آشكارسازي و همسان‌سازي كور در سامانه مخابراتي آشوبي با استفاده از نمونه‌‌برداري اهميتي

Blind Detection and Equalization in Chaotic ommunication Systems Using Importance Sampling

در اين مقاله يك روش نمونه‌برداري اهميتي براي تحقق آشكارساز و همسان‌ساز كور در مخابرات آشوبي پيشنهاد شده‌ است. سيگنال‌هاي آشوبي با سامانه‌هاي پوياي غيرخطي توليد مي‌شوند. اين سيگنال‌ها به‌دليل داشتن خواص منحصر به‌فردي مانند شبه‌ تصادفي‌بودن، پهناي باند عريض‌داشتن، غيرقابل پيش‌بيني‌بودن براي مدت طولاني و نيز برآورده‌كردن نيازهاي مخصوص برخي از سامانه‌هاي مخابراتي، مورد توجه هستند. براساس خواص مختلف آشوب، روش‌هاي مخابراتي شامل مدولاسيون آشوبي، پوشش گذاري و طيف گسترده پيشنهاد شده است. در سامانه مخابراتي مورد بررسي در اين مقاله نمادهاي(Symbol) پيام با روش پوشش آشوبي (Chaos Masking) سوار و ارسال مي‌شود، در اين حالت مساله تخمين كانال يك مساله غير خطي است كه روش‌هاي متنوعي مانند فيلتركالمن گسترش‌يافته، فيلترذره‌اي، كمترين خطاي پيش‌بيني غيرخطي و ... براي حل آن استفاده شده‌است. در اين مقاله رويكرد جديدي براي تخمين ودي‌مدولاسيون با استفاده از نمونه‌برداري تصادفي (مونت‌كارلو) ارايه شده است. در گيرنده، براي تخمين نمادهاي پيام ازنمونه‌برداري اهميتي استفاده مي‌شود. در مقايسه با فيلتركالمن گسترش‌يافته روش به كار رفته در اين مقاله به‌خصوص در SNRهاي پايين نتايج بهتري دارد.

In this paper an Importance Sampling technique is proposed to achieve blind equalizer and detector for chaotic communication systems. Chaotic signals are generated with dynamic nonlinear systems. These signals have wide applications in communication due to their important properties like randomness, large bandwidth and unpredictability for long time. Based on the different chaotic signals properties, different communication methods have proposed such as chaotic modulation, masking, and spread spectrum. In this article, chaos masking is assumed for transmitting modulated message symbols. In this case, channel estimation is a nonlinear problem. Several methods such as extended Kalman filter (EKF), particle filter (PF), minimum nonlinear prediction error (MNPE) and ... are previously presented for this problem. Here, a new approach based on Monte Carlo sampling is proposed to joint channel estimation and demodulation. At the receiver end, Importance Sampling is used to detect binary symbols according to maximum likelihood criteria. Simulation results show that the proposed method has better performance especially in low SNR.