مقدمه ای بر پردازش سیگنال FSK

Shift Keying (FSK) یک طرح اصلاح دیجیتالی بنیادی است که داده ها را با تغییر فرکانس سیگنال حامل بین مقادیر گسسته کد می کند. انعطاف پذیری ذاتی آن برای نویز دامنه و پیاده سازی ساده آن را به عنوان سنگ بنای بسیاری از استانداردهای بی سیم، از جمله بلوتوث کم انرژی، لینک های تله متری و پروتکل های پردازش سیگنال های صنعتی IoT، ایجاد الگوریتم های پردازش سیگنال کارآمد برای تجزیه و تحلیل های حیاتی و تحلیل انتقادی است.

درک FSK Modulation و Demodulation

در FSK، یک نماد باینری یا M-ary توسط انحراف فرکانس خاص از حامل نشان داده می شود.به عنوان مثال، در باینری FSK (BFSK)، فرکانس f1 با منطق 0 و فرکانس f2 به یک منطق 1، تنظیم کننده باید تشخیص دهد که فرکانس در هر دوره نماد وجود دارد.

از نظر ریاضی، یک سیگنال FSK را می توان به عنوان:

s(t) = a cos (2π (f c + d(t) Δf)t + {\displaystyle {\displaystyle} که d(t) جریان داده ها است و Δf انحراف فرکانس است.

بازیابی دقیق d(t) نیازمند الگوریتم هایی است که می توانند به سرعت بین فرکانس های نزدیک به فضا، حتی در حضور مداخله و محو شدن چند وجهی، تمایز قائل شوند.

عدم موفقیت در مقابل

تشخیص دقیق نیاز به یک مرجع فاز دقیق دارد، که معمولا از حلقه بازیابی حامل مانند حلقه کاستا مشتق می شود، این روش عملکرد خطای بهتری را ارائه می دهد (در حدود 3 dB بهبود در نویز Gaussian افزودنی) اما پیچیدگی غیر موفق را اضافه می کند، مانند تشخیص پاکت یا شمارش صفر، برخی از کارایی SNR برای اجرای بسیار ساده تر و سخت افزار برای سیستم های شناسایی واقعی، هنوز محدود است.

چالش های کلیدی در تجزیه و تحلیل داده های real-Time FSK

الگوریتم های در حال توسعه که به طور قابل اعتماد تحت محدودیت های زمان واقعی عمل می کنند، چندین مانع فنی را ایجاد می کنند:

  • عدم مداخله و مداخله: اختلال کانال مانند سر و صدا حرارتی، مداخله کانال، و صدای تکان دهنده باید فیلتر قوی بدون معرفی تاخیر بیش از حد.
  • سرعت برش: در برخی از سیستم ها، فرکانس حامل به سرعت تغییر می کند (به عنوان مثال، فرکانس برش فرکانس گسترش)، نیاز به الگوریتم برای قفل کردن بر فرکانس جدید در میکرو ثانیه.
  • منابع محاسباتی محدود: بسیاری از برنامه های واقعی FSK در میکروکنترلرها یا تراشه های DSP با سرعت ساعت محدود و پیچیدگی الگوریتمی باید به دقت در برابر عملکرد متعادل باشند.
  • الزامات شرط بندی: تجزیه و تحلیل داده های زمان واقعی نیاز به تجزیه و تحلیل داده ها که تخریب و رمزگشایی در عرض یک بخش از دوره نماد تکمیل شده است.هر تاخیر پردازش می تواند باعث پرفر و یا بسته های از دست رفته.

الگوریتم های اصلی برای اصلاح واقعیت-Time FSK

انواع تکنیک های پردازش سیگنال برای حل این چالش ها توسعه یافته است.انتخاب الگوریتم بستگی به نرخ نماد، SNR، سخت افزار در دسترس و نرخ خطای قابل قبول دارد.

۴- تغییر سریع (FFT)

FFT یک اسب کار برای تجزیه و تحلیل طیفی در گیرنده های real-time FSK است.با محاسبه یک پنجره کشویی FFT از سیگنال ورودی، الگوریتم می تواند قوی ترین جزء فرکانس را در طول هر فاصله نماد شناسایی کند. پیاده سازی های عملی از یک بافر ثابت (به عنوان مثال، 64، 128، 256 نمونه) استفاده می کنند و یک FFT را هر دوره نماد را با حداکثر اندازه انتخاب شده به عنوان نماد مجدد، اجرا می کنند.

