مبانی تحلیل فنی

سیگنال بازگشتی

سیگنال بازگشتی

مصطفی غفاری ( دانشگاه آزاد )

چکیده

استفاده از سیگنالی نگ چند حاملیOFDM به جاي شکل موج هاي کلاسیک مدوله شده فرکانس خطی در رادار، از جمله روش هاي کارآمد مورد توجه می باشد. تا کنون پژوهش هاي فراوانی درزمینه رادارهايOFDM انجام شده است که عمدتا شامل مباحث طراحی، پردازش سیگنال وکاربردهاي رادارOFDM می باشد. امروزه مسأله آشکارسازي در رادارهايOFDM به عنوان یک مسأله مهم در کاربردهاي راداري مطرح است به طوري که رادارهايOFDM به دلیل داشتن خاصیت تنوع فرکانسی سبب بهبود در عملکرد آشکارسازي خواهند شد. هدف در این مقاله بررسی و ارزیابی مهم ترین روش هاي آشکارسازي سیگنال و اهداف در رادارهاي مبتنی بر تکنیکOFDM ، تعمیم مدل و همچنین ارایه مدل جدید جهت بهبود عملکرد آشکارسازي در رادارمی باشد. مدل ارائه شده براي آشکارسازي سیگنال در این حوزه به شرایط خاصی وابسته بودهکه تا حدود زیادي با واقعیت فاصله دارد. در این راستا، پس از معرفی مدل سیگنال بازگشتی ازهدف ارائه شده توسط سن، به بررسی و تحلیل این مدل می پردازیم. سپس با تعمیم این مدل،به آشکارسازي سیگنالOFDM پرداخته و عمکلرد آن را با مدل قبل مقایسه می کنیم. در ادامه با توجه به مزیت هاي سیستم چند حاملیGFDM نسبت بهOFDM طرح راداري جدیدي تحتعنوان رادارهايGFDM ارائه می شود و پس از بررسی مدل سیگنال بازگشتی از هدف در آن، به آشکارسازي سیگنال در این سیستم می پردازیم. شبیه سازي هاي صورت گرفته عملکرد مناسبمدل ها وطرح پیشنهادي ارائه شده را نشان می دهد.

کليدواژه ها

کد مقاله / لینک ثابت به این مقاله

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
مصطفی غفاری , 1400 , آشکارسازي سیگنال و اهداف در رادارهاي مبتنی بر تکنیک OFDM با استفاده از مدل سیگنال بازگشتی , بیستمین کنفرانس ملی دانشجویی مهندسی برق ایران

سیگنال بازگشتی

Using microdoppler of radar return signal to extract the characteristics of helicopter Fatemeh HamedaniGolshan f [email protected] iut ac ir September 18 2019 Department of Electrical Engineering Isfahan University of Technology Isfahan 84156 83111 IranDegree Master of Science Language FarsiSupervisor Ehsan Yazdian Assist Prof [email protected] iut ac ir AbstractMicrodoppler is a new subject in radar signal processing with a research history of about twenty years Radialvelocity of targets relative to radar position causes doppler frequency shift of return signal to سیگنال بازگشتی radar In additionto radial velocity of target fuselage many targets consist of components which have small scale motions whichresults in frequency modulation around the main doppler frequency shift Vibrations of the motor componentsand fuselage of airplanes and blade rotation of helicopters are some examples of these types of small scalemotions which produce periodic doppler shifts known as microdoppler Extraction of microdoppler shift andits properties is very important in target classifications and estimating many parameters of the target In thisstudy we focus on microdoppler properties of return signal of radar from helicopter Estimation of helicopterparameters such as number of blades their length and velocity of angular rotation and finally identification ofhelicopter type are aims of this research For this purpose the previous methods for estimating the helicopterparameters are reviewed and classified and especially compressive sensing approach is studied as an innovativemethod In previous researches on applications of compressive sensing in microdoppler estimation atomsof dictionary matrix are constructed based on the received signal from one rotating object In this researchemploying these methods to solve the problem of estimating the parameters of helicopter we improve theperformance by defining the atoms of dictionary based on model of entire return signal including all components We employ Orthogonal Matching Pursuit OMP algorithm to solve the problem In order to encounter problemof mismatching parameters to the predefined atoms dictionary learning method is employed The obtainedresults show that accuracy of estimation increases in the case of using dictionary learning in the case of rotorblade length Finally advantage of method based on compressive sensing is showed in comparison with IRadontransform as one of the well known time frequency domain methods is presented which confirms the superiorityof the proposed CS method KeywordsMicroDoppler Helicopter Radar parameter estimation compressive sensing

تحلیل سرعت‌های مختلف انجام حرکت دست‌رسانی با استفاده از آنالیز کمّی بازگشتی و کمّی‌کننده‌های غیرخطی

