Made available in DSpace on 2014-12-17T14:56:07Z (GMT). No. of bitstreams: 1
AluisioIRF_DISSERT.pdf: 1128206 bytes, checksum: 18eb3a8fe85de21077cb33d691adb61b (MD5)
Previous issue date: 2012-12-14 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / Modern wireless systems employ adaptive techniques to provide high throughput
while observing desired coverage, Quality of Service (QoS) and capacity. An alternative
to further enhance data rate is to apply cognitive radio concepts, where a system is
able to exploit unused spectrum on existing licensed bands by sensing the spectrum and
opportunistically access unused portions. Techniques like Automatic Modulation Classification
(AMC) could help or be vital for such scenarios. Usually, AMC implementations
rely on some form of signal pre-processing, which may introduce a high computational
cost or make assumptions about the received signal which may not hold (e.g. Gaussianity
of noise). This work proposes a new method to perform AMC which uses a similarity measure
from the Information Theoretic Learning (ITL) framework, known as correntropy
coefficient. It is capable of extracting similarity measurements over a pair of random processes
using higher order statistics, yielding in better similarity estimations than by using
e.g. correlation coefficient. Experiments carried out by means of computer simulation
show that the technique proposed in this paper presents a high rate success in classification
of digital modulation, even in the presence of additive white gaussian noise (AWGN) / Os modernos sistemas de comunica??o sem fio empregam, frequentemente, t?cnicas
adaptativas para proporcionar uma alta taxa de transmiss?o, enquanto asseguram qualidade
de servi?o (QoS) e abrang?ncia de cobertura. Estudos recentes t?m mostrado que
esses sistemas podem se tornar ainda mais eficientes com a incorpora??o de t?cnicas de intelig?ncia
artificial e de conceitos de r?dio definido por software. Os sistemas que seguem
essa linha, conhecidos como Sistemas de R?dio Cognitivo, podem idealmente explorar de
forma din?mica e oportun?stica por??es do espectro de frequ?ncias n?o utilizadas, conhecidas
como buracos espectrais, com o objetivo de prover altas taxas de transmiss?o de
dados com elevada confiabilidade e disponibilidade de servi?o. A Classifica??o Autom?tica
de Modula??o (AMC) seria uma habilidade muito ?til nesses sistemas. Normalmente,
as t?cnicas de AMC utilizam alguma forma de pr?-processamento do sinal que pode introduzir
um alto custo computacional ou necessitar de suposi??es fortes, e at? mesmo
imprecisas, sobre o sinal recebido. Este trabalho prop?e o uso direto de uma medida de
similaridade, baseada na Teoria da Informa??o, conhecida como coeficiente de correntropia,
para extrair informa??es estat?sticas de ordem elevada do sinal, com o objetivo de
reconhecer automaticamente o formato de modula??es digitais. Experimentos realizados
por meio de simula??o computacional demonstram que a t?cnica proposta neste trabalho
apresenta uma alta taxa de sucesso na classifica??o de modula??es digitais, mesmo na
presen?a de ru?do aditivo gaussiano branco (AWGN)
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/15452 |
Date | 14 December 2012 |
Creators | Fontes, Aluisio Igor R?go |
Contributors | CPF:02863206494, http://lattes.cnpq.br/4139452169580807, D?ria Neto, Adri?o Duarte, CPF:10749896434, http://lattes.cnpq.br/1987295209521433, Martins, Allan de Medeiros, CPF:01979076448, http://lattes.cnpq.br/4402694969508077, Assis, Francisco Marcos de, CPF:41583817700, http://lattes.cnpq.br/2368523362272656, Silveira, Luiz Felipe de Queiroz |
Publisher | Universidade Federal do Rio Grande do Norte, Programa de P?s-Gradua??o em Engenharia El?trica, UFRN, BR, Automa??o e Sistemas; Engenharia de Computa??o; Telecomunica??es |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf |
Source | reponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds