1007-bsbk-2014-02 kodlu tüBİtak projesi İşbirlikçi-Olmayan ds-ss almacı Final Rapor

1007-BSBK-2014-02 KODLU TÜBİTAK PROJESİ
İşbirlikçi-Olmayan DS-SS Almacı
Final Rapor
Gazi Üniversitesi

Mühendislik Fakültesi

Elektrik Elektronik Mühendisliği Bölümü

Doç.Dr. Özgür ERTUĞ

M.Sc. Hakan DURAK

DS-SS (Direct Sequence Spread Spectrum)

1. 
   Giriş
   

Genel bir DS-SS sistem yapısına bakılır olur ise Şekil-1’de basitleştirilmiş bir şekilde DS-SS haberleşme blokları gösterilmiştir. Mesaj sinyali kanal kodlama sonucunda d(t) datasına dönüştürülmektedir. Kanal kodlama yönteminde kod oranına göre fazlalık bitler eklenmekte ve her bir bit üretilen PN sözde gürültü dizileri ile çarpılarak genişletilmektedir. Daha sonra modülatör bloğunda modülasyonun türüne göre haritalandırma (Mapping) işlemi gerçekleştirilmektedir. BPSK gibi tek taşıyıcı sinyalinin olduğu modülasyon yönteminde gelen genişletilmiş verilersinyali ile çarpılır iken. QAM, QPSK vb. gibi birbirine dik (ortogonal) taşıyıcıların bulunduğu modülasyon yöntemlerinde ise genişletilmiş verilerve taşıyıcı sinyallerine bindirilmektedir. Burada ‘i açacak olur ise şeklinde ifade edebiliriz. ile taşıyıcı sinyalin frekansı belirlenmektedir. bandgenişliğini ifade eden kısım ise birim zamanda kanal kodlamadan çıkan verilerin boyutu tanımlamaktadır.

Şekil 1. DSSS Haberleşme sistemi blok şeması

Verici kısmında yayma işlemini gerçekleştirmek için PN kod dizilerin oluşturulması gerekliliği belirtilmişti. PN kod dizilerini oluşturmak için LFSR (Linear Feedback Shift Register) yapıları oluşturmak gerekmektedir. Bunun yanında Galois Field olarak adlandırılan ve şeklinde gösterilen ikili sistemde primitive yani asal diziler oluşturulması zorunludur. PN diziler başlığı altında PN diziler ele alınacaktır.

1. 
   PN Diziler
   

Sözde-rastgele veya sözde-gürültü (PN) dizisi beyaz gürültünün öz-ilinti özelliklerine sahip 1’ler ve 0’lardan oluşan bir kod dizisidir. Bu altbölümde, kısaca bazı PN dizilerinin ele elde edilmesi ele alınacaktır. En yaygın olarak bilinen iki PN kod dizileri maksimum-uzunluk kayan yazmaçdır (Maximum-length shift register). Bir maksimum-uzunluk kayan yazmaç veya kısaca m-dizisi, bit uzunluğuna sahiptir ve şekil 2 de gösterilmiştir.

Şekil 2 Doğrusal geri-beslemeli m-katmanlı kayan -yazmaç (LFSR)

Şekil 2'de görüldüğü üzere m-katmanlı doğrusal geribeslemeli bir kayan yazmaç tarafından üretilir. Dizi periyoduna sahiptir. Her bir periyot adet bir ve adet sıfır içerir. Şekil 2 ‘de gösterilen kayan yazmacın bağlantı noktasını belirtmektedir. m-dizi uzunluğunda bir PN dizisi oluşturmak LFSR pirimitive polinom ya da generatör polinom olarak da adlandırılan polinomlara göre bağlantı noktaları tanımlanmalıdır. Eğer bir generatör polinom primitiv ise asallarına ayrılmaması gerekmektedir ve in bir çarpanı durumundadır. Burada yani dizinin uzunluğunu belirtmektedir. Örneğin bir m-dizisi generatörü 3 shift register (m=3) kullandığında primitiv polinomu geribesleme noktalarını belirlemektedir. Denklem 1.1 de gösterilmektedir.

\* MERGEFORMAT (.)

Eğer olarak belirlenecek ise ‘in 3. Dereceden asal polinomlarını seçmemiz gerekmektedir. Denklem 1.1 bakıldığında ve polinomlarının seçilmesi uygun görülmektedir. Bu polinom değerleri literatürde kolay ifade edilmesi açısında [3 1 0] ve [3 2 1] şeklinde gösterilmektedir.

Örneğim 128 bitlik bir dizi oluşturmak istendiğinde olarak tanımlanması gerekmektedir. 7. dereceden generatör polinom tanımlamak gerekirse seçilebilir. Bu polinom G=[1 0 0 0 0 0 1 1] şeklinde ifade edilebilmektedir.Bu durumda LFSR bağlantıları Şekil 3’deki gibi bağlanması gerekmektedir. Ek te PNG olarak tanımlanan PN kod generatör Matlab kodları belirtilmektedir. Kod içeriğinde m=7 için yani 128 bit seri üretmek için gerekli olan primitiv polinomlar belirtilmiştir.

Şekil.3 için LFSR Yapısı

Sentetik datanın üretiminin anlaşılması adına PN kodlarının teminin ardından Şekil 1. ‘de belirtilen kanal kodlama ile üretilen verileri bipolar (0=-1 , 1=1) forma dönüştürülmektedir. Ardından üretilen bir verisi PN kod dizisi ile çarpılmaktadır. dizisi kodlamak ve yaymak için adet chip uzunluğuna sahip olmaktadır. Ardından basitleştirmek adına BPSK modülasyon işlemi yapılabilmek için taşıyıcı sinyaline bindirilmektedir. Vericiden çıkan çıkış sinyali Denklem 1.2 de belirtilmektedir.
\* MERGEFORMAT (.)
2.Kanal Kodlama

İletişim sistemlerinde kodlamanın kullanılmasının amacı iletilen işaretler arasındaki Öklid uzaklığı artırmak ve böylece verilen bir iletim gücü için hata olasılığını düşürmektir. Kanal kodlama yöntemlerini iki ana başlık altında toplamak mümkündür. Bunlar Evrişimsel kanak kodlama yöntemi ile Blok tipi kanal kodlama yöntemleridir. Sırası ile bu kodlama yöntemlerini ele alınacaktır.

2.1 Evrişimsel Kodlar: Evrişimsel kodlar blok kodlardan, kodlama yönteminde hafıza içermeleri bakımından farklılık gösterirler. Blok kodlarda giriş bitine sahip her bir blok, çıkış bitlerinin uzunluğundaki bir bloğu ile kod tarafından tanımlanmış olan bir kurala göre ve kodlayıcıya verilmiş olan daha önceki girişlerden bağımsız olarak eşleştirilir. Böyle bir kodun oranı

\* MERGEFORMAT (.)

olarak verilir.

Evrişimsel kodlarda bitlik her bir blok kanal üzerinden iletilecek olan bitlik bir bloğa eşleştirilir. Ancak bu bit sadece bilgi biti tarafından değil daha önceki bilgi bitleri tarafından belirlenir. Daha önceki bilgi bitlerine olan bu bağımlılık kodlayıcının bir sonlu durum makinesi olması anlamına gelir. Daha açıklayıcı olmak adına evrişimsel kodlayıcının blok diyagramı Şekil 4’de verilmiştir. Evrişimsel kodlayıcı katmana sahip bir kayan yazmaçtan oluşur. Burada kodun kısıt uzunluğu olarak adlandırılır. Zamanın her anında, bilgi biti kayan yazmaca girer ve kayan yazmacın en son katmanının içeriği dışarı atılır. bit kayan yazmaca girdikten sonra kayan yazmacın içeriğinin - doğrusal kombinasyonu şekilde görüldüğü gibi hesaplanır ve kodlanmış dalga formlarını üretmek için kullanılır. Bu kodlama prosedüründen, kodlayıcı çıkışının sadece kodlayıcıya giren en son bağlı olmadığı fakat aynı zamanda bu bit ulaşmadan önce, kayan yazmacın ilk katmanının içeriğine bağlı olduğu açık olarak görülebilir. Bundan dolayı kayan yazmaç durumda sahip bir sonlu durum makinesidir. Her bir giriş biti için çıkış bitine sahip oluruz böylece bu kodun oranı olur.

Şekil 4 Evrişimsel kodlayıcın blok diyagramı

Örnek bir erişimsel kod Şekil.5 gösterilmiştir. Bu kodlayıcıda , ve olarak belirlenmiştir. Bundan dolayı kodlayıcı oranı ve durum sayısı olur. Böyle bir kodu tanımlamanın bir yolu da kodlayıcıyı çizmek yerine iki çıkış bitinin kayan yazmaç içeriğine nasıl bağımlı olduğunu belirmektir. Bu genellikle, evrişimsel kodun üreteç diziler olarak bilinen adet vektörü belirterek ile gerçekleştirilir. Bu örnek için üreteç dizileri olarak verilir.

Şekil 5: oranına sahip bir evrişimsel kodlayıcı

Turbo Kodlar

Turbo kodlar, iki paralel ve seri kodlayıcı arasında bir serpiştirici ( interleaver ) içeren, eklemlenmiş kodların (concatenated codes ) özel bir sınıfıdır. Serpiştiricinin varlığı, düşük SNR değerlerinde mükemmel performansa sahip çok büyük kod kelimeleri ile sonuçlanır. Bu kodları kullanarak, düşük SNR’larda dahi Shannon limitine, 1 dB’den az olacak kadar yakınlaşmak mümkündür. Bir Turbo kodlayıcının yapısı Şekil.5.’de gösterilmiştir.

N Bilgi biti
Serpiştirici

RSCC Kodlayıcı

RSCC Kodlayıcı

Mux

MUX

P₁

P₂

dP₁P₂

d
Şekil 5: Turbo Kodlayıcının Blok Diyagramı
Turbo kodlayıcı N uzunluğundaki bir serpiştirici ile ayrıştırılmış iki yapıyı oluşturan koddan oluşur. Yapıyı oluşturan kodlar genellikle ½ oranında özyinelemeli sistematik evrişimsel kodlardır ( Recursive systematic convolutional codes- RSCC ) ve aynı kod genellikle yapıyı oluşturan iki yapıcı kod olarak kullanılır. Şekil 6’ de bir RSCC kodlayıcı gösterilmiştir. Şekil 6’ de gösterilen kodlayıcının yapısında, N bilgi biti ilk kodlayıcıya girer. Aynı bilgi bitleri boşluk bırakılarak ikinci kodlayıcıya uygulanır. Kodlayıcılar sistematik olduğundan, her bir kodlayıcı girişine uygulanan N bilgi bitini ve bunu takip eden N eşlik sınaması bitini üretir. Kodlamadan sonra, N bilgi biti ve iki kodlayıcının 2N eşlik sınaması biti yani toplam 3N bit kanal üzerinden iletilir. Bundan dolayı toplam oran olur. Eğer daha yüksek oranlar istenir ise, eşlik sınaması bitleri boşa çıkartılır, yani sadece bazı eşlik bitleri, bir düzenli örüntüye bağlı olarak iletilir.


Şekil.6: RSCC Kodlayıcı
Turbo kodlarda serpiştiriciler genellikle, binlerce bit gibi oldukça büyük uzunluktadır. Yarı rastgele serpiştiriciler yeteri kadar iyidir ancak serpiştiricinin akıllıca seçimi ile kod performansında bazı iyileştirmeler elde edilebilir. Ayrıca, kodlayıcının tüm-sıfır durumuna dönmesini garanti edecek şekilde bilgi dizisine sıfırların eklendiği özyinelemeli olmayan evrişimsel kodların aksine, bileşen kodlardan birini tüm-sıfır durumuna döndürmek, sıfırdan farklı belirli bir dizinin bilgi dizisine eklenmesini gerekli kılar. Bir tek serpiştiricinin varlığından dolayı, birçok durumda, her iki kodu tüm-sıfır konumuna döndürmek imkansızdır.
Turbo kodlar iki temel-yapıcı kod bileşenine sahip olduğu için, bunların kod çözümü için Şekil 7’de gösterilen özyinelemeli algoritma (Iterative decoding algorithm) uygundur. Bitlerin olabilirliğini bir çıkış olarak üreten herhangi bir kod çözme yöntemi, özyinelemeli kod çözümünde kullanılabilir. Böyle bir yöntem Bahl, Cocke, Jelinek, ve Raviv (BCJR), tarafından Bahl ve diğerleri ( 1974 ) isimli kaynakta önerilen ardıl olasılığın maksimumu(Maximum a posteriori probabilty – MAP) kod çözme yöntemidir. Düşük karmaşıklığa ve zayıflamış performansa sahip başka bir yöntem ise Hagenauer ve Hoher (1989) tarafından önerilen esnek-çıkışlı Viterbi algoritmasıdır (Soft-output Viterbi algorithm- SOVA). Her iki yöntemde de, farklı bitlerin olabilirliği hesaplanır ve bunları birinci kod çözücüye iletir. İkinci kod çözücü de olabilirlik oranlarına hesaplar ve bunları birinci kod çözücüye iletir, bu süreç olabilirliklerin, her bir bit için doğru kod çözümünün yüksek olasılığını işaret etmesine kadar tekrarlanır. Bu noktada, son karara varılır. Şekil 7’de gösterilen özyinelemeli kod çözüm prosedüründe ,, sırası ile, sistematik bitlere, kodlayıcı 1 için eşlik sınaması bitlerine ( Parity bit) ve kodlayıcı 2 için eşlik sınaması kodlarına işaret eder. ve iki kod çözücü arasında alış verişi yapılan bilgiyi temsil eder.


Şekil 7: Turbo Kod için Özyinelemeli Kod Çözme
BCJR ALGORİTMASI
BCJR ( Bahl,Jelinek,Cocke, ve Raviv ) algoritması, bir evrişimsel koddaki her bilgi bitini MAP kriterine göre kod çözen kafes-temelli (trellis) bir kod çözme algoritmasıdır. Bu algoritma, maksimum olabilirlik kriterine bağlı olarak bilgi bitlerinim dizisi hakkında maksimum olabilirlik kararı oluşturan Viterbi algoritmasından farklıdır. Yan bir ürün olarak, BCJR algoritması, turbo kodlarının özyinelemeli kod çözümünde kullanılabilecek, iletilen bitler için olasılık veya olabilirlik üretir.
Varsayalım ki kod Şekil 8’te gösterilen kafes ile tanımlanmış olsun. Burada alınan dizi için kafes derinliğinin N katman olduğunu ve ile katmanları arasındaki geçişi ele aldığımızı varsayıyoruz. Durumların sayısı M ile gösterilsin ve toplam alınan dizi olsun. Şekil 8, M=25 için çizilmiştir ve sadece ve ile Katmanları arasındaki iki geçiş gösterilmiştir. için, alınan diziyi anına kadar ile ve ’den N’e kadar ile gösterelim. Diğer bir deyiş ile, ve olsun. Rastgele değişken , anındaki kafesi temsil etsin. Toplam M olası durum olduğundan, ’nin değerini 0 ile M-1 tamsayı setinden aldığını varsayalım. Burada 0 kafesin tüm-sıfır durumuna karşılık gelmektedir.
ve için

• 
  (2.1) Equation Chapter 3 Section 1
  
• 
  (2.2)
  
• 
  (2.3)
  

olasılıklarını sınırlama koşulları ile tanımlayalım.

(2.4)

(2.5)

Şekil 8.: BCJR Algoritması için kafes
alındıktan sonra, MAP algılayıcı, eğer alabilirlik

(2.6)

ifadesini sağlar ise olduğuna hükmeder. Ancak

(2.7)

(2.8)

Burada tüm durum çiftleri kümesini gösterir öyle ki, olması durumundan durumuna geçişe neden olur. Benzer bir şekilde tüm-durum çiftleri ’i gösterir olsun, bu durumda’den ’e geçiş bir girişine karşılık gelir. Örneğin Şekil 8’te, ve olur.

(2.7) ve (2.8) denklemlerini (2.6) denkleminde yerine koyar isek ve

(2.9)
tanımını yaparsak olabilirlik oranı

(2.10)

ifadesine indirgenir. Sonra

(2.11)
ifadesine sahip olur. Burada eşitliği belleksiz kanaldan kaynaklanmaktadır.

(2.12)

(2.13)
(2.12) ve (2.13) sırası ile ileri doğru özyineleme (Forward recursive) ve geriye doğru özyineleme ( Backward Recursive) olarak adlandırılır.’in bildiğimizi varsayarsak, tüm ve için ve değerlerini bulmak amacı ile, denklem (2.4) ve (2.5)’de verilen başlangıç ve bitiş koşulları, ileriye doğru özyinelemede ve geriye doğru özyinelemede kullanılabilir. Sonra, bu değerler (2.11) denkleminde değerini bulmak için yerine konur ki bu değer daha sonra olabilirlik oranlarını bulmak için denklem (2.10)’de kullanılır. Olabilirlik oranları (Likelihood Ratio –LR) bulunduktan sonra’ler sezilebilir.
Bu aşamada değerlerinin nasıl hesaplanabileceğini gösterilmesi kaldı. Bu değerler kanalın karakteristiğine bağlıdır. Bir belleksiz kanal için,

(2.14)
ifadelerine sahibiz. Örneğin BPSK modülasyonun kullanıldığı bir AWGN kanalda, iletilen işaret şeklindedir dolayısı ile

(2.15)
olur. Bundan dolayı, öncül olasılıkları (a-piriori ) ile başlayarak , ve değerlerini bulmada kullanılabilecek olan değerlerini belirlemek için denklem (2.4) ve (2.15) kullanılabilir. Özet olarak, BCJR algoritması şu şekilde uygulanır:

• 
  Denklem (2.4) ve (2.5)’de verilen başlangıç koşulları ile algoritmayı başlatın ( kafes sonlanma koşulu )
  
• 
  Verilen öncül olasılıkları ( genellikle 0 veya 1 olması eşit olasılıklı kabul edilir) , kanal karakteristiği ve alınan dizi ile denklem (2.14) ve (2.15) kullanılarak ’ları hesaplayın
  
• 
  ’ları hesaplamak için denklem (2.12) denkleminde verilen ileri yönde özyineleyi kullanın.
  
• 
  ’ları hesaplamak için denklem (2.13) denkleminde verilen geri yönde özyineleyi kullanın.
  
• 
  değerlerini hesaplamak için denklem (2.11) denklemini kullanın.
  
• 
  (2.10) denklemini kullanarak olabilirlik oranlarını hesaplayın ve kararı oluşturun.
  

BCJR algoritmasında (’ları bulmak için) bir kez kafesi ileri yönde ve (’ları hesaplamak için ) bir kez kafesi geri yönde geçmek zorunda olduğumuza dikkat edin. Bundan dolayı, bu algoritmanın karmaşıklığı Viterbi algoritmasının iki katıdır. Ayrıca ileri yönde geçişte, değeri saklanmalıdır, dolayısı ile algoritmanın kayıt gereksinimi de oldukça yüksektir.

2.2 Doğrusal Blok Kodlar

Genel olarak standart dizi ve sendrom kod çözümünü kullanan doğrusal blok kodların pratikte özellikle büyük blok uzunluklarında çok fazla karmaşıktır. Doğrusal blok kodların kod çözümü pratik hale getirebilmek için düşük karmaşıklıklı kod çözüm algoritmalarına sahip doğrusal blok kodların özel sınıfları tasarlanmış ve bu özel sınıflar için kod çözüm algoritmaları önerilmiştir. Doğrusal blok kodların en yaygın olarak kullanılan altkümesi çevrimsel kodlardır. Çevrimsel kodlar herhangi bir kod kelimesinin çevrim kaymasının da bir kod kelimesi olma özelliği gösterdiği doğrusal kodlardır. Dolayısı ile çevrimsel kodlar eğer polinom cinsinden ifade edilir ise kararlı bir yapıya sahip olduğu ortaya çıkar.

