מבוא ל- FSK ובעיית הסינכרון

Frequency Shift Keying (FSK) נשאר אחד טכניקות מודולציה דיגיטליות בשימוש נרחב בתקשורת המודרנית.העיקרון הפשוט שלה - איסוף נתונים בינאריים על ידי שינוי תדירות המוביל בין שני (או יותר) טונים נפרדים - הופך אותו אטרקטיבי עבור מערכות בעלות נמוכה, מורכבות נמוכה כמו טלפונים אלחוטיים, תגי RFID, ו- VHF / HF / HF קישורים רדיו FSK גם עבור חיישנים תעשייתיים רבים יותר מאשר יעילות אסטרטגית יותר מאשר יעילות קריטית של חיישנים תעשייתית.

עבור כל קישור תקשורת דיגיטלית לתפקד כראוי, המקלט חייב לקבוע ולשמור על סינכרוניזציה עם האות הנכנס.תהליך זה כולל התאוששות תדירות נושא, שחזור תזמון סמל, וסימולציות מסגרת.ב אידיאלי, תוספת לבן Gaussian רעש (AWGN) ערוצים אותות נשפים, תחת תדירות מסונכרון של PSK הוא פשוט; לולאות מוחלפות (PLLs) ו-Prelate synmaticrend Syncs, לבצע מגבלות, אך הן הופכות מפוחיות, באופן הולם, או מפוחיות מרובות, אך הן מתרחשות, אך הן מתרחשות, אך הן מפוזרים, אך הן מפוזרים, אך הן הופכות מפוזרים, אך הן מפוזרים, הן מפוזרים, באופן משמעותי, הן הופכות, אך הן מפוזרים, או מפוזרים מרובים, אך הן מפוזרים מפוזרים, אך ורק מפוצצים, אך הם מפוזרים מפוזרים, באופן משמעותי, עם זאת.

ההשפעה של סינכרון גרוע היא חמורה.שיעורי שגיאות bit (BER) סקייטבאט, אובדן החבילה עולה, ו retransmission overheads degrade דרךput.ביישומים כמו רשתות חיישן אלחוטיות הפועלות בסביבות תעשייתיות או תקשורת חלל עמוק שבו יחסי אותות ל-noise (SNRs) הם מאוד נמוך, אפילו כמה אחוזים של טעות סינכרונוניזציה יכול להפוך קישור באינספור לכן, לפתח טכניקות סטרונוניזציה קריטית מעבר ל-FK.

אתגרים בסיסיים ב-Noisy Channel Synchronization

לפני חקר שיטות מתקדמות, זה עוזר להבין מדוע רעש מסבך את הסינכרון FSK ברמה עמוקה יותר.

תדירות כבויה וד"ר

אוסטור inaccuracies בשני משדר ו המקלט לייצר תדירות קבועה מראש.בערוצים רועשים, התדירות של המקלט הופכת רועשת, מה שגורם ל- PLL לנעול על תדר לא נכון במרכז.בנוסף, וריאציות טמפרטורה וניידות מציגות תדירות סחף לאורך זמן, אשר לולאות קונבנציונליות לעקוב אחר עניים כאשר ה-SNR נמוך.

שלב Jitter ו- Timing Ambiguity

רעש גורם וריאציות של שלב אקראי (ג'יר) על המוביל המתקבל.לגילוי FSK שאינו קבוע - שבו מידע שלב הוא פגום - זה מנוהל, אבל זיהוי קוהרנטי נותן ביצועים טובים יותר BER ודורש התאוששות מדויקת בשלב נמוך SNR, בשלב הערכות הופכות לא אמין, ותזמון (מציאת הסמל האופטימלי ampling מיידי) הופך להיות מתפתל כי אפס חוצה או עיוותים של גל מזוהמים הם גלים.

Amplitude Fading ו- Signal Energy Fluctuations

ריבוי קידוד גורם לאמפודו של אות FSK המתקבל להשתנות במהירות.מעגלים סינכרוניזציה רבים מסתמכים על המעטפה האות כדי להפיק תזמון; כאשר המעטפה מתפוגגת מתחת לרצפה הרעש, מעגלים אלה מאבדים.רעש לא אימפולסיבי (למשל, ממכונות או ברק) יכול גם ליצור גורמים מזויפים שמשבשים את התדירות והתזמון.

הפצה והתערבות

התערבות Narrowband של אותות אחרים יכול לחפוף עם אחד הטונים FSK, מבלבל את גלאי הטון של המקלט.גם אם הטונים נשארים נינוחים, ההתערבות מוסיפה מרכיב לא-Gaussian כי סינכרונים המבוססים על קורלציה סטנדרטית (למשל, מסננים בהתאמה) אינם מתאימים לטיפול.

אתגרים אלה הובילו מחקר לשיטות שאינן מסננות פשוטות ומינוף.הסעיפים הבאים מתארים כמה גישות חדשניות שהוכיחו יעילות בסביבות רועשות בעולם האמיתי.

מסנן מותאם ל-Time Noise Mitigation

מסננים הסתגלות להתאים את תגובת הדחף שלהם בהתבסס על השגיאה בין פלט המסנן לבין תגובה הרצויה.במקבלי FSK, ניתן להשתמש בהסתגלות הזו כדי לבטל את ההתערבות או להשוות את השפעות הערוץ לפני הסינכרון מבוצע.

איך זה עובד

תצורה טיפוסית מציבה מסנן ליניארי אדפטי (למשל, קו מחוספס עם לפחות-mean-squares, מערכת LMS, עדכון) לפני ההדגמה סטנדרטית FSK.הפילטר מקבל את האות רועש ורצף אימון (או משתמש במצב מונחה החלטה) כדי למזער את השגיאה המשווה בין התפוקה שלו לבין הגל האידיאלי FSKform.

עבור סינכרוניזציה במיוחד, האות המסונן יש מבנה ספקטרלי הרבה יותר ברור.המחזור של תזמון התזמון הסמל (למשל, גלאי תזמון תזמון גרדנר) יכול לפעול עם ג'רמי נמוך יותר כי המעטפה amplitude הוא עקבי יותר.

שיקולים מעשיים וביצועים

סינון הסתגלות הוא יעיל ביותר כאשר הרעש או ההתערבות הוא נייח או לאט משתנה. בסביבות דינמיות מאוד, מסנן עשוי צריך שיעור הסתגלות גבוה, אשר מגביר רעש מטעה. גישות היברידיות משלבות סינון הסתגלות עם לולאה משוב: הפילטר coefficients מעודכנים רק כאשר הסינכרון הוא נעול, צמצום המבדיל.

בדיקות שדה הראו כי מסנן מערכת ההפעלה של מערכת ההפעלה יכול לשפר את ההסתברות של סינכרוניזציה מוצלחת על ידי 10-15 dB ב AWGN עם התערבות של ערוץ צמוד בהשוואה לסנן מותאם קבוע.העלות מוגברת חישובית, אבל מעבדי אותות דיגיטליים מודרניים (DSPs) או FPGA יישום יכול בקלות להתמודד עם הפעולות הנדרשות.

לקריאה נוספת על טכניקות סינון הסתגלותיות החלות על FSK, ראה את הטקסט הקלאסי על ידי ההרחבה:0Haykin על סמך תיאורית מסנן הסתגלותיות פילטר FSKLT:1.

המונחים: Cyclostationary Feature Detection

אותות FSK, כמו הרבה גלפורים מודולים, להציג את המחזוריות - המאפיינים הסטטיסטיים שלהם (למשל, קורלציה) משתנים מעת לעת עם הזמן. תקופתיות זו היא ⁇ סטית, ניתן להשתמש כדי לחלץ מידע סינכרוניזציה אפילו כאשר רצפת הרעש גבוהה.

פונקציית ההקצאה Cyclic Autocorrelation function (CAF)

(ב) ,(א) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

גלאי תכונה מחזוריים מצמידים את CAF מעל חלון מלוטש ומחפש את הפסגות הגבוהות ביותר.מיקום הפסגה מציין את תזמון הסמל, בעוד שתדירות ההמראה ניתן להסיק מהתדרים המחזוריים שבהם השיאים מתרחשים.מאז הגלאי מתעלם מתרומות רעש שאינן מחזוריות (רעש לבן אין מחזוריות), ה-SNR האפקטיבי של זיהוי גולמי יכול להיות טוב יותר מאשר SNR.