استفاده از روش‌های غیرخطی در پردازش سیگنال‌های حیاتی به‌دلیل ماهیت غیرخطی سیستم‌های بیولوژیکی مولد این سیگنال‌ها مورد توجه قرارگرفته است. از جمله این روش‌ها، نمودارهای بازگشتی است که بازنمایی گرافیکی و کیفی از پویایی موجود در سیگنال را فراهم می‌آورند. حرکت مهارتی دست‌رسانی از جمله فعالیت‌های مهم حرکتی در طول زندگی بشر به‌شمار می‌آید. علی‌رغم توانمندی روش‌های غیرخطی، استفاده از آن در تحلیل سیگنال الکترومایوگرام طی حرکت دسترسانی، کمتر مورد توجه قرار گرفته است. از این رو، در این مقاله سیگنال بازگشتی برای طبقه‌بندی سرعت‌های مختلف در انجام این حرکت در صفحه افقی، سعی شده است علاوه بر تولید ساختارهای کیفی نمودارهای بازگشتی، تغییرات پویای سیگنال الکترومایوگرام طی انجام پروتکل ثبت، کمّی‌سازی گردد. به‌این منظور از شاخص‌های آنالیز کمّی بازگشتی به همراه کمّی‌کننده‌های غیرخطی شامل نمای لیاپانوف و بُعد فرکتال هیگوچی استفاده شده است. براساس آنالیز واریانس چند متغیره، بهترین ویژگی‌ها در تفکیک سرعت‌های مختلف انجام حرکت دست‌رسانی شناسایی شده‌اند. نتایج نشان می‌دهد که شاخص‌های نرخ بازگشت، قطعیت، لامیناریتی و بعد فرکتال هیگوچی توانمندترین ویژگی‌ها در توصیف دادگان ثبت شده می‌باشند. بر اساس ویژگی‌های انتخاب شده، طبقه‌بندی حرکات با استفاده از الگوریتم‌های k-نزدیک‌ترین همسایه با صحت %96.67، ماشین بردار پشتیبان %100، آنالیز افتراقی خطی %100 و درخت تصمیم %90، انجام گرفته است.

کلیدواژه‌ها

  • حرکت دست‌رسانی
  • سرعت حرکت
  • آنالیز کمّی بازگشتی
  • بُعد فرکتال هیگوچی
  • طبقه‌بندی
  • آنالیز واریانس چند متغیره

عنوان مقاله [English]

Analysis of Reaching Movements at Different Speeds using Recurrence Quantification Analysis and Nonlinear Quantifiers

نویسندگان [English]

  • V. R. Sabzevari 1
  • A. H. Jafari 2
  • R. Boostani 3

1 Department of Biomedical Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran

2 Medical Physics and Biomedical Engineering Department, School of Medicine, Tehran University of Medical Sciences, Tehran, Iran |Research Center of Biomedical Technology and Robotics, Tehran University of Medical Sciences, Tehran, Iran

Using nonlinear signal processing methods is critical in processing biological signals سیگنال بازگشتی due to their nonlinear dynamics. Recurrence plots are one of these nonlinear methods that provide qualitative and graphical representation of inherent dynamic of signal. Reaching movement is one of the important skill movements during human life. Despite of nonlinear methods capability to analyze the electromyogram signals during reaching movement, these methods are less considered. Therefore, the current manuscript investigates the classification of reaching movements at different speeds in horizontal plane. To achieve this, some quantitative indicators of recurrence plot analysis and nonlinear quantifiers including Lyapunov exponent and Higuchi fractal dimension are used. Based on multivariate analysis of variance, most discriminative features in the separation of different speeds of reaching movement are selected. Results show Recurrence rate, determinism, laminarity and Higuchi fractal dimension are best indicators to describe the recorded signals. The accuracy of KNN is 96.67%, SVM is 100%, linear discriminant analysis is 100%, and decision tree is 90%.

کلیدواژه‌ها [English]

  • Reaching movement
  • movement speed
  • RQA
  • Higuchi fractal dimension
  • classification
  • Multivariate analysis of variance

مراجع

[1] J. V. Maizel and R. P. Lenk, "Enhanced graphic matrix analysis of nucleic acid and protein sequences," Proceedings of the National Academy of Sciences, vol. 78, no. 12, pp. 7665-7669, 1981.

[2] C. L. Webber Jr and J. P. Zbilut, "Recurrence quantification analysis of nonlinear dynamical systems," Tutorials in contemporary nonlinear methods for the behavioral sciences, pp. 26-94, 2005.

[3] N. Marwan, M. C. Romano, M. Thiel, and J. Kurths, "Recurrence plots for the analysis of complex systems," Physics reports, vol. 438, no. 5, pp. 237-329, 2007.

[4] J. P. Zbilut, N. Thomasson, and C. L. Webber, "Recurrence quantification analysis as a tool سیگنال بازگشتی for nonlinear exploration of nonstationary cardiac signals," Medical engineering & physics, vol. 24, no. 1, pp. 53, 2002.

[5] H. Ding, S. Crozier, and S. Wilson, "A new heart rate variability analysis method by means of quantifying the variation of nonlinear dynamic patterns," IEEE transactions on biomedical engineering, vol. 54, no. 9, pp. 1590-1597, 2007.

[6] H. Yang, "Multiscale recurrence quantification analysis of spatial cardiac vectorcardiogram signals," IEEE Transactions on Biomedical Engineering, vol. 58, no. 2, pp. 339-347, 2011.

[7] U. Desai, R. J. Martis, U. R. Acharya, C. G. Nayak, G. Seshikala, and R. SHETTY K, "Diagnosis of multiclass tachycardia beats Using recurrence quantification analysis And ensemble classifiers," Journal of Mechanics in Medicine and Biology, vol. 16, no. 01, pp. 1640005, 2016.

[8] C. Cheng, C. Kan, and H. Yang, "Heterogeneous recurrence analysis of heartbeat dynamics for the identification of sleep apnea events," Computers in biology and medicine, vol. 75, pp. 10-18, 2016.

[9] M. Niknazar, S. Mousavi, B. V. Vahdat, and M. Sayyah, "A new framework based on recurrence quantification analysis for epileptic seizure detection," IEEE journal of biomedical and health informatics, vol. 17, no. 3, pp. 572-578, 2013.