Çevrimsel kodların BCH (Bose, Chaudhur,Hocquenghem) olarak adlandırılan bir altkümesi özellikle yoğun olarak kullanılmaktadır. BCH kodlar herhangi bir sayıdaki hatanın düzeltilmesi için tasarlanabilir.

Reed-Solomon kodlar ise ikili olmayan BCH kodlarının bir altkümesidir, dolayısı ile bunlar da çevrimsel kodlar ailesine aittirler.

3.Modülasyon

Sayısal haberleşmede temel fonksiyonlar kullanılır. Bu temel fonksiyonlar Gram Schmidt dikey teoremine göre dik seçilmektedir. Bir temel fonksiyon seçildikten sonra sinyal uzayındaki her bir veri bu temel fonksiyona göre tanımlanır.

Örneğin BPSK (Binary Phase Shift Keying) modülasyon tekniğinde sinüzoidal bir temel sinyal kullanılmaktadır. Modulasyon ise bu temel sinyalin mesaj sinyali ile fazının değişimi ile oluşmaktadır. Sırası ile verilen eşitlikler BPSK modülasyonu ifade etmektedir.

(3.1)

temel sinyalin genliğini, taşıyıcı sinyalin frekansını, zamanı belirtmektedir.verinin 0 olduğu anı göstermekte iken verinin 1 olduğu anı göstermektedir. BPSK sinyalinin takımyıldız diyagramına baktığımız zaman sinyalin sadece reel eksende değer aldığını kompleks eksende bir değeri olmadığını gözlemleyebiliriz. Çünkü BPSK modülasyonunda sadece bir adet temel sinyali bulunmaktadır. BPSK modülasyonu Şekil 9 da gösterilmiştir.

Şekil 9 BPSK Modülatör

NRZ kodlama ile 1 pozitif voltaj ile tanımlanır ike 0 negatif voltaj ile tanımlanmaktadır. Bu sayede bipolar sinyal edilmekte 1 değeri 1 olarak kalır iken 0 değerleri -1 ile ifade edilmektedir. NRZ kodlayıcıdan çıkan her bir sinya taşıyıcı sinyaline bindirilerek modüle edilmiş sinyal elde edilir. Şekil 10 da ise BPSK modülasyonunun çözümlenmesi gösterilmektedir. Gelen sinyal yine aynı taşıyıcı sinyali ile çarpılmakta ve belli örnekleme zamanlarında çıkan her bir değer toplanmaktadır. Taşıyıcı sinyali ile aynı frekansda bir lokal sinyal üreterek bu taşıyıcı sinyaline benzerliği tespit edilmekte son olarak belli bir büyüklüğün üstünde ise yani 0 ın üstünde ise gönderilen verinin o zaman anında 1 olduğu 0 ın altında çıkması durumunda ise gönderilen verinin 0 olduğu tespit edilmektedir.

Şekil 10 BPSK Kip Çözücü

Bunun dışında Şekil 11 görüldüğü üzere temel sinyallerin bulunduğu modülasyon tipleri de mevcuttur. Bu tip modülasyon tiplerinde temel sinyallerin birbirine dik olması zorunluluktur. Bu yüzden görüldüğü üzere aralarında 90 derecelik faz farkının bulunduğu cos ve sin sinyallerinin kullanılması gerekmektedir.

Şekil 11 QPSK/QAM Modülatör Yapısı

Şekil 11 de görüldüğü üzere gelen her çift bit seriden paralel dönüştürücü ile çift bitler ver tek bitler olarak ayrıldıktan sonra NRZ (Non Return Zero) kodlayıcılar ile bipolar formata dönüştürülmekte ve ayrı ayrı cos ve sin taşıyıcı sinyalleri ile çarpılmaktadır. Son olarak ayrı ayrı çarpılmış bu sinyaller toplanmaktadır.

Şekil 12 QPSK/QAM Demodülatör Yapısı

Gelen sinyal senkronize şekilde elde edildikten sonra aynı sinyal Cos ve Sin sinyalleri ile çarpılmakta ve ayrı ayrı benzerliklerine bakılmaktadır. Her bir birbirine dik eksenli olan taşıyıcılardaki bipolar sinyal değerleri Eşik değerlerine bakılarak ikili formatta sokulmakta ve seri forma sokularak kanal kodlama bloğuna iletilmektedir. Burada bir diğer önemli faktör ise M değeridir. modülasyondaki level seviyelerinin sayılarını ifade etmektedir. Örneğin 16-QAM modülasyon denildiğinde M , 16 olarak ifade edilmek istenmektedir. değeri ise bir sinyalin ifade ettiği bit sayısını göstermektedir. 16-QAM modülasyon yönteminde olduğu için bir modülasyon sinyali 4 biti ifade edebilmektedir. Bu durumda birim zamandaki iletilen bit sayısı artırılabilmektedir.

Şekil 13 16-QAM Takımyıldız Diyagramı

Şekil 13 de görüldüğü üzere her bir sembol noktası 4 bit ifade etmektedir. Bu haritalandırma işlemi ise şu şekilde örneklendirilebilir. 1100 olarak tanımlanmış sinyalin reel ve kompleks değerlerine bakacak olursak temelbandta 1-3j olarak ifade edilmektedir. Bu karmaşık sayının reel kısmı Cos sinyalinin genlik değerini ifade etmekte iken -3j değeri ise Sin sinyalinin genliğini göstermektedir. Burada şunu ifade etmekte fayda var. Sinyalin M değerinin artması demek veri hızında bir artışa neden olmaktadır fakat aynı zamanda birim bit başına düşen güç seviyesi düşmektedir. Örneğin 16-QAM modülasyonda BPSK ya göre 4 kat bir başına düşen enerji düşmektedir. Bu da BER (Bit Error Rate) Bit Hata Oranı dediğimiz istatistiği değeri olumsuz etkilemektedir.

4. 
   Algoritmik Bütün ve Sistem Gereksinimleri
   

Proje kapsamında algoritmik bütün ve sistem gereksinimlerini 4 ana başlık altında özetlenmesi uygun görülmüştür.

1. 
   Tespit (Detection)
   
2. 
   Analiz (Analyze)
   
3. 
   Otomatik Kipleme Tanımlanması (AMR-Automatic Modulation Recognition)
   
4. 
   Kanal Kodlama Tanımlanması (CCR-Channel Coding Recognition)
   

Tüm bu işlemlerin gerçekleştirilmesi ile proje kapsamında istenen algoritmik bütün elde edilmiş olunacaktır. Bu kapsam da rapor içeriğinde şu ana kadar DS-SS bir sistemin içeriği anlatılmaya çalışılmış ve modellenmiştir.

