دانلود ترجمه مقاله شناسایی مدولاسیون تعاونی: پارادیم جدیدی برای شبکه های خطوط برق در شبکه های هوشمند

1. مقدمه 2. مدل سیستم و مفروضات 3. مشخصات 4. شناسایی مدولاسیون 5. شبیه سازی ها 6. نتیجه گیری

چکیده – ارتباطات خطوط توان (PLC) رویکرد جذابی برای ارائه سرویس های انتقال اطلاعات در شبکه های هوشمند آتی می باشد. با این حال، از آنجایی که مدولاسیون های مختلفی اتخاذ شده اند، افزودن گره های جدید به منظور جمع آوری داده ها از دستگاه ها یا سنسورها در شبکه های PLC خانگی بسیار چالش برانگیز می باشد. در این مقاله، ما رویکردی برای دسترسی خودکار به شبکه PLC با شناسایی مدولاسیون سیگنال ها را ارائه داده ایم. به منظور بهبود نرخ تشخیص صحیح در شناسایی مدولاسیون ها، ما یک طرح مدولاسیون تعاونی مبتنی بر ورودی چندگانه خروجی چندگانه (MIMO) پیشنهاد داده ایم. پس از دریافت نتایج شناسایی از گره های دسترسی، سرور مرکزی، تصمیم گیری دقیق و جامعی از مدولاسیون شبکه PLC انجام می دهد. علاوه بر این، ستون مرتبه چهارمی برای کاربران متعدد در قالب طبقه بندی های مدولاسیون اتخاذ شده است. با این ویژگی، ما یک الگوریتم طبقه بندی مدولاسیون بهبود یافته مبتنی بر احتمال ماکزیمم ارائه داده ایم. شبیه سازی ها نشان می دهند که هر چقدر از طرح شناسایی مدولاسیون تعاملی و الگوریتم تشخیصی بهبود یافته ای استفاده کنیم، نرخ تشخیص بالا و نرخ مثبت خطای پایینی را می توان به دست آورد.

Power Line communication (PLC) is an attractive approach to provide information transfer services for future smart grids. However, since various modulations are adopted, it is a great challenge to add new nodes to collect the data from the devices or sensors in in-home PLC networks. In this paper, we propose an approach to automatically access to the PLC network by identifying the modulation of signals. To improve the correct recognition rate on identification of modulations, we propose a multiple input and multiple output (MIMO) based cooperative modulation identification scheme. After receiving the recognition results from accessing nodes, the central server makes the comprehensive and accurate recognition decision on the modulation of the PLC network. Furthermore, the fourth-order cumulants for multiple users are adopted as the feature for this modulation classifier. With the feature, we propose an improved modulation classification algorithm based on the maximum likelihood. Simulations show that a high detection rate and low false positive rate can be achieved as we employ the cooperative modulation identifying scheme and the improved recognition algorithm.