Universidade Federal do Pará - pibic
Transcrição
Universidade Federal do Pará - pibic
UNIVERSIDADE FEDERAL DO PARÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO CIENTÍFICA – PIBIC : CNPq, CNPq/AF, UFPA, UFPA/AF, PIBIC/INTERIOR, PRODOUTOR, PIBIT E FAPESPA RELATÓRIO TÉCNICO - CIENTÍFICO Período : 02/2015 a 08/2015 ( ) PARCIAL ( X ) FINAL IDENTIFICAÇÃO DO PROJETO Título do Projeto de Pesquisa: Desenvolvimento de Algoritmos para uso de DSL em backhaul Nome do Orientador: Aldebaro Barreto da Rocha Klautau Junior Titulação do Orientador: Doutor Faculdade: Faculdade de Engenharia da Computação Instituto/Núcleo: ITEC Laboratório: Laboratório de Processamento de Sinais Título do Plano de Trabalho: Classificação de Modulação Digital Utilizando Radio Definido por Software Nome do Bolsista: Vitória Alencar de Souza Tipo de Bolsa: ( X ) PIBIC/ CNPq ( ) PIBIC/CNPq – AF ( ) PIBIC /CNPq- Cota do pesquisador ( ) PIBIC/UFPA ( ) PIBIC/UFPA – AF ( ) PIBIC/ INTERIOR ( ) PIBIC/PARD ( ) PIBIC/PADRC ( ) PIBIC/FAPESPA ( ) PIBIC/ PIAD ( ) PIBIC/PIBIT 1 INTRODUÇÃO: A classificação automática de modulação é um processo intermediário, compreendido entre os processos de detecção e demodulação de sinais. Ela é a tarefa mais importante de um receptor inteligente e possui diversas aplicações civis e militares. A demodulação de um sinal exige o conhecimento de suas características, sendo assim a demodulação de um sinal sem conhecimento prévio de suas características tais como potência, frequência da portadora e atraso de fase, torna-se um processo muito trabalhoso. Neste trabalho foi desenvolvido um software que implementa simulações de transmissão de sinais digitais. O software em questão é uma ferramenta no processo de classificação de modulação de sinais digitais, a medida que produz uma base de dados de sinais digitais. Esta base foi utilizada no aprendizado de um algoritmo de máquina presente no software Weka, que implementa o classificador de modulação a partir das características presentes na base. O processo de classificação pode ser dividido em duas etapas: 1. Extração de características, onde são obtidos os parâmetros para o classificador e 2. Algoritmo de classificação onde os parâmetros são utilizados para treinar o classificador e classificar dados com modulação desconhecida. Deste modo o software Matlab é utilizado para criar sinais digitais, transmiti-los através de um canal simulado e recebe-los. Após a recepção dos sinais ocorrerá o processo de extração das características e a geração de uma base de dados de entrada para o software Weka o qual efetuará o processo de classificação de modulação e retornará a classe (modulação) classificada, bem como um relatório acerca das estatísticas do processo de classificação realizado. JUSTIFICATIVA: A classificação automática de modulação é um campo com infindáveis aplicações civis e militares, o que proporcionou diversas pesquisas acerca deste. Atualmente dispomos de um grande número de classificadores, dentre eles podemos destacar os seguintes: 1. Classificadores baseados Likelihood. 2. Classificadores de Modulação baseados em teste. 3. Classificadores baseados em características sinais. 4. Classificadores de modulação cegos. Neste projeto foram desenvolvidos: um software gerador de simulador de transmissão digital de sinal e um extrator de características de sinais transmitidos digitalmente. Em conjuntos esses softwares geram uma base de dados que é utilizada por um algoritmo de máquina no processo de classificação de modulação. OBJETIVOS: Este projeto tinha como principal objetivo implementar e simular em software Matlab uma técnica de classificação capaz de identificar automaticamente a modulação desconhecida de um sinal transmitido por um dado sistema. Um segundo objetivo era implementar esta técnica na plataforma de desenvolvimento open source GNU Radio em simulações realísticas efetuadas a partir da integração entre GNU Radio com e o Hardware Universal Software Radio Peripheral (USRP). Após o estudo do software open source GNU Radio e suas ferramentas, foram iniciados os estudos das técnicas de classificação de sinais e assim deu-se a criação de um software que implemente transmissão de sinais digitais e classificação de sinais na plataforma Matlab integrada com o software Weka. 2 Os objetivos alcançados estão descritos abaixo: 1. Aprender o funcionamento da plataforma open source GNU Radio na construção de sistemas de transmissão e recepção de sinais digitais. 