שימוש מעשי בסינכרון

המקלט הראשון מעריך את האוטומט המחזורי עבור מספר תדרים מחזוריים של המועמדים.האחד שמביא את הקורלציה החזקה ביותר תואם את קצב הבדו ואת התדירות הנכונה. לאחר הפרמטרים האלה ידועים, לולאה סטנדרטית של שלב נעולה ניתן להחדיר ראשונית עם הערכות מדויקות, צמצום דרמטי של זמן הרכישה ודרישות טווח נעילה.

זיהוי קיקליטרי יעיל במיוחד נגד רעש אימפולסיבי והפרעות פס צר כי ליקויים אלה לעתים קרובות חסרים את אותם תכונות מחזוריות.הטכניקה כבר סטנדרטית במערכות רדיו קוגניטיביות מסוימות (למשל, IEEE 802.22) עבור אותות בזיהוי נמוך מאוד SNR.

הגבלות

מורכבות Computational היא המחשוב הראשי של CAF עבור תדרים מחזוריים מרובים ועיכובים מרובים זמן דורש פעולות O(N2) עבור חלון.עם זאת, עבור שיעורי הבזה בינוני וחומרה מודרנית, זה אפשרי. לחלופין, אלגוריתמים מופחתים מורכבים כי ניצול המבנה הספציפי של FSK (למשל, באמצעות רק תדירות מחזורית אחת) ניתן להשתמש.

עבור סקירה מפורטת של עיבוד מחזורי עבור סינכרון, מתייחס ל- FLT:0 זה ספר ההתייחסות על עיבוד אותות מחזוריים עיבוד FLT:1.

גישות מבוססות למידה: למידה Noise Patterns

עם עליית למידה עמוקה, החוקרים החלו להתייחס לסנכרון כבעיה סיווג או תוקפנות.במקום לתכנן אלגוריתמים סינכרונכרונכרונכרנים מפורשים, רשת עצבית מאומנת בדוגמאות מודבקות של אותות שהתקבלו (ברעש) כדי להפיק את התזמון הנכון ואת התדר מכווץ.

אדריכלות רשת נילי לסינכרון

שני אדריכלות הראו הבטחה מיוחדת:

  • (FLT:0convolutional Neural Networks (CNN)s)אנדרל 1: הדגימות של in-phase ו quadrature (IQ) מוזנים לתוך 1D או 2D CNN (2D אם recomputed as aspectrogram) הרשת לומדת תכונות מרחביות כמו נוכחות ומיקום של פסגות תדרים.
  • (FLT:0) רשתות ניאלריות חוזרות (RN) עם ארוך טווח זיכרון קצר (LSTM)IRFLT:1: כי סינכרוניזציה FSK תלויה באופן טבעי בהקשר זמני (ההיסטוריה של סמלים קודמים), LSTMs יכול ללכוד תלות המדינה.הם טובים במיוחד במעקב איטי של תדרים שונים ותזמון.

דרישות הדרכה והנתונים

סינכרון מבוסס ML דורש בדיקת נתונים מקיפה של הכשרה המשתרעת על פני טווח הצפוי של SNRs, תדירות מדפים, קולות צבע, וניתוק אותות.אימון מתבצע בדרך כלל לא מקוון באמצעות אותות מדומים, אבל הקלטות בעולם האמיתי ניתן להוסיף כדי לשפר את הכללה.הרשת לומדת כדי לתפוק או הערכה ישירה (למשל, התזמון בדגימות) או הפצה אפשרית של הסתברות על פני מחסומים.

ביצועים ומסחר

במבחנים עם שלב רציף FSK (CPFSK), סינכרון מבוסס CNN השיג ביצועים BER בתוך 0.5 dB של האופטימיום התיאורטי עבור AWGN, תוך שמירה על מנעולים במהלך דעיכה עמוקה שגרמו PLL סטנדרטיים לאבד סינכרוניזציה.העונש העיקרי הוא נטל חישובי חישובי: מעבר דרך רשת עצבית גדולה עשוי לצרוך מספר פעמים את הכוח של DSP מבוסס, שבו הוא כבר מוגדר אלגוריתם מסחר.

