۰٫۱۳۶۸-

۴٫۱۹۸۳

۵

۶

۷

۱٫۱۰۲۴-

۰٫۱۱۲۴-

۰٫۸۹۷۵

۱

۲

۴

۱٫۶۲۲۲

۴٫۹۹۹۱-

۰٫۸۴۸۶

۱

۲

۰

۲

۲

۰

شکل ۳-۸ نمایشی از این ویژگی­های جدید را در تمامی SNR ها نشان می­دهد. مطابق این شکل، ویژگی­های استخراجی به مقدار زیادی، خصوصیات ویژگی ایده­آل را دارند. مطابق این شکل و مقادیر پارامترهای ویژگی جدید که در جدول ۳-۱۲ لیست شده است؛ این ویژگی­ها از سیگنال به نویزهای خیلی پایین تا سیگنال به نویز­های بالا، تقریبا ثابت هستند. این امر نشان می­دهد که در کانال AWGN انتخاب چنین ضرایبی برای هر مدولاسیون می ­تواند منجر به ویژگی کارا و مقاومی نسبت به شرایط کانال گردد.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

شکل۳-۸- ویژگی جدید برای تمامی مدولاسیون­ها در SNR های متفاوت
چنانچه در قسمت نتایج شبیه سازی مورد بررسی قرار می­گیرد؛ بر اساس این ویژگی (نه ویژگی­های دیگر) طبقه ­بندی کننده SVM می ­تواند با کرنل خطی سیگنال­ها را شناسایی نماید. دستیابی به درصد تشخیص بالا در سیگنال به نویز پایین از این­رو امکان پذیر است؛ که شناساگر تنها این با این ویژگی­ها پردازش انجام می­دهد و این ویژگی­ها از نقطه نظر مباحث مربوط به پردازش سیگنال به اندازه کافی از یکدیگر مستقل هستند که با یک کرنل خطی بتوان آنها را از هم تفکیک نمود. شکل ۳-۹ نیز نمایشی از رسم میانگین ویژگی­های نگاشت شده با روش جدید را در بازه­ی بزرگ­تری از SNR نشان می­دهد. چنانچه مشاهده می­ شود سیگنال­ها به خوبی از هم تفکیک­پذیر هستند.

شکل۳-۹- ویژگی جدید برای تمامی مدولاسیون­ها در SNR هایی با بازه بیشتر
به منظور مقایسه­ این دو بازه از SNR، در جدول ۳-۱۳ میانگین مقادیر هر ویژگی در تمامی SNR­ها برای هر شبیه­سازی نشان داده شده است. مطابق این جدول ویژگی­ها در دو حالت تغییرات کمی دارند. در این جدول M، پارامتری برای بیان نوع مدولاسیون و S1 و S2 به ترتیب، نتیجه حاصل از میانگین مقادیر ویژگی در SNR های بازه­ی [-۳۰:۴۰] و SNR های بازه­ی [-۱۰:۲۶] است.
جدول ۳-۱۳- میانگین مقادیر ویژگی در بازه­های مختلفی از SNR