برای نرخ های بالای داده، FFT باید با استفاده از تکنیک هایی مانند رای گیری ۶-۲ در زمان، FFTs با ارزش واقعی یا شتاب دهنده های سخت افزاری (به عنوان مثال، کتابخانه ARMIS-DSP) بهینه سازی شود.یک جایگزین (FLT:0ertGozel الگوریتم است که یک فرکانس واحد را بدون نیاز به دو فرکانس ایده آل برای نظارت بر دو فرکانس کامل محاسبه می کند.

منبع خارجی: اصلاح با استفاده از FFT - دستگاه های آنالوگ [FLT 1 ]

تکنیک های فیلترسازی Adaptive Filtering Techniques

فیلترهای تطبیقی، ضریب های خود را به طور پویا تنظیم می کنند تا نویز را سرکوب کرده و تغییرات موجود در محیط سیگنال را پیگیری کنند.

  • LMS (L East Mean Squares) یک فیلتر سازگار است: برای برآورد و لغو مداخله باریک باند که ممکن است با فرکانس های FSK همپوشانی داشته باشد، استفاده می شود.
  • برابرسازهای سازگار: مداخله متقابل مییت گیت ناشی از تکثیر چندپاتی، به ویژه در پیوندهای تله متری طولانی مدت مهم است.
  • ردیابی مبتنی بر فیلتر Kalman: Recursively برآورد فرکانس فوری سیگنال FSK، ارائه هر دو دموینگ و ردیابی حامل. فیلترهای Kalman ارائه عملکرد برتر در کانال های پویا اما هزینه محاسباتی بالاتر.

فیلترینگ تطبیقی نیاز به انتخاب دقیق اندازه گام (برای LMS) یا سر و صدا (برای Kalman) برای متعادل کردن سرعت همگرایی و خطای حالت ثابت دارد. تحقیقات اخیر نشان می دهد که با استفاده از الگوریتم های سازگار (FLT:0) سازگار که به طور واضح مدل انتقال نماد FSK است.

روش های Zero-Crosing و Time-Domain

برای دستگاه های بسیار کم قدرت، روش های زمان-domain نیاز به تبدیل های فرکانسی را دور می کنند. آشکارساز صفر عبور صفر مثبت در یک دوره نماد را برای برآورد فرکانس فوری محاسبه می کند، در حالی که ساده است، این روش حساس به DC افست و هارمونیک است.یک نوع قوی تر از فاصله زمانی بین عبور از صفر، پردازش شده از طریق یک الگوریتم های مختلف است که اغلب در هر چرخه میکروکنترلر یافت می شود.

فیلتر کردن و کور شدن

تشخیص بهینه در نویز Gaussian افزودنی (AWGN) از طریق یک فیلتر همسان به دست می آید.برای BFSK، دو فیلتر همسان استفاده می شود، هر کدام با یکی از دو فرکانس به تن مطابقت دارند. خروجی هر فیلتر مربع و یکپارچه است و بزرگترین ارزش تصمیم می گیرد نماد، حداقل خطای نظری را فراهم می کند، اما نیاز به دانش دقیق از فرکانس های عمل دارد، با استفاده از یک بانک دیجیتال یا FIRcorr.

بهینه سازی الگوریتم ها برای سیستم های Real-Time جاسازی شده

پردازش در زمان واقعی FSK اغلب بر روی دستگاه های آموزش دیده منابع اعمال می شود. چندین استراتژی بهینه سازی به طور معمول مورد استفاده قرار می گیرد:

  • محاسبه نقطه- نقطه ای (FLT:1) تبدیل الگوریتم های شناور به نقطه ثابت ( فرمت Q) چرخه های CPU و مقیاس پذیری مناسب را برای جلوگیری از سرریزی نگه می دارد.
  • پردازش و همپوشانی: به جای یک FFT کامل در هر نماد، یک FFT با اضافه همپوشانی می تواند از محاسبات قبلی استفاده کند.
  • شتاب سخت افزاری: بسیاری از میکروکنترلرها شامل یک مولتیپلتر سخت افزار، DMA، یا حتی اختصاصی موتور FFT است. Leveraging این می تواند تاخیر را با یک سفارش از اندازه کاهش دهد.
  • ] پردازش چند منظوره: سیگنال ورودی را به نرخ نمونه پایین تر قبل از دم کردن اگر انحراف FSK نسبت به پهنای باند مجاز بزرگ است.