כיוון מבטיח אחר הוא (FLT:0) כוח לימוד למידה של למידה לאחור (FLT:1), שבו סוכן הסינכרנכרונכרן אינטראקציה עם הערוץ ולומד להתאים את הפרמטרים שלו (פס רוחב פס, וכו ') באמצעות רק אות פרס (למשל, מספר קודים נכונים).זה מאפשר למערכת להתאים באופן אוטונומי לשינויים בתנאי רעש ללא אימון מחדש.

סקר מקיף של למידת מכונה עבור סינכרוניזציה ניתן למצוא ב- FLT:0 (המאמר האחרון של IEEE על ML בתקשורת פיזית-layer) 1.

קוד-אידד סינכרון: אסטימוציה משותפת ושחרור

במערכות קוד מודרניות, ביטים הנתונים מוגנים על ידי קודים תיקון שגיאות (למשל, LDPC, קודים טורבו) קוד-הסונכרון מנוצל במבנה הקוד כדי לשפר את הערכת הפרמטר.במקום לטפל בסינכרון ופענוח כתהליכים נפרדים, לולאות רכות (טראו) בין הניכרן לבין הדלפק.

איך זה עובד

המקלט מתחיל עם תדירות קוארזה והערכה תזמון מראש, ואז ניסיונות לפענח.הקודד פלטים מעט רך (יחסי ליהות, LLRs) אלה LLRs משמשים כדי לשחזר אות נקייה "סיינטטית" (למשל, על ידי שכפול של ה bits הסבירות ביותר).האות סינתטיות הוא מתואמות עם התזמון המדויק ולהוסיף מחדש את התדירות.

עבור FSK, סינכרון קוד-קוד חזק במיוחד משום שהמודולציה היא חסרת זיכרון (ההנחה בינארית FSK) והקודש יכול להתאסף במהירות כדי לתקן ביטים גם כאשר הסינכרון הראשוני יש טעות משמעותית.

היתרונות של ערוצים נושיים

מכיוון שהקודקודן מנצל את הבזבוז על פני סמלים רבים, הוא יכול למעשה "לראות דרך" רעש שבלבל בין סינכרונכרן לא-קריטטיבי.טכניקה זו יכולה לדחוף את ה-SNR התפעולי המינימלי מספר dB נמוך יותר משני שלבים מסורתיים (הסנכרון לאחר מכן דה קוד) גישות.

מורכבות יישום היא מתונה: התוספת העיקרית היא הלולאה הרצמית ויכולת ליצור סמלים רדומים מתונים מחדש. מסגרות SDR קיימות רבות (למשל, רדיו גנו) יש מודולים עבור סינכרון טורבו.

5. משותף זמן-Frequency SynSyncization Using Wavelet Transforms

Wavelet הופכת את הייצוג של זמן- ⁇ המתאים היטב לניתוח אותות שאינם אסטריון כמו FSK ברעש.הגל המתמשך משתנה (CWT) או חבילת הגלים הדיסקרטית משנה (DWPT) יכול ללכוד בו זמנית את מעברי התדר ואת התזמון.

גישה

המקלט קובע את ה-Cropogram (הידועה של שינוי הגלים) עבור האות הנכנס.המדפסוגרם מגלה מחסניות בתדרים התואמים לטונים FSK.שלב של הגלים קורט במחסנים אלה נותן מידע תזמון מדויק. כי גלונים הם מקומיים בזמן, הם חזקים להתפרצויות ארוכות של רעש - רק דחפים מושחתים של האזור המקומי.

עבור FSK עם שני גוונים, גל אם נבחר כראוי (למשל, Morlet או Gaussian מורכב) מניב שיאים כי מתאים עם כל מעבר סמל. על ידי מעקב אחר התנועה של שיאים אלה, הן תזמון סמל ותדירות כבויה ניתן לחלץ ללא לולאה נפרדת.

סינכרוניזציה מבוססת Wavelet לעתים קרובות להתאים או עולה על ביצועים מתאימים בערוצי רעש אימפולסיביים, כי הגל הופך באופן טבעי להפחית את החריגים.המגירה העיקרית היא עלות חישובית: CWT של אות ארוך הוא יקר. עם זאת, אלגוריתמים מהירים כמו בנק מסנן מאלט יכול להפחית מורכבות O(N logback).