[10] G. Ouyang, L. Xie, H. Chen, X. Li, X. Guan, and H. Wu, "Automated prediction of epileptic seizures in سیگنال بازگشتی rats with recurrence quantification analysis," in 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference, pp. 153-156, 2006.

[11] نسیبه طالبی، علی مطیع نصرآبادی، «به کارگیری روش غیرخطی منحنی بازگشتی برای شناسایی مؤلفه‌های حافظه‌ای بر مبنای تک ثبت»، مجله پردازش علایم و داده‌ها، دوره 12، شماره 2، صفحه 39-52، 1388.

[12] A. Martin, G. Guerrero-Mora, G. Dorantes-Méndez, A. Alba, M. O. Méndez, and I. Chouvarda, "Non-linear analysis of EEG and HRV signals during sleep," in 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 4174-4177, 2015.

[13] A. Goshvarpour, A. Abbasi, and A. Goshvarpour, "Recurrence Quantification Analysis and Neural Networks for Emotional EEG Classification," Applied Medical Informatics, vol. 38, no. 1, pp. 13, 2016.

[14] عاطفه گشوارپور، عطااله عباسی، عاتکه گشوارپور، «بررسی تفاوت‌های پاسخ به تحریکات تصویری دارای بار احساسی در زنان و مردان با استفاده از آزمون آماری ویلکاکسون»، مجله مهندسی برق دانشگاه تبریز، دوره 47، شماره 2، صفحه 687-695، 1396.

[15] K. Ito and Y. Hotta, "EMG-based detection of muscle fatigue during low-level isometric contraction by recurrence quantification analysis and monopolar configuration," in Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp. 4237-4241, 2012.

[16] G. Ouyang, X. Zhu, Z. Ju, and H. Liu, "Dynamical characteristics of surface EMG signals of hand grasps via recurrence plot," IEEE journal of biomedical and health informatics, vol. 18, no. 1, pp. 257-265, 2014.

[17] A. Dutta, C. Krishnan, S. S. Kantak, R. Ranganathan, and M. A. Nitsche, "Recurrence quantification analysis of surface electromyogram supports alterations in motor unit recruitment strategies by anodal transcranial direct current stimulation," Restorative neurology and neuroscience, vol. 33, no. 5, pp. 663-669, 2015.

[18] J. Rolink, M. Kutz, P. Fonseca, X. Long, B. Misgeld, and S. Leonhardt, "Recurrence quantification analysis across sleep stages," Biomedical Signal Processing and Control, vol. 20, pp. 107-116, 2015.

[19] J. Sprott and A. Xiong, "Classifying and quantifying basins of attraction," Chaos: An Interdisciplinary Journal of Nonlinear Science, vol. 25, no. 8, pp. 083101, 2015.

[20] Y. Guo, G. R. Naik, S. Huang, A. Abraham, and H. T. Nguyen, "Nonlinear multiscale Maximal Lyapunov Exponent for accurate myoelectric signal classification," Applied Soft Computing, vol. 36, pp. 633-640, 2015.

[21] E. Conte et al., "Chaos, Fractal and Recurrence Quantification Analysis of Surface Electromyography in Muscular Dystrophy," World Journal of Neuroscience, vol. 5, no. 04, pp. 205, 2015.

[22] S. P. Arjunan and D. K. Kumar, "Fractals and Electromyograms," in The Fractal Geometry of the Brain: Springer, pp. 445-455, 2016.

[23] A. Bhaduri and D. Ghosh, "Quantitative assessment of Heart Rate Dynamics during meditation: An ECG based study with Multi-fractality and visibility graph," Frontiers in physiology, vol. 7, 2016.

[24] R. Sharma and R. B. Pachori, "Classification of epileptic seizures in EEG signals based on phase space representation of intrinsic mode functions," Expert Systems with Applications, vol. 42, no. 3, pp. 1106-1117, 2015.

[25] G. Boccia et al., "Muscle fiber conduction velocity and fractal dimension of EMG during fatiguing contraction of young and elderly active men," Physiological measurement, vol. 37, no. 1, pp. 162, 2015.

[26] S. G. Firooz, F. Almasganj, and Y. Shekofteh, "Improvement of automatic speech recognition systems via nonlinear dynamical features evaluated from the recurrence plot of speech signals," Computers & Electrical Engineering, vol. 58, pp. 215-226, 2017.

[27] C. P. Robinson, B. Li, Q. Meng, and M. T. Pain, "Pattern Classification of Hand Movements using Time Domain Features of Electromyography," in Proceedings of the 4th International Conference on Movement Computing, pp. 27, 2017.

[28] A. Saikia, S. Mazumdar, N. Sahai, S. Paul, and D. Bhatia, "Comparative study and feature extraction of the muscle activity patterns in healthy subjects," in Signal Processing and Integrated Networks (SPIN), 3rd International Conference on, pp. 147-151, 2016.

[29] F. Takens, "Detecting strange attractors in turbulence," Lecture notes in mathematics, vol. 898, no. 1, pp. 366-381, 1981.

[31] M. B. Kennel, R. Brown, and H. D. Abarbanel, "Determining embedding dimension for phase-space reconstruction using a geometrical construction," Physical review A, vol. 45, no. 6, pp. 3403, 1992.

[32] A. Chaou, A. Mekhaldi, and M. Teguar, "Recurrence quantification analysis as a novel LC feature extraction technique for the classification of pollution severity on HV insulator model," IEEE Transactions on Dielectrics and Electrical Insulation, vol. 22, no. 6, pp. 3376-3384, 2015.

