچه سطح سیگنال دریافتی بیشتر از نصف دامنه نویز باشد، سیگنال اصلی قابل استخراج است. ولی در صورتی که سطح سیگنال دریافتی کمتر از نصف دامنه نویز باشد، استخراج سیگنال اصلی بسیار سخت و گاهاً امکان پذیر نمی‌باشد.

کلیدواژه‌ها

استخراج سیگنال؛ بهبود کیفیت سیگنال؛ سیستم های مخابراتی؛ پردازش غیرخطی

مراجع

[1] J. D. Downie,  and A. B. Ruffin, “Analysis of Signal Distortion and Crosstalk Penalties Induced by Optical Filters in Optical Networks,” Journal of Light wave Technology, vol.23, no.9, pp. 1876-1886, 2003.

[2] J.S. Blasco, E. Iáñez, A. Ubeda and J.M. Azorín. “Visual evoked potential-based brain–machine interface applications to assist disabled people”. Expert Systems with Applications. vol.39, no.9, pp. 7908-7918, 2012.

[3] R. Tobias and P. Henning, “Integrating recursive minimum tracking and codebook based noise estimation for improved reduction of non-stationary noise,” Signal Processing, vol.92, pp.767-779, 2012.

[4] K. M. Saroj, “Recursive and noise-exclusive fuzzy switching median filter for impulse noise reduction,” Engineering Applications of Artificial Intelligence, vol.57, pp.445-450, 2014.

[5] D. Fonseca, A. V. T. Cartaxo, and P. Monteiro, “Adaptive Opt electrical Filters for Improved Generation of Optical Single Sideband Signals with Different Pulse Shapes,” Journal of Light wave Technology, vol.25, No.8, 2007.

[6] M. A. Masry and S. S. Hemami, “A metric for continuous quality evaluation of compressed video with severe distortions,” Signal Processing: Image Communication, vol.19, pp.133-146, 2010.

[7] K. Sun, J. Zhang, W. Shi and Jingdie Gou, “Extraction of Partial Discharge Pulses from the Complex Noisy Signals of Power Cables Based on CEEMDAN and Wavelet Packet”, Energies, vol.12,no.17,pp.3242,2019.

[8] Z. Yongli, H. Tailin, L. Baihe, L. Yang and  L. Fuwen, “Detection and extraction of shockwave signal in noisy environments”, Journal of Intelligent & Fuzzy Systems, vol. 37, no. 4, pp. 4499-4510, 2019.

[9] K. Ji, Y. Shen  and F. Wang, “Signal Extraction from GNSS Position Time Series Using Weighted Wavelet Analysis”, Remote Sens, vol.12,no.6,pp.992, 2020.

[10] S. Giarnetti, F. Leccese and M. Caciotta, “Non recursive Nonlinear Least Squares for periodic signal fitting,” Elsevier, Measurement, vol.103, pp.208-216, 2017.

[11] S. Giarnetti, F. Leccese, M. Caciotta, “Non recursive multi-harmonic least squares fitting for grid frequency estimation,” Elsevier, Measurement, vol. 66, pp.229-237, 2015.

[12] S. Cuomo, G. De Pietro, R. Farina, A. Galletti and G. Sannino, “A revised scheme for real time ECG Signal denoising based on recursive filtering,” Biomedical Signal Processing and Control, vol.27, pp.134-144, 2016.

[13] A. Ahangi, M. Karamnejad, N. Mohammadi, R. Ebrahimpour and  N. Bagheri “Multiple classifier system for EEG signal classification with application to brain–computer interfaces”. Neural Computing and Applications. Vol.23, no.5, pp.1319-1327, 2013;

[14] M. Bamdad, H. Zarshenas, H. Grailu “A survey on BCI application in rehabilitation to improve”. Journal of Research in Rehabilitation Sciences, vol.9, no.6, pp.1153-1166, 2014.

[15] G.F. Woodman “A brief introduction to the use of event-related potentials in studies of perception and attention”. Attention, Perception, & Psychophysics, vol.72, no.8, pp.2031-2046, 2010.

[16] M.M. Fouad, K.M. Amin, N. El-Bendary and A.E. Hassanien “Brain Computer Interface: A Review”. Brain-Computer Interfaces: Springer,vol.74, pp. 3-30, 2015.

[17] A. Roman-Gonzalez “EEG Signal Processing for BCI Applications. Human–Computer Systems Interaction: Backgrounds and Applications 2” Springer, vol.98, pp. 571-591, 2012.

[18] S. Deng, R. Srinivasan, T. Lappas and  M. D'Zmura “EEG classification of imagined syllable rhythm using Hilbert spectrum methods”. Journal of neural engineering, vol.7, no.4, pp.6-7, 2010,

[19] J.D. Vega Arias, C. Hintermüller and C. Guger  “Generic Brain-computer Interface for Social and Human-computer Interaction”. Procedeeng of the Fifth International Conference on Advances in Computer-Human Interactions Spain,2012, pp.145-9.

[20] Pérez-Marcos, J.A. Buitrago, F.D. Velásquez “Writing through a robot: A proof of concept for a brain–machine interface”. Medical engineering & physics, vol.33,no.10, pp.1314-1317, 2011.

[21] علائی محمد، امیری رضایی، "حذف نویز از سیگنال همدوس بازگشتی رادار با استفاده از تبدیل چیرپلت"، مجله علمی-پژوهشی علوم و فناوری های پدافند غیرعامل، پائیز 1389

[22] C.H. Wu, H.C. Chang, P.L. Lee, K.S.Li, J.J. Sie, C.W. Sun, et al. “Frequency recognition in an SSVEP-based brain computer interface using empirical mode decomposition and refined generalized zero-crossing”. Journal of neuroscience methods, vol.196, no.1, pp.170-181, 2011.