Tespit:

Tespit algoritmaları sayesinde DSSS sinyalinin var olup olmadığı tespit edilebilmektedir. Genel olarak kullanılan metotların başında auto-correlation yöntemi gelmektedir [2,5,6]. Proje isterleri doğrultusunda [5]’de elde edilen sonuçların -20 dB de başarılı olduğu gözlemlenmiştir. Bunun dışında [1] ve [4]’de auto-corelation yöntemi geliştirilerek (RPT-Ratio Peaks Greater then Threshold , MDP- Mean Distance between Peaks greater than Threshold) sönümlemeli kanal altında -15.5 dB değerinde verimli bir performans elde edildiği gözlemlenmiştir. Bunun dışında yine aynı makalelerde Kurtosis fonksiyonu kullanarak daha verimli bir sonucun elde edildiği belirtilmiştir.[3]’de ise bu metdoların dışında (VFDT-Variance Fractal Dimension Trajectory) yöntemi ile -15 dB değerinin altında de verimli olduğu gösterilmiştir. Bu metodun zaman ekseninde auto-correlation yönteminden daha verimli olduğu gösterilmiştir.

Sonuç olarak Kurtosis ve VFDT yönteminin öne çıktığı gözlemlenmiştir. Literatürde bu iki yöntemi karşılaştıran bir çalışma tespit edilmemiştir.

Analiz:

Analiz işlemlerinin esas amacı period sürelerini kestirmek, PN dizilerini kestirmek, çip sürelerini kestirmek , taşıyıcı sinyali ile örnekleme sürelerini tespit etmektedir. [7-10] makalelerinde taşıyıcı frekansı ile birlikte sembol periyodunu kestirimi ve PN kodunun periyod süreleri tespit edilmektedir. Genel olarak kullanılan metotlar “delay-multiply”, “correlation” ve “spectrum analizi” olarak ifade edilmektedir. Bunun yanında PN dizilerinin de tespiti için [11-13] makaleleri örnek gösterilebilir. [13]’de “cyclic-cumulant ” yöntemi ile PN periyodu tespit edildikten sonra, cross-correlation” PN dizisinin başlangıç biti ve PN dizisi tespit edilmektedir. [12]’de ise “Maximizing spectral norm” metodu ile senkronizasyon elde edilmekte iken cross-correlation ile bilgi bitleri silindikten sonra matched-filter ile PN dizisi tespit edilmektedir. [11]’de ise maximum likelihood (MLE) kestirim yöntemi ilesenkronizasyon sağlanmakta ve PN dizisi tespit edilmektedir.

AMR:

Bu kısımda kipleme yöntemleri tespit edilmektedir.AMR sinyal tespiti ile demodülasyon yöntemleri arasında geçiş sağlayan bir yöntemdir. Bu yüzden verilerin temin edilebilmesi için gerekli bir adımı teşkil etmektedir. Yapılmış olan literatür taramaları sonucunda [14]’de anket niteliği taşıyan bir çalışma olduğu gözlenmiştir. Bu çalışmada iki temel yapı ele alınmıştır. Bunlar sırasıyla Benzerlik tabanlı (Likelihood) yaklaşım ile Vasıf (Feature) tabanlı yaklaşımlar olmaktadır. Her iki yöntem ile QPSK,FSK,QAM kipleme yapıları AWGN kanal altında denenmekte olup. LB (Likelihood Based) metodunun FB (Feature Based) metoduna göre optimal bir sonuç verdiği gözlenmiştir. [15,18,22]’de ADMR (Aoutomatic Digital Modulation Recognition) metodu ele alınmış, GA (Genetik Algorithm) ve SVM (Support Vector Machine) yöntemleri birleştirilerek 11 farklı ASK2,ASK4,FSK2,FSK4,BPSK,QPSK,PSK8,MSK,QAM,QAM8,QAM16 gibi kipleme yöntemi ele alınmıştır. Bu iki yöntemin birleştirilmesi Gauss tipi gürültü ortamında daha verimli olmasını sağlamıştır. [16]’de ise yine LB ve FB tabanlı AMR yöntemleri sönümlemeli ortamda denenmiş ve performans analizleri gerçekleştirilmiştir. 2ASK, 4ASK, 2PSK, 4PSK, 2FSK, 16QAM, 64QAM ve 256QAM kipleme yöntemleri ele alınmıştır. Figür 14 de görüldüğü üzere kipleme yöntemlerine göre -5dB SNR değerinde doğru sınıflandırma tablosu gösterilmektedir.

Şekil 14 Hata matrisi sınıflandırması (SNR=-5dB) 100 denemede.

Diğer bir yöntem olarak Wavelet yöntemi göze çarpmaktadır [17,19,20,23]. Bu yöntem ile QAM,FSK,PSK ve ASK kipleme yöntemi tanımlanabilmektedir. Matematiksel model olarak ele alındığında Wavelet transferi alınan sinyalin yüksek ya da alçak frekans bilgilerini içermektedir. Bu sayede kipleme yöntemleri tespit edilebilmektedir.

Son olarak [21]’de farklı olarak gelen sinyalin spektral gücün maksimum değeri kullanılmaktadır. Bu metot ile ASK, 2FSK,4FSK,MSK, BSK, QPSK,16QAM kipleme yöntemleri başarı ile denenmiştir.

CCR:

Modülasyon tanımlama işleminden sonra demodüle edilen verilerin kanal kodçözümü işleminden geçmesi gerekmektedir. Böylelikle gönderilen data verilerin yeniden elde edinimi sağlanabilmektedir. Bilindiği üzere kanal kodlama yöntemleri iki ana başlık altında sınıflandırılabilir. Bunlar Blok tipi (Block type codes) kodlama yöntemleri ile Evrişim tipi ( Convolutional type codes ) kodlama yöntemleridir. Literatürde yapmış olduğumuz aramalar sonucunda her iki kanal kodlama yöntemi için yapılmış çalışmalar tespit edilmiştir. Evrişim kanal kodlama yöntemi ve türevleri olan Turbo ve LDPC kodlama yöntemleri [23,24,25,27, 28]’de incelenmiş olup , blok tipi kanal kodlama [27]’de incelenmiştir.

Şekil 15 Evrişimsel kodlamanın tanımlama performansı

Evrişimsel kanal kodlama yöntemlerinde Hard ve Soft kod çözümleme yöntemleri kullanılmaktadır. Şekil 15 de bu kanal kod çözme yöntemlerine göre [23]’da belirtilen Gauss Jordan Elimination Through Pivoting (GJETP) yönteme göre FRR (false regognition ratio) hatalı tanımlama oranı verilmiş olup. Şekil 16’da farklı kod oranlarında tanımlama performansı farklı çerçeve uzunluğuna göre belirtilmiştir.