[33] R. Esteller, G. Vachtsevanos, J. Echauz, and B. Litt, "A comparison of waveform fractal dimension algorithms," IEEE Transactions on Circuits and Systems I: Fundamental Theory and Applications, vol. 48, no. 2, pp. 177-183, 2001.

[34] T. Higuchi, "Approach to an irregular time series on the basis of the fractal theory," Physica D: Nonlinear Phenomena, vol. 31, no. 2, pp. 277-283, 1988.

[35] H. Hermens, B. Freriks, R. Merletti, D. Stegerman, J. Block, and A. Gre, "SENIAM: European recommendations for surface electromyography Roessingh Research and Development, Enschede," ed, 2013.

[36] K. R. Holzbaur, W. M. Murray, and S. L. Delp, "A model of the upper extremity for simulating musculoskeletal surgery and analyzing neuromuscular control," Annals of biomedical engineering, vol. 33, no. 6, pp. 829-840, 2005.

[37] F. D. Farfán, J. C. Politti, and C. J. Felice, "Evaluation of EMG processing techniques using information theory," Biomedical engineering online, vol. 9, no. 1, pp. 72, 2010.

[38] G. Ouyang, X. Li, C. Dang, and D. A. Richards, "Using recurrence plot for determinism analysis of EEG recordings in genetic absence epilepsy rats," Clinical Neurophysiology, vol. 119, no. 8, pp. 1747-1755, 2008.

مقاله حذف نویز از سیگنال همدوس بازگشتی رادار با استفاده از تبدیل چیرپلت

مقاله حذف نویز از سیگنال همدوس بازگشتی رادار با استفاده از تبدیل چیرپلت صفحه 1

شرکت مگ ایرانز ضمانت می کند تا 48 ساعت ،اگر به هر دلیلی از خرید خود ناراضی بودید ، مبلغ آن به صورت کامل و بدون چون و چرا، برگشت داده شود .جهت درخواست برگشت وجه ، با پشتیبانی تماس بگیرید .

بخشی از مقاله

*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***

حذف نويز از سيگنال همدوس بازگشتي رادار با استفاده از تبديل چيرپلت
چکيده
در اين مقاله روش جديدي براي حذف نويز از سيگنال بازگشتي رادار ارائه شده است . با استفاده از روشهاي مرسوم پردازش سيگنال ماننـد تبـديل فوريه و يا تبديل فوريه کوتاه مدت ، پارامترهاي مختلفي از سيگنال استخراج مي شود. در اين مقاله ما توانسته ايم پارامترهاي سيگنال را با استفاده از تبديل چيرپلت که تحليل را به حوزه زمان ، فرکانس ، چرخش ، برش و اندازه ، گسترش مي دهـد و فـرض را بـر غيرايـستا بـودن سـيگنال بازگـشتي مي گذارد، به عنوان يک ابزار حذف نويز به استخراج سيگنال بپردازيم . الگوريتم ارائه شده در اين مقاله روي داده هاي واقعي تست شده انـد و نتـايج ، نشان دهنده عملکرد بسيار خوب اين الگوريتم در حذف نويز از سيگنال بازگشتي رادار است .
کليدواژه ها: حذف نويز؛ رادار؛ تبديل چيرپلت