סיכום השוואתי והדרכה מעשית

בחירת הטכניקה חדשנית הנכונה תלויה בסביבת הרעש הספציפית ובמגבלות המערכת:

  • (FLT:0) סינון מסנן שלילי 1FLT הוא הטוב ביותר שבו ההתערבות היא צר פס ומשתנה לאט לאט.הוא מציע מורכבות מתונה וביצועים בזמן אמת טוב.
  • (FLT:0) גילויי גילויים של ההרחבה:1) מאיר ב-SNRs נמוך מאוד, וכאשר סטטיסטיקות רעש אינן סטיות.העלות החישובית שלה יכולה להיות גבוהה, אך היא מנוהלת עם יישום מבוסס FFT.
  • (FLT:0) Machine LearningFLT:1 מספק את הגמישות האולטימטיבית: מודל מאומן יחיד יכול להתמודד עם סוגי רעש מרובים.המסחר הם דרישות נתונים הכשרה וכוח הקצוץ.
  • (FLT:0) synchronizationFeloph:1 , נותן את הביצועים התיאורטיים הטובים ביותר כאשר תיקון שגיאה קדימה כבר נוכח.זה מוסיף כמות קטנה של עיבוד רציונטיבי מעל פני.
  • (ב) ⁇ :0) שיטות של נפתל:1 מצוינות עבור רעש אימפולסיבי ומציעות estimation משותף.הם פחות מבוגרים, אך יותר ויותר אכילים עם DSP מודרני.

לעתים קרובות, פתרון היברידי מניב את התוצאות הטובות ביותר.לדוגמה, מקלט עשוי להשתמש בזיהוי מחזורי כדי לרכוש מנעול קוארזה, ולאחר מכן לעבור סינון מותאם כדי לעקוב אחר וריאציות איטיות, בעוד הדלקוד מבצע הזיכוך הרציני. החוקרים שילבו גם את המאפיין מבוסס CNN עם לולאות קוד-קוד-מדבקות כדי להשיג כמעט ביצועים אופטימליים בסביבות תעשייתיות.

שקיפות ודרכים עתידיות

סינכרוניזציה FSK בערוצים רועשים נותרה תחום פעיל של מחקר ופרקטיקה הנדסית.בעוד ששיטות מבוססות PLL קלאסיות עדיין שולטות בעיצובים רבים של חומרה סחורות, החיפוש אחר תקציבי חשמל נמוכים יותר (למשל, עבור מכשירים IoT) ואמינות גבוהה יותר (למשל, לשליטה מרחוק של תשתיות קריטיות) מניע את אימוץ של טכניקות שתוארו לעיל.

העבודה העתידית תתמקד בשילוב שיטות מרובות לאדריכלות חד-משמעית שיכולה לעבור בין אלגוריתמים בהתאם לתנאי ערוץ - צורה של סינכרוניזציה קוגניטיבית.שדרה מבטיחה אחרת היא השימוש של רשתות אדמירליות:0 אורגניזמים ניווניות (גנים)FLT:1 כדי ליצור נתוני הכשרה סינתטיים המכסים אירועי רעש נדירים, שיפור העוצמה של סינכרוונים המבוססים על ML.

ככל שהדחיסות של מכשירים אלחוטיים עולה וסביבות רעש הופכות מורכבות יותר (למשל, ב- 5G/6G במפעל אוטומציה), החשיבות של סינכרון חזק לא יכולה להיות מוגזמת.הטכניקות המודגשות כאן מספקות ערכת כלים המאפשרת למעצבי מערכת לדחוף את המעטפה של הביצועים של FSK הרבה מעבר למה שהיה לפני עשור.

עבור אלה המבקשים לצלול עמוק יותר, נקודת התחלה טובה היא מגזין IEEE Communications נושאים מיוחדים על סינכרוניזציה וספרי הלימוד:0Synchronization טכניקות עבור מקבלי אינטרנט דיגיטליים מקבלי LT:1 על ידי Umberto Mengali ואלדו N. D'Andrea.