Şekil 16 Farklı kod uzunluklarına göre evrişimsel kodlamanın tanımlama performansı

Şekil 17 Blok tipi BCH kodlama yönteminin Tanımlama performansı

Evrişimsel kodlama yöntemlerinden farklı olarak blok tipi kodlama sadece asal polinomlardan üretilmektedir. Bu konu ile ilgili olarak [34]’de yapılan performans verileri farklı kod oranlarında ve farklı SNR değerilerine göre şekil 17’de verilmiştir.

Şekil 18 Kanal Kodlama tanımlanması ve Kod çözme çizelgesi Blok şeması

Sonuç olarak şekil 18 ‘de görüldüğü üzere kasket bir yapıda kip tanımlama ve çözme işlemlerinden sonra yine aynı sıra ile kanal kodlama parametrelerinin tanımlanması ve kanal kodçözme işleminin gerçekleştirilmesi ile kaynak verilerinin elde edilmesi işlemi gerçekleştirilebilmektedir.

Front-end ve FPGA seçimi

Proje isterlerine göre DAQ olarak FMCOMMS 2/3 önerilmişti. Bu ön-ek kartın özelliklerine bakıldığında 70MHz ile 6GHz arasında taşıyıcı sinyali üretebilmek ile birlikte,200 KHz den başlayarak 56MHZ’e kadar bandgenişliğine sahip olabilmektedir. Analog Device ın ürettiği AD9361 entegresinin özelliklerine bakacak olur isek 12bit lik ADC ve DAC bulunmaktadır. Tanımlama yapılabilmesi için gerekli olan minimum SNR seviyesi -14dB olması sebebi ile ADC SNR ‘ı 6.02R+1.76 dB ye eşitlendiğinde 74dB SQNR elde edilmektedir. Power Gain i 24 dB olduğuna göre 74-24 dB 50 dB gürültü ve kanaldan dolayı oluşan ortalama SNR elde edilmektedir. Mesafenin yakın mesafe olarak düşünüldüğünde yaklaşık -40 dB lik bir kayıp sonucunda 10 dB lik ortalama bir SNR elde edilmektedir. Bu yüzden detection için gerekli olan minimum SNR dan yüksek olması sebebiyle 12 bit lik çözünürlüğün yeterli olacağı düşünülmektedir.

5. İşbirlikçi-Olmayan DS-SS Almacının Tasarımı

5.1 Yayın Tespit Algoritması

Proje çalışmasında kullanılan tespit algoritması [6]'da verilen ikinci derece döngüsel kümülant tabanlı detektör idir. Bu DS-SS yayın detektöründe ikinci derece döngüsel kümülantın reel ve imajiner kısımlarından elde edilen vektör ile test istatistiği oluşturulur ve döngü-frekanslarının tespiti için yanlış alarm olasılığı belirli bir değerde sabitlececek şekilde chi-squared testi uygulanır. Bu detektörün genel blok diyagramı şu şekildedir:

Şekil 19- Kör DS-SS yayın tespiti almacı

5.2 Parametre Teşhis Algoritması

İşbirlikçi-olmayan DS-SS almacının parametre teşhis kısmında teşhis edilecek parametreler taşıyıcı frekansı, çip hızı, PN uzunluğu, sembol periyodu, PN dizini başlangıç çipi ve PN dizininin kendisidir.

Taşıyıcı frekansı ve çip hızı [6]'dan kullanılan tespit algoritmasındaki 2. derece döngüsel kümülant üzerinden kestirilebilmektedir. Bunun için:

1-) Gecikme parametresini 0'a set et: Bu durumda 2. derece döngüsel kümülant 0 ve ±2f₀ frekanslarında zirve yapıp eşiği aşmaktadır. Bundan taşıyıcı frekans kestirilmektedir.

2-) Gecikme parametresini örnekleme periyodunun birkaç katı sıfır olmayan ufak bir değere set ederek 2f₀'daki tepe ile en yakın döngü frekansı arasındaki farktan çip hızı kestirilmektedir.

PN dizini uzunluğu ise [4]'de verildiği şekilde alınan DS-SS sinyalinin otokorelasyon fonksiyonunun yerel zirve yaptığı örnek seviyesinde en küçük ikinin katı PN uzunluğunun çip başına düşen örnek sayısı ile bölümü olarak kestirilmektedir.

Sembol periyodu ve çip periyodu delay-multiply-autocorrelate-FFT algortiması ile ve PN dizini başlangıç çipi ise eigenanalysis algortiması ile kestirimi gerçekleştirilmektedir..

PN dizinin kestirimi için ise [13]'de anlatıldığı şekilde çoklu-segment çapraz-korelasyon averajı algoritması kullanılmıştır. Bu algoritmada alınan sinyal başlangıç çipinden başlamak üzere PN periyodu uzunluğunda segmentlere bölünmüş ve her segmentin sırasıyla diğer segmentlerle çapraz-korelasyonu alınıp çapraz-korelasyonu pozitif olan segmentler averajlanıp ana segmentle yer değiştirilmekte ve bu temel algortimanın üzerinden gürültünün averajlanması için çoklu-döngü ile geçilmektedir.

5.3 Modülasyon Tanıma Algoritması

Haberleşme sistemlerinde modülasyon tanıma için temel olarak iki tür algoritma çeşidi vardır. Bunlar yakınlık-tabanlı ve özellik-tabanlı algoritmalardır. Yakınlık-tabanlı algoritmalar birçok koşul altında tanıma-oranı açısından optimal olarak çalışmakta iken gerçek-zamanlı çalışma açısından kompleksiteleri oldukça yüksektir. Buna karşın özellik-tabanlı algoritmaların gerçek-zamanlı çalışma açısından kompleksiteleri yakınlık-tabanlı algoritmalara nazaran daha düşükken tanıma-oranı açısından yakınlık-tabanlı algoritmalara göreceli olarak alt-optimallerdir.

Proje kapsamında proje isterlerinde tanınması beklenen modülasyon seti BPSK, DBPSK, QPSK, OQPSK, GMSK, CCK, 16-QAM, 64-QAMolarak verilmiş idir. Bu bağlamda değerlendirildiğinde CCK 802.11 WLANlarda DS-SS modülasyon ile kullanılan eski bir modülasyon türü olup projemizin ana amacı askeri telsizlerin dinlenmesidir. Bu bağlamda yine GMSK 2. nesil hücresel haberleşme sistemi GSM'in modülasyon türü olup DS-SS modülasyonu ile kullanımı literatürde birkaç yayın ile sınırlıdır. Bununla beraber ana lineer M-ary modülasyon türleri M-PSK ve M-QAM düşünüldüğünde non-lineer faz modülasyonu DBPSK ve offset faz modülasyonu OQPSK için M-ary PSK ve M-ary QAM ile entegre çalışan bir otomatik modülasyon tanıma algoritması literatürde bulunamamıştır. Bu nedenleCCK, GMSK, OQPSK ve DBPSK'i modülasyon setinden elersek, tasarımda kullanılan otomatik modülasyon tanıma algoritması M-PSK ve M-QAM üzerinden [29]'da (17) testi ile tanımlandığı şekilde tanıma gerçekleştiren ve faz-referansı olmadığı durumlarda faz-uyumsuz alım durumunda kullanılan yakınlık -tabanlı Hibrit Yakınlık-Oranı Testi algoritmasıdır.

