20034

۲۰۰۳۴

تخمين پارامترهاي سيگنال طيف گسترده دنباله مستقيم با استفاده از آناليز بردار ويژه

كارشناسي ارشد

مخابرات سيستم

۱۳۹۵

۱۳۹۷/۱۱/۳

دكتر سيدعلي اصغر بهشتي شيرازي

برق

دنباله نويز شبه مجازي (PN) يكي از پارامترهاي مهم سيگنال¬هاي طيف گسترده دنباله مستقيم است. از اين دنباله¬ها در قسمت فرستنده و گيرنده سيستم¬هاي مخابراتي طيف گسترده استفاده مي¬شود. در صورت معلوم نبودن دنباله PN، گيرنده قادر به دسترسي به محتواي اطلاعات فرستاده شده نخواهد بود، درنتيجه در قسمت گيرنده بايد دنباله PN زده شود. به دليل كاهش دقت تخمين دنباله PN در نسبت¬هاي سيگنال به نويز پايين در مراجع موجود، در اين پروژه جهت افزايش دقت تخمين دنباله PN از الگوريتم بيشينه شباهت استفاده ‌شده است. همچنين يك روش جديد براي تخمين تخمين عدم همزماني دنباله ارائه شده است. ابتدا سيگنال دريافتي به بازه‌هايي به طول دو برابر دوره دنباله تقسيم و پس از محاسبه ماتريس همبستگي مقادير ويژه آن محاسبه مي‌گردد. بردار ويژه متناظر با بزرگ‌ترين مقدار ويژه انتخاب مي¬شود و با استفاده از تبديل SWT حذف نويز بر روي آن انجام مي‌گيرد. سپس با انجام الگوريتم تخمين عدم هم¬زماني روي بردار ويژه حذف نويز شده، شروع دنباله به دست مي‌آيد. پس از تخمين نرخ چيپ و محاسبه نسبت بيش نمونه‌برداري، براي تبديل اين نسبت به يك مقدار صحيح، نمونه‌برداري مجدد انجام مي‌شود. در گام آخر تخمين دنباله PN با الگوريتم زمان¬بندي بيشينه شباهت و فيلتر درون¬يابي قابل ¬انجام است. نتايج شبيه-سازي براي مقايسه روش پيشنهادي و روش مقاله مرجع با معيارهاي پيچيدگي محاسباتي و دقت تخمين دنباله PN و نرخ چيپ بكار مي¬رود. علاوه براين حداقل تعداد نمونه‌هاي اطلاعات موردنياز براي تخمين نرخ چيپ و دنباله PN نيز بررسي مي‌شوند. نتايج شبيه‌سازي نشان‌دهنده 13% دقت بالاتر روش پيشنهادي در تخمين دنباله PN نسبت به روش مقاله مرجع است.

1397/11/16

Direct sequence spread spectrum signal parameters estimation using eigenvector analysis

2/5/2019 12:00:00 AM

Due to decrease of Pseudo noise sequence (PN) estimation accuracy in low signal to noise ratio, maximum likelihood method is used for solve this problem. Furthermore, a new algorithm is proposed for PN sequence asynchronous estimation. The received signal samples are divided into temporal segments with length twice the PN sequence period. Then correlation matrix is computed for eigenvalue estimation. Eigenvector related to largest eigenvalue of this matrix is chosen and de-noised by stationary wavelet transform to estimate the asynchronous of sequence and chip rate. Subsequently, after chip rate estimation, oversampling ratio is calculated based on the chip rate value. Because of non-integer value belong to the oversampling ratio, de-noised eigenvector resampling procedure is performed to achieve integer value for oversampling ratio. The estimation of PN sequence, is found through a maximum likelihood algorithm for delay estimation and interpolation filter. Simulation results are applied to evaluate the proposed method and compare with previous methods in terms of computational complexity and accuracy of the chip rate and the PN estimation. Furthermore, minimum number of required samples are investigated for true estimation accuracy measurement. The results indicated that, the proposed method presented 13% better accuracy of PN sequence estimation compared to reference methods.