2. Estudar o funcionamento do hardware USRP (do inglês Universal Software Radio Peripheral) e sua integração com a plataforma GNU Radio. 3. Acumular conhecimentos nas áreas modulação de sinais digitais. 4. Formar conhecimentos nas áreas de recepção de sinais, utilizando algoritmos de sincronismo, amplificação de amplitude e recuperação de fase. 5. Formar conhecimento na área de classificação automática de sinais. 6. Aprofundar os conhecimentos em Telecomunicações. 7. Criar um software gerador de sinais digitais. 8. Criar um software extrator de características dos sinais digitais, que serão utilizadas pelo software Weka na classificação de sinais digitais. MATERIAIS E MÉTODOS: A metodologia dessa pesquisa baseia-se no estudo em livros e materiais disponíveis na internet acerca de classificação de modulação e dos seguintes softwares que foram utilizados durante a pesquisa: GNU Radio Companion GNU Radio é um ambiente de desenvolvimento de código livre que possui blocos de processamento para implementação de rádio definido por software [4]. O GNU Radio possui duas linguagens de programação para desenvolvimento: Python e C++. A linguagem Python é utilizada para desenvolvimento das aplicações, ou seja, criar novas simulações, a linguagem C++ é utilizada para criar os blocos de processamento de sinais, já que seu código é mais eficiente, podendo trabalhar com extensões de ponto flutuante. a) Universal Software Radio Peripheral (USRP) O hardware USRP, é uma plataforma de pesquisa desenvolvido pela Ettus Research LLC, de baixo custo e flexibilidade para desenvolvimento de aplicações em telecomunicações. A USRP é composta por uma placa-mãe (motherboard), que é responsável pelo processamento digital inicial do sinal, e placas-filhas (daughterboard), que processam o sinal a fim de transladá-lo da banda-base para a banda de transmissão ou o oposto. A placa-mãe possui conversores analógico-digital de 12 bits, com uma taxa de amostragem de 64 MS/s (mega samples per second, do inglês, ou milhões de amostras por segundo), conversores digital-analógico com 14 bits e uma taxa de amostragem de 128 MS/s, além de digital down converters (DDCs) e digital up converters (DUCs) com taxa de decimação e interpolação programáveis. As USRPs contam com uma interface Universal Serial Bus USB 2.0, fazendo a interconexão entre computador pessoal, que é responsável pela geração do sinal, e a USRP, como podemos ver na figura a seguir. 3 Figura 1: Diagrama de bloco da estrutura da USRP [1]. b) Software Matlab O software Matlab é utilizado como ferramenta de simulação, à medida que o software em para simulação de transmissão digital e extrator de características foi escrito utilizando-se esta ferramenta. Todas as rotinas de processamento, mostradas na Figura 2 foram escritas utilizando-se o software Matlab. Figura 2: Rotinas do software proposto em linguagem Matlab. Não seção de Resultados o software proposto será detalhado. c) Software Weka O software livre Weka, é uma coleção de algoritmos de aprendizado de máquina desenvolvido em linguagem de programação Java. O Weka possui um conjunto de ferramentas para pré-processar dados, além de ferramentas de classificação, regressão, clusterização e associação. Utilizaremos esta aplicação no processo de classificação das modulações digitais, assim ela receberá as bases de dados com características de sinais digitais e efetuará as tarefas de treino, teste e validação de um algoritmo de aprendizado de máquina. Os softwares citados foram utilizados para execução da pesquisa cujo resultados são descritos a seguir. 4 RESULTADOS: O Software Sense foi desenvolvido com o objetivo de implementar simulações de transmissão de sinais digitais com a motivação de criar bases de dados para que algoritmos de aprendizagem façam a tarefa de classificação de modulação. Este software pode ser subdividido em três softwares menores como mostrado na Figura 3. Figura 3: Estrutura do software proposto. a) Software gerador de sinais: O software gerador de sinais cria os sinais digitais, das seguintes modulações: PAM do inglês pulse amplitude modulation ou modulação por amplitude