5.4 Kanal Kodu Tanıma Algoritması

Belirli bir data dizininin blok, konvolüsyonel, turbo veya LDPC kodlardan hangisiyle kodlandığını bulmak için proje kapsamında kullanacağımız algoritma [28]'de verilen Maximum Syndrome Posterior Probability algoritmasıdır. Syndrome Posterior Probability bir kanal kodu için kodun parite sınama matrisi eşitliğinin her satır için sağlanması olasılığı anlamına gelmektedir. Maksimum Syndrome Posterior Probability Algoritması belirli bir kodlanmış data dizini için aday kanal kodu parite sınama matrisleri ile karşılık gelen Syndrome Posterior Probability'i hesaplar ve bu kodlar içinden Syndrome Posterior Probability değeri maksimize olan kodu gerçek kod olarak tanımlar.

6. Performans Analizi

Bölüm 5'de anlatılan algoritmalardan ardışık biçimde oluşturulan sistemin Matlab kodu Ek-1'de verilmiştir. Sistemde bir dinlenilmek istenilen kullanıcı ve aynı frekansta bir enterferans yaratıcı kullanıcı vardır.

Dinlenilmek istenen kullanıcının ve enterferans yaratıcı kullanıcının taşıyıcı frekansı 11 KHz'e, örnekleme frekansı 36 Khz'e ve çip hızı 7 KHz'e set edilmiştir. Şimdilik kullanıcıların başlangıç biti senkron olarak 1. çipe set edilmiştir. Değiştirilebilir parametreler istenen kullanıcı sinyal-gürültü oranı (SNR), enterferans yaratıcı kullanıcı sinyal-enterferans oranı (SIR), istenen kullanıcı taşıyıcı frekans kayması (CFO) ve her iki kullanıcı üzerinden aynı olduğu varsayılan PN dizini uzunluğu (PN_len) idir. Ayrıca her iki kullanıcının sinyalleri birbirinden bağımsız 2-tapalı 2. tapanın 1. tapadan 10 dB zayıf olduğu bir frekans-seçici kanaldan geçtiği öngörlmüştür.

Öncelikle bu parameterelerden SNR proje isterlerinde öngörüldüğü gibi -14 dB'ye set edilmiştir. PN dizin uzunluğu ise 128'e set edilmiştir. Bununla beraber SIR ve CFO değiştirilerek etkileri incelenmiştir. SNR -14 dB ve PN uzunluğu 128 olduğunda sezim, kestirim, modülasyon tanıma ve kanal kodu tanıma işlemlerinin aynı anda sağlıklı biçimde yapılabilmesi için ikinci kullanıcının ve taşıyıcı frekans offseti olmaması gereklidir. Bununla beraber güçsüz bir enterferans yaratıcı kullanıcı veya düşük CFO bile özellikle PN kestirimi ve otomatik modülasyon tanımanın çalışmamasına yol açmaktadır. Örnek olarak SNR=-14 dB, PN_len=128, SIR=Inf dB ve CFO=0 Hz için sezim ve taşıyıcı frekans/çip hızı kestirimi sonucu grafikleri şu şekildedir.

Şekil-20: 11 KHz’de DS-SS yayın tespiti, SNR=-14 dB, PN_len=128, SIR=Inf dB ve CFO=0 Hz, 2-yol frekans-seçici kanal

Şekil-21: 29 KHz-22 KHz=7KHz çip hızı kestirimi, SNR=-14 dB, PN_len=128, SIR=Inf dB ve CFO=0 Hz, 2-yol frekans-seçici kanal

Şekil-22: PN dizin uzunluğu kestirimi, ilk yerel zirve=14081-13441=640 örnek=128 (PN_len)*5 örnek/çip, SNR=-14 dB, PN_len=128, SIR=Inf dB ve CFO=0 Hz, 2-yol frekans-seçici kanal

SNR=-14 dB, PN_len=28, SIR=Inf dB ve CFO=0 Hz iken aynı zamanda PN dizin kestirimi polariteye kadar tam olarak çalışmaktadır ve aynı zamanda otomatik modülasyon tanıma ve kanal kodu tanıma sağlıklı biçimde işlemektedir.

6.1 Gerçek Radyo Sinyalleri ile Çözümleme

Bu kısımda firma tarafından tarafımıza sağlanan gerçek radyo izgeleriyle çözümleme denemeleri yapılmıştır. Sinyaller kısaca 250 Msamples/sec'da örneklenmiş, 65 MHz mekez frekanslı ve 0 dB, -5 dB, ve -14 dB'de sinyallerdir.

Öncelikle sentetik datada çalışan cyclic cumulant algoritması taşıyıcı frekans belirleme için radyo izgelerinde denenmiş ama sonuç vermemiştir.
Şekil 23, 24 ve 25'de sinyalin otokorelasyon dizini çizdirilmiştir ve yapılan ölçümlere göre merkez peak ile en yüksek ikinci peak arasındaki uzaklık örnek cinsinden 2560 örnektir.

Şekil-23: Verilen sinyalde PN dizin uzunluğu kestirimi SNR=0 dB, sinyalin otokorelasyonu

Şekil-24: Verilen sinyalde PN dizin uzunluğu kestirimi SNR=-5 dB, sinyalin otokorelasyonu

Şekil-25: Verilen sinyalde PN dizin uzunluğu kestirimi SNR=-14 dB, sinyalin otokorelasyonu


Şekil-26: Verilen sinyalde PN dizin uzunluğu kestirimi SNR=0 dB, delay multiply sinyal otokorelasyonu

Şekil-27: Verilen sinyalde PN dizin uzunluğu kestirimi SNR=-5 dB, delay multiply sinyal otokorelasyonu

Şekil-28: Verilen sinyalde PN dizin uzunluğu kestirimi SNR=-14 dB, delay multiply sinyal otokorelasyonu

Sinyalin DS-SS olup olmadığının belirlenmesi, sembol periyodu ve çip hızı ise delay-multiply-autocorrelate-FFT algortiması ile belirlenmiştir. Şekil-26, Şekil-27 ve Şekil-28'de verilen delay-multiply otokorelasyonu grafiklerine göre otokorelasyon da peakler vardır, bu DS-SS detectioni göstermektedir ve peakler arasındaki uzaklık 259390-256190=3200 örnek‘dir.