۱. مقدمه
رادار يــک وســيله الکترومغناطيــسي اســت کــه بــراي آشکارسازي و تعيين موقعيت هدف به کار مي رود. ايـن دسـتگاه بر اساس ارسال يک شکل موج خاص به طرف هدف (مثلا يـک موج سينوسي با مدولاسيون پالسي ) و تجزيـه و تحليـل بازتـاب آن عمل مي کند.
رادارها در يک دسته بنـدي بـه رادارهـاي همـدوس و غيـر همدوس تقسيم مـي شـوند. در رادار همـدوس ، نيـاز اسـت فـاز سيگنال ارسالي به منظور تعيين اخـتلاف فـاز سـيگنال رفـت و برگـشت ، اسـتخراج ؛ و از روي آن فرکـانس داپلـر و بـه تبـع آن سرعت هدف تعيين شود. در رادارهاي داپلر که عموما از ساختار (MOPA) استفاده مي کنند، فاز سيگنال ارسـالي از پـالس بـه پـالس تغييـر نمـي کنـد. در ايـن رادارهـا نمونـه اي از خروجـي اسيلاتور پايدار ، براي استخراج اطلاعات فاز از سيگنال برگشتي هدف ، مورد استفاده قرار مي گيرد. اصطلاحا به اين نوع رادارهـا، رادارهاي کاملا همدوس گفته مي شود. در سيـستم هـاي راداري که از مگنترون استفاده مي کنند، بدليل تغييـرات فـاز سـيگنال ارسالي در هر پالس ، لازم است فاز ارسالي بـه منظـور اسـتخراج تغييرات فاز ناشي از هدف حفظ شود، که ايـن کـار در گيرنـده ، توسط سيگنال کوهو صورت مي گيرد و اين رادارها درگيرندگي همدوس هستند. رادارهاي MTI براي تشخيص هـدف متحـرک از هدف ثابـت ، نيازمنـد بـه اسـتفاده از گيرنـده هـاي همـدوس هستند.
سيگنال بازگشتي رادار در حالت کلي مي تواند شامل کلاتر، سيگنال بازگشتي هدف و نويز باشد. درحالـت کلـي وقتـي کـه گيرنـده رادار را روشـن کنـيم ، چيـزي کـه دائمـا بـا آن سـر و کارداريم ، نويز است . حداقل نويز دريافتي ، مربوط به نويز گيرنده است ، که هميشه در سيستم وجود دارد. عامـل نـويز مـي توانـد تـأثيرات مخربـي در آشکارسـازي سـيگنال داشـته باشـد. بـه نحوي که در رادار معمولا براي بـرآورده شـدن شـرايط احتمـال آشکارسـازي (Pd) و احتمـال آژيـر خطـا ( Pfa) حـداقل نـسبت سيگنال به نويز (SNR)، تعيـين مـي شـود. مـثلا در راداري کـه مـي خواهـد بـا احتمـال آشکارسـازي
آشکارسازي داشته باشد، بر اساس نمودارهاي موجـود، حـداقل حدود dB ١٣.٥ نسبت سيگنال به نويز لازم است [۱].
تاکنون روشهاي زيادي براي آشکارسازي سيگنال بازگـشتي رادار در پس زمينه آغشته به نويز وکلاتـر درکتابهـا و مقالـه هـا مطرح شده است [۲]. گروهي از اين روشها، الگـوريتم هـايي بـر پايه حذف نويز ارائـه کـرده انـد. اصـولا حـذف نـويز از سـيگنال بازگشتي رادار در آشکارسازي ، ردگيري و شناسايي نـوع هـدف بسيار با اهميت است . در اين مقاله سعي شده است روشي براي حذف نويز ارائه شود که تطبيق پذيري خـوبي بـا سـيگنال رادار دارد. استفاده از تبديل چيرپلت در تحليل سيگنالهاي بازگـشتي رادار به تازگي مورد توجه قرار گرفته اسـت [۳]. تبـديل فوريـه بيان کننده سـيگنال بـه عنـوان ترکيـب خطـي از توابـع نمـايي مختلط وزن دهي شده است (مـوج هـا). بـه طـور مـشابه ، تبـديل موجک ٤، سيگنال را با نسبت مقياس و نسخه هاي شيفت يافتـه موجک مادر، بسط مي دهد. همانطور کـه موجـک ، مـوج کـردن است چيرپلت ٥، چيرپ کردن است [۴].
بسياري از سيگنالها در طبيعت به طـور ذاتـي غيـر ايـستا و گذرا هستند;مثل صداي نهنگ ، صداي حرکت ماشـين ، صـداي بلبل ، آژير آمبولانس و غيره . به همين دليل روشهاي گونـاگوني براي پردازش سيگنالهاي غيرايستا مانند اکثر تبديل هاي زمان - فرکانس به وجود آمده است [۵].
در مقاله حاضر مي خواهيم با استفاده از تبديل چيرپلت کـه بر پايه فرض غيرايستايي سيگنال عمل مـي کنـد، بـه اسـتخراج پارامترهاي سيگنال بازگشتي رادار از اهداف مختلف بپـردازيم و با استفاده از آن ، حذف نويز از سيگنال را مورد توجه قرار دهيم .
پــالس ارســال شــده از فرســتنده رادار داراي شــکل زمــاني است که در آن f0 فرکانس کريـر، فاز اوليه ارسال و شکل پالس در گيرنده است . موج تابيـده شده از سیگنال بازگشتی رادار پس از انتشار در محيط و برخـورد بـه هـدف ، اکـو شده و در محل گيرنده دريافت مي شود. در اين زمان چنـد اثـر روي پالس ارسالي به وجود مي آيد. پالس ارسالي پـس از مـدت زماني برابر با به محل گيرنده مـي رسـد کـه در آن ، R برابر با فاصله هدف از رادار و c سرعت انتشار امواج است . دامنـه اکوي دريافتي بسيار ضعيف تر از پالس ارسالي بوده و توان آن از معادله توان رادار به دست مي آيد. فرکانس اکوي بازگـشتي هـم تحت تأثير حرکت هـدف قـرار مـي گيـرد. بـر اسـاس اصـل اثـر داپلر، حرکت هـدف باعـث تغييـر فرکـانس بازگـشتي از هـدف مي شود کـه ايـن تغييـر فرکـانس بـا اثـر داپلـر شـناخته شـده است [۶].
اصل شناخته شده اثر داپلر بيان مي کند کـه اگـر هـدف بـه سمت فرستنده رادار نزديک و يـا دور شـود، سـيگنال دريـافتي نسبت به فرکانس ارسالي داراي شـيفت فرکانـسي متناسـب بـا سرعت شعاعي هدف خواهد شد [۱]، که فرکـانس داپلـر آن بـه صورت زير سیگنال بازگشتی به دست مي آيد:

در اين رابطه ، Vr سرعت شعاعي هدف ،و  طول موج کريـر است .
بر اساس معادله (۱)، در صورتي که سرعت هدف صـفر شـود، يعني هدف متوقف شود، داپلر بازگشتي صفر خواهد بود. توقـف اهداف معمولا به صورت آني انجام نمي گـردد و بـا حـالتي ميـرا شونده اين سیگنال بازگشتی کار صورت مي گيرد. همچنين در صورتي که آنـتن در حال اسکن رادار از روي هدف عبور کند، سـيگنال بازگـشتي از هدف با توجه به بيم اصلي آنتن کم کم ضعيف مي شود و از بـين مي رود.
بنابراين در حالت کلي ،داپلر بازگـشتي هدف ،خاصـيت ميـرا شونده دارد. همچنين تغيير سرعت هدف سبب به وجود آمـدن تغيير فرکانس در داپلر بازگشتي هدف مي گـردد. بـراي تحليـل چنين سيگنالي ، تبديلي مي توانـد تطبيـق پـذيري خـوبي بـا آن داشته باشد، که اولا خاصيت ميرا شوندگي داشته باشـد و ثانيـا فرکانس آن در يک بازه زماني از پنجره تحليل به صـورت ثابـت فرض نشود.
چيرپها مدلهايي از سيگنال هستند که فرکانس آنها با زمـان با يک نرخ مشخص تغيير مي کند. به نرخ تغييـرات فرکـانس در چيرپ ، نرخ چيرپ مي گويند. آواي بلبل نمونه اي مناسب از يک چيرپ است . چيرپي که در زمان ميرا شود، چيرپلت را تـشکيل مي دهد. تحليل چيرپلت در واقع تجزيه سـيگنال بـه پايـه هـاي چيرپلت مي باشد. براي ساخت چيرپلت از چيرپ ، روي سيگنال چيرپ پنجره گذاري مي شـود. بـر اسـاس نـوع پنجـره انتخـابي ، چيرپلتهاي مختلفي بوجود مي آيند. مثلا چيرپلت گوسي ، يعنـي چيرپي که به صورت گوسين پنجره گذاري شده است [۴].
داپلر بازگشتي از اهداف متحرک ، خاصيت ميـرا شـوندگي و تغيير فرکانس دارد. بر اين اسـاس اسـتفاده از تبـديل چيرپلـت براي سيگنالهاي بازگـشتي رادار در ايـن مقالـه پيـشنهاد شـده است .
اکثر روشهاي پردازش سيگنال ، برپايه اسـتفاده از تبـديلات مختلـف روي سـيگنال بنـا نهـاده شـده اسـت . در بـسياري از کاربردهاي پردازش سيگنال ، يک تبديل ، تعدادي از پارامترهـاي پنهان مربوط به يک سيگنال را که اطلاعات مفيدي هـم در آن وجود دارد، آشکار مي نمايـد. بـر ايـن اسـاس تبـديلهاي زمـان - فرکانس (TF) نقش مهمي در پردازش سيگنالهاي غيرايستا ايفا
مي کنند. اين تبديلها از دو راه مجزا قابل پيـاده سـازي هـستند: اولي راههاي تجزيه سيگنال مي باشد که يـک روش پارامتريـک است و دومي توزيع TF دوسويه يا کلاس Cohen مي باشـد، کـه سیگنال بازگشتی يک روش غيرپارامتريک است . ما بـر روي تبـديل چيرپلـت کـه يک راه تجزيه سيگنال و پارامتريک مي باشد، تمرکز مي نمائيم .
در کارهايي که تاکنون صورت گرفته اسـت ، تمرکـز بيـشتر مقالـه هـا در اسـتفاده از تبـديل موجـک بـراي نـويززدايـي از سيگنالهاي مختلف بوده است . نوآوري ما در اين مقالـه اسـتفاده از تبديل چيرپلت سیگنال بازگشتی به منظور حـذف نـويز از سـيگنال بازگـشتي رادار است که تاکنون مورد توجه قرار نگرفته اسـت . پيچيـدگي پياده سازي اين تبديل و زمانبر بودن آن محدودکننـده اسـتفاده از اين روش در پردازشهاي زمان -واقعي ١ بوده اسـت . امـروزه بـه دليــل پيــشرفت روزافــزون تکنولــوژي ، امکــان پيــاده ســازي الگوريتمهاي زمانبر که دقت بيشتري را فراهم مي کننـد، ايجـاد شده است .
۲. مدل سازي سيگنالهاي بازگشتي رادار
حذف نويز از سيگنال ، مشکلي قديمي در پردازش سـيگنال بوده است . بر طرف نمودن نويز از سيگنال کاربردهاي زيادي در زمينه هاي مختلف دارد که از آن جمله مي توان به تخمين کانال در مخابرات بي سيم ، تحليل دقيق تر سـيگنال راداري سیگنال بازگشتی ، کمـک در شناسايي خودکار اهداف و . اشاره کرد.
توسعه حوزه تحليل به بـرش ، مقيـاس و انتقـال از اقـدامات نوين پردازش سيگنال است که منجر به تکامل تبديل چيرپلـت شده است و شامل تمامي فضاهاي گفته شده با قابليت بسط بـه ابعاد گسترده تر، مي باشد. از ايـن رو ايـن مـسئله مـي توانـد بـه صورت تعميم تبديل فوريه کوتاه مدت و تحليل موجک در نظـر گرفته شود. بنابراين اين روش مي تواند تخمين خـوبي از طيـف صحيح براي يک محدوده وسيع تر باشد.
ماهيت غيرايستاي اثر داپلر، توليد آن در اثر حرکت هـدف و از بين رفتن آن بـا توقـف هـدف ، تغييـرات سـرعت هـدف و در نتيجه فرکانس داپلر متغير و وجود سيگنال لحظه اي بـر اسـاس ديدن هدف در زماني که بيم اصلي آنتن از روي آن عبور مي کند (در حالت جستجو)، استفاده از تبديل چيرپلت را بـراي تحليـل پارامترهاي مختلف سيگنال پيشنهاد مي دهـد. از بـين چنـد راه حل ممکن که براي تحليل سيگنال در حوزه هاي مختلف تبديل وجود دارد، روشهاي نويدبخش آنهايي هستند که تقسيم بنـدي را در نقشه زمان - فرکانس انجـام مـي دهنـد. تقـسيم بنـدي بـه صورت غير مستطيلي ، يکي از روشهايي است که تطبيق پـذيري خوبي با سيگنالهاي بازگشتي رادار از خود نشان داده است .
سيگنال بازگشتي از هدف مي تواند هر دو مدولاسيون دامنه و سیگنال بازگشتی فاز را داشته باشد [۶]. از اين رو سيگنال بازگشتي از هـدف را مي توان به صورت زير نوشت :