منبع خارجی: اجرای زمان واقعی FSK Demodulation در TI DSP[۱۰]

برنامه های FSK پردازش سیگنال

الگوریتم های مبتنی بر FSK در قلب سیستم های دنیای واقعی متعدد قرار دارند:

  • شبکه های سنسور بی سیم (WSNs): تخلیه کننده های کم قدرت FSK مانند تگزاس ابزار CC1101 از استفاده از تنظیم مجدد برای جمع آوری داده های کوتاه مدت.
  • [RFID و ارتباطات نزدیک به میدان] (NFC): FSK در برخی از برچسب های RFID منفعل که در آن backscattered داده ها را با تغییر دادن بی اعتبار، به طور موثر انجام الگوریتم های سریع خرید به عنوان برچسب حرکت خوانندگان گذشته استفاده می شود.
  • [FLT: 1 ] بسیاری از CubeSats از FSK برای Downlink استفاده می کنند، زیرا مقاومت آن در برابر محو شدن سیگنال های دریافت شده برای عملیات مستقل ضروری است.
  • اتوماسیون صنعتی و IoT: پروتکل هایی مانند WirelessHART و IO-Link Wireless از FSK برای ارتباطات قوی در محیط های کارخانه پر سر و صدا استفاده می کنند.

منبع خارجی: یک الگوریتم اصلاح کارآمد FSDulation برای دستگاه های IoT - طراحی الکترونیکی

مسیر های آینده: یادگیری ماشین و ادغام سخت افزار

نسل بعدی الگوریتم پردازش سیگنال FSK احتمالا شامل یادگیری ماشین (ML) برای کنترل سر و صدا و الگوهای مداخله غیر ایستگاهی است.شبکه های عصبی عمیق، به ویژه معماری های پیوسته و مکرر، وعده داده اند که شناسایی نمادهای FSK تحت محو شدن شدید، با این حال، استفاده از ML در دستگاه های جاسازی شده همچنان به دلیل حافظه و محدودیت های محاسباتی به چالش می کشد.

مرز دیگر محاسبات ناهمگن است، جایی که وظایف بین یک CPU کلی، DSP و یک FPGA کوچک تقسیم می شود، به عنوان مثال، FFT می تواند در منطق FPGA برای تاخیر بسیار کم اجرا شود، در حالی که فیلتر سازگار بر روی DSP اجرا می شود، چنین معماری های هیبریدی در حال حاضر در رادیوهای تعریف شده نرم افزار (SDRs) برای تحقیقات بی سیم ظاهر می شوند.

در نهایت، حرکت به سمت رادیو شناختی نیاز به الگوریتم های FSK که می تواند محیط طیف را درک کند و پارامترهای (کاهش، نرخ داده) را در پرواز تنظیم کند، این نیاز به سوئیت های الگوریتم دارد که می توانند بدون وقفه در جریان داده ها، دوباره پیکربندی شوند.

نتیجه گیری

توسعه الگوریتم پردازش سیگنال مبتنی بر FSK برای تجزیه و تحلیل داده های زمان واقعی همچنان به تکامل، با توجه به تقاضا برای نرخ داده بالاتر، قدرت پایین تر و قابلیت اطمینان بیشتر است، در حالی که روش های کلاسیک مانند FFT، فیلترینگ سازگار، و فیلتر کردن سازگار باقی مانده اسب کار از صنعت، تکنیک های نوظهور در یادگیری ماشین و شتاب سخت افزار وعده برای باز کردن سطوح عملکرد جدید طراحی مهندسان واقعی باید به دقت سیستم های پردازش قدرت در دسترس، به عنوان نیاز به منابع قدرت و به عنوان نیاز به زمان محدود بیشتر، به عنوان نیاز به عنوان نیاز به زمان و به زمان پردازش سیستم های قدرت در دسترس، به عنوان نیاز به زمان و محدودیت های قدرت در دسترس، به عنوان نیاز به عنوان نیاز به سیستم های محاسباتی و محدودیت های قدرت در دسترس، به عنوان نیاز به عنوان نیاز به زمان پردازش قدرت در دسترس، به سیستم های قدرت در دسترس، به سیستم های قدرت پردازش سیستم های قدرت، به عنوان نیاز به زمان پردازش سیستم های محاسباتی و بدون انتخاب دقیق تر، به زمان دقیق تر، به زمان پردازش قدرت و بدون انتخاب فن آوری، به سیستم های محاسباتی، به عنوان نیاز به سیستم های محاسباتی و بدون نیاز به سیستم های محاسباتی و به زمان پردازش سیستم های محاسباتی و بدون انتخاب فن آوری و بدون نیاز به سیستم های محاسباتی و بدون انتخاب فن آوری