Şekil-29: Verilen sinyalde PN dizin uzunluğu kestirimi SNR=0 dB, delay multiply sinyal otokorelasyonunun FFT’si

Şekil-30: Verilen sinyalde PN dizin uzunluğu kestirimi SNR=-5 dB, delay multiply sinyal otokorelasyonunun FFT’si

Şekil-31: Verilen sinyalde PN dizin uzunluğu kestirimi SNR=-14 dB, delay multiply sinyal otokorelasyonunun FFT’si

250 Msamples/secdeki T_sam=1/250*10^6 ile çarpınca buradan sembol periyoduT_sym=12.8 microseconds çıkmaktadır. Buradan data rate bu değerin tersi olarak 78.125 Kbits/sec verilmektedir.Delay-multiply otokorelasyon sinyalinin FFT'sinde ise FFT peakleri çip hızının tam katlarında olup ilk peak Şekil-29, Şekil 30 ve Şekil-31'den 10 MHzde idir. Buradan tersi olarak olarak T_chip=0.1 microseconds bulunmaktadır. Dolayısıyla PN_len=T_sym/T_chip=128 bulunmaktadır. Sinyal otokorelasyonundan elde edilen örnek cinsinden PN dizini uzunluğu 2560 ise 128'e bölününce oversampling ratio num_sam=20 olarak çıkmaktadır.

6.2 Genel Sentetik-Data Tabanlı Kodun Çalışırlık Testleri

Yayın tespiti ve parametre teşhisinin ardından sentetik datada HLRT otomatik modülasyon tanıma ve Syndrome Posterior Probability otomatik kod tanıma algoritmaları uygulanmış ve kodu Ek-1'de sunuduğu gibi tüm modülasyon türlerinde ve kodlama türlerinde proje isteri olan -14 dB yaygın-bant SNRın'da 0 çalışırlık hata oranına ulaşılmıştır.

REFERANSLAR:

[1] Ghavami S. , Abolhassani B. “Detection of DS-SS Signals over Fading Channels without Prior Knowledge of Spreading Sequence by Measuring Signal Nongaussianity”

[2] G. Burel, C. Bouder and O. Berder “Detection of Direct Sequence Spread Spectrum Transmissions without Prior Knowledge”

[3]Zhang Fei, Lv Ming and Tang Bin”Blind Detection of DS/SS Signals through Variance Fractal Dimension Trajectory”

[4] Ghavami S. , Abolhassani B ” Blind Detection of DS-SS Signals over Fading Channels Using Negentropy or Kurtosis without any prior Knowledge”

[5] Zhipeng Deng, Lianfeng Shen, Nan Bao et.al “Autocorrelation Based Detection of DSSS Signal for Cognitive Radio System”

[6] JINYan, JJ Hongbing “A Cyclic-Cumulant Based Method for DS-SS Signal Detection and Parameter Estimation”

[7] Zhenhui Shen , Bin Tang, Yan Lv, Xiaowu Zhu“Multiple Parameters Estimation Simultaneously for DS-SS/BPSK Signal Based on Fourth-Order Cumulant 2-D Slice”

[8] Pu Miao et.al “Period Estimation of the PN Sequence for Direct Sequence Spread Spectrum in Multipath Environment”

[9] Zhanqi DONG and Hanying HU “The Detection, Symbol Period and Chip Width Estimation of DSSS Signals Based on Delay-Multiply, Correlation and Spectrum Analysis”

[10] Tianqi Zhang, Wei Zhang “A Spectral Method for Period Detection of PN Sequence for Weak DS-SS Signals in Dynamic Environments”
[11] Chen Yongqian Xiao Xianci “PN Code Sequence Estimation Using Tabu Search”
[12] Youngho Jo and Dapeng Wu“BLIND SYNCHRONIZATION, ESTIMATION OF DATA SYMBOL, SPREAD SEQUENCE, AND GENERATOR POLYNOMIALIN DIRECT SEQUENCE SPREAD SPECTRUM SYSTEMS”
[13] Li Jiang, Hongbing Ji, Lin Li “A Blind Estimation Algorithm for PN Sequence in DS-SS Signals”
[14] Octavia A. Dobre, Ali Abdi, Yeheskel Bar-Nessand Wei Su “A Survey of Automatic Modulation Classification Techniques”

[15]Jie Li, Jun Wang, Xiaoyan Fan, and Yi Zhang “Automatic Digital Modulation Recognition using Feature Subset Selection”

[16]Jaspal Bagga, Neeta Tripathi ”Automatic Modulation Classification using Statistical Fetaures in Fading Environment”

[17]K. Hassan,I. Dayoub,W. Hamouda,and M. Berbineau “Automatic Modulation Recognition using Wavelet Transform and Nueral Networks in Wireless Systems”

[18] Milad Azarbad, Saeed Hakimi and Ataollah Ebrahimzadeh “ Automatic Recognition of Digital Communication Signals”
[19] P. Prakasam and M.Madheswaran“Digital Modulation Identification using Wavelet Transform and Statistical Paramaters”
[20] Anna KUBANKOVA, David KUBANEK “Extended Method of Digital Modulation Recognition and Its Testing”
[21] Teng xiaoyun, Tian pengwu, Yu hongyi “Modulation Classification Based on Spectral Correlation and SVM”
[22]Konstantinos Maliatsos Stavroula Vassaki Philip Constantinou“Modulation recognition of Digital Signals using the Wavelet Transform”
[23] Ahmed Refaey .et.al “Blind Detection Approach for LDPC, Convolutional, and Turbo Codes in Non-noisy Environment.”
[24] Zhou Jing, Huang Zhiping, Su Shaojing, Zhang Yimeng “ Blind identification of convolutional codes in soft-decision situations”
[25]Ali Naseri, Omid Azmoon and Samad Fazeli “Blind Recognition Algorithm of Turbo Codes for Communication”
[26] Zhou Jing, Huang Zhiping, Su Shaojing and Yang Shaowu “Blind recognition of binary cyclic codes”
[27] M. Marazin et.al “Dual code method for blind identification of convolutionalencoder for cognitive radio receiver design”
[28] Reza Moosavi and Erik G. Larsson “Fast Blind Recognition of Channel Codes”. IEEE

Transactions on Communications, (62), 5, 1393-1405.

[29] Ahmed O. Abdul Salam, Ray E. Sherif2, Saleh R. Al-Araji, Kahtan Mezher, and Qassim Nasir. A Unified Practical Approach to Modulation Classification in

Cognitive Radio using Likelihood-Based Techniques. .Proceeding of the IEEE 28th

Canadian Conference on Electrical and Computer Engineering

Halifax, Canada, May 3-6, 2015.