که در آن دامنه سيگنال بازگـشتي و فـاز اوليـه فرکانس ارسالي f0 است .
سـيگنال بازگـشتي در رادار در صـورتي کـه از يـک هـدف نقطه اي که با سرعت ثابت به سمت رادار حرکت مي کند باشـد،
در باند پايه به صورت زير قابل نمايش است :

که در واقـع پـوش مخـتلط معادلـه (۲) مـي باشـد و نــسخه شــيفت يافتــه طيــف اســت . در ايــن رابطــه
مي باشد. اگر سيگنال بازگشتي هدف به دليل وجود اجزاي متحرک داراي فرکانسهاي داپلر مختلـف و در نتيجه فرکانس غيرثابت باشد، ساده ترين حالتي که مي تـوان براي تغييرات فرکـانس داپلـر در نظـر گرفـت ، تغييـرات خطـي است ، که منجر به رابطه زير بـراي سـيگنال بازگـشتي از هـدف مي شود [۴].

که اين رابطه همان رابطـه چيـرپ اسـت و بـر ايـن اسـاس مشتق اول و دوم فاز، به صورت زير حاصل مي شود.

اگر بخواهيم از مدل ارائه شده ، چيرپلت را استخراج نماييم ، بايد آن را با پنجره گذاري در زمان محدود کنـيم . پنجـره اي کـه تطبيق پذيري خوبي بـا بازگـشتي هـاي رادار پيـدا کـرده اسـت ، پنجره گوسي است . خواهيم داشت :

و بنابراين خواهيم داشت :

که براي حرکت دادن محـور زمـان و فـرض گسـسته بـودن سيگنال دريافتي ، مي تـوانيم در رابطـه فـوق بـه جـاي t مقـدار را قرار دهيم . اين رابطه بـا قـرار دادن به عنوان نرخ چيرپ و بـه عنـوان فرکـانس زاويـه اي و بيـان کننـده دوره زمـاني ، بـه صـورت زيـر سـاده مي شود:

پارامترهاي  و  و c به ترتيب نمايـشگر موقعيـت مکـاني ، موقعيت فرکانسي و نرخ چيرپ هستند و d دوره زماني چيرپلت را کنترل مي کند. در حقيقت هـر چـه واريـانس پنجـره گوسـي اعمال شده به سيگنال (d) بيشتر باشد، مـدت زمـاني چيرپلـت فرض شده بيـشتر اسـت . مـا پنجـره گوسـي را کـه اصـل عـدم قطعيت را نيز برآورده مي کند به دليل آساني در پيـاده سـازي و ارزيابي در نظر گرفته ايم . اصل عدم قطعيـت مـي گويـد، اگـر دو تابع جفت انتگرال فوريـه را تـشکيل داده باشـند، هر دو نمي توانند از لحاظ مقداري کوتاه باشند. يعني که در آن

. اکنــون هــدف مــا اينــست کــه پارامترهاي اين چيرپلتها را با مدل کردن فضاي زمان - فرکانس به عنوان ترکيبي از توابع چگالي نرمال پيـدا کنـيم . روشـي کـه براي استخراج پارامترهاي سيگنال با استفاده از تجزيه چيرپلـت مورد استفاده قرار گرفته اسـت ، تخمـين ML مـي باشـد کـه در مرجع [۷] پيشنهاد شده است .
۳. مدلسازي نويز
نويز دريافتي در سـيگنال بازگـشتي هدف ،ناشـي از ترکيـب نويز داخلي سيستم رادار (نويز گيرنده ) و نـويز محيطـي اسـت .
نمونه هاي نويز هميشه در خروجي گيرنده وجـود دارنـد و هـيچ وقت نمي توان آنها را به صفر رساند. نمونه آماري که براي توزيع نويز در نظر گرفته مي شود، معمولا تابع توزيع گوسـي اسـت . بـا رعايت نرخ نمونه برداري نايکوئيست ، نمونه هاي متـوالي نـويز بـا همديگر ناهمبسته مي شوند. در زير، بردار نمونـه هـاي نـويز بـه همراه ويژگي طيفي آن ارايه شده است :

که در آن Ts برابر زمان نمونه برداري و در رادارهاي پالـسي همدوس معمولا برابر با انتخاب مي گردد.
نويز گيرنده از نظر طيفي سفيد است و تابع توزيع دامنه آن گوسي فرض شده است .

در رابطـه فـوق برابـر بـا تـوان نـويز اسـت . مـاتريس کواريانس نويز به صورت زير قابل بيان است :

که در آن In ماتريس همـاني N×N اسـت . بـا توجـه بـه اينکـه تبديل چيرپلت با پنجره گوسي تطبيق پذيري خوبي با سـيگنال بازگشتي رادار از خود نشان و با توجه به اينکه ، تبديل چيرپلـت برخلاف تبديل فوريه کوتاه مدت ، يا تبديل موجک ، اصلا کـراس ترم ١ ندارد، اگر بتوانيم ، سيگنال بازگشتي از هدف را با مجمـوع q چيرپلت گوسـي مخـتلط (بـه خاطرکانالهـاي I و Q)، تخمـين بزنيم ، مي توانيم در واقع ماسکي ايجاد کنيم که از آن بـه عنـوان ابـزاري بـراي حـذف نـويز سـيگنال مـي تـوان اسـتفاده کـرد.
پارامترهاي اين ماسک درهـر پنجـره بـه صـورت وفقـي دوبـاره تخمين زده مي شوند تا ماسک به صورت سخت ٢ روي سـيگنال آستانه گذاري نکرده باشد.
عموما، اين مسئله مي تواند بصورت زير مطرح شود:

پارامتر تلفات بازگشتی (Return Loss) در کابل پچ کورد و تجهیزات پسیو شبکه چگونه اثر می‌گذارد؟

ستاره غیر فعالستاره غیر فعالستاره غیر فعالستاره غیر فعالستاره غیر فعال

پارامتر تلفات کابل و تجهیزات پسیو شبکه، یکی از مهم‌ترین و اساسی‌ترین عوامل تاثیر گذار در انتقال دیتا از طریق این تجهیزات است. شاید تا کنون تجهیزات شبکه بسیاری را خریداری و استفاده کرده باشید. اگر در حین کار با این تجهیزات به مشکل برخورده باشید، احتمال اینکه یکی از عوامل موثر در مشکل بوجود آمده شما عدم دقت به پارامترهای تلفات تجهیزات خریداری شده باشد، بسیار زیاد است. در ادامه همراه ما باشید تا شما را با انواع تلفات و تاثیر آنها بر روی تجهیزات شبکه بیشتر آشنا کنیم.

تلفات بازگشتی یا Return Loss

در علوم ارتباطات تلفات بازگشتی (Return Loss) عبارت است از میزان تلفات توان سیگنال بازگشت داده شده یا منعکس شده در کابل. به عبارت دیگر تلفات بازگشتی (Return Loss) تلفات توان سیگنال‌هایی را بیان می‌کند که به دلایل مختلفی مانند خم بیش از حد کابل یا فرورفتگی کابل بوجود می‌آیند. تلفات بازگشتی (Return Loss) از فرمول زیر محاسبه شده و واحد اندازه گیری آن دسیبل (dB) می‌باشد.

با توجه به فرمول فوق تلفات بازگشتی (Return Loss) در واقع نسبت بین توان سیگنال ورودی به سیگنال بازگشتی است که با دسیبل (dB) بیان می‌شود. تلفات بازگشتی (Return Loss) به دو عامل نسبت موج مستقیم (Standing Wave Ratio) و ضریب بازگشت (Reflection Coefficient) بستگی دارد.

return loss3

با افزایش تلفات بازگشتی (Return Loss) نسبت موج مستقیم (SWR) کاهش پیدا می‌کند. میزان تلفات بازگشتی این مفهوم را بیان می‌کند که کانال یا لینک کابل کشی شده چقدر عملکرد بهینه‌ای دارد. هرچه تلفات بازگشتی (Return Loss) بیشتر باشد مطلوب تر بوده و موجب کاهش تلفات اضافی (Insertion Loss) می‌شود. این پارامتر در انتخاب نوع پچ کورد (Patch Cord) و کانکشن ماژول یا کی استون نقش بسیار مهمی دارد و به همین دلیل توصیه شده که تمام تجهیزات یک لینک یا کانال را ترجیحاً از یک برند خریداری کنید. زیرا تفاوت امپدانسی بین تجهیزات مختلف باعث کاهش تلفات بازگشتی (Return Loss) شده و در نتیجه عملکرد کانال تضعیف می‌شود. شرکت R&M سویئس با بیش از 50 سال سابقه در ساخت تجهیزات شبکه با کیفیت فوق العاده سویئسی توانسته است تا باکیفیت ترین کانکشن ماژول‌ها و پچ کوردها را در انواع مختلف و دسته بندی های مطابق استاندارد بین المللی تولید کند.شرکت آر اند ام با بکار گیری این تجهیزات در کانال‌های مسی موفق شده تا به میزان تلفات بازگشتی (Return Loss) بسیار قابل توجه -9dB دست پیدا کند.

return loss1

این میزان تلفات بازگشتی در فرکانس 500 MHz معادل با نرخ انتقال دیتا در تجهیزات شبکه با دسته بندی Cat. 6A در استاندارد بین المللی است. این میزان تلفات بازگشتی (Return Loss) در مقایسه با دیگر برندهای اروپایی بطور قابل توجهی مطلوب تر بوده و همین امر موجب گردیده تا کانال یا لینک های مسی که تماماً با تجهیزات شرکت ار اند ام ایجاد شده باشند بتوانند از این شرکت وارانتی 25 ساله را کسب کنند که این ضمانت 25 ساله شرکت R&M به تکنولوژی برتر محصولات و اعتمادی که به کیفیت سویئسی برند خود دارد باز می‌گردد. همچنین تلفات بازگشتی (Return Loss) در تجهیزات فیبر نوری این شرکت در مقایسه با سایر برندهای اروپایی از مقدار قابل توجه بهتری برخوردار است که این مهم توسط آزمایشگاه های معتبر دنیا به اثبات رسیده است و کسب گواهینامه های 3P محصولات توسط این شرکت گواهی بر این مدعا است.

return loss2

اگر تا کنون با مشکلاتی همچون قطعی شبکه یا برقراری اتصال در لینک یا کانال های شبکه خود مواجه شدید، قطعاً یکی از دلایل آن عدم توجه به این پارامتر بسیار مهم در هنگام خرید تجهیزات شبکه بوده است. شرکت فنی مهندسی لاوان ارتباط نماینده رسمی شرکت R&M سویئس، با بیش از 17 سال سابقه در طراحی و اجرای پروژه‌های مختلف کابل کشی شبکه و دیتاسنتر آمادگی کامل برای مشاوره و طراحی و پیاده سازی شبکه های کامپیوتری شما را دارد.

مقالات مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

برو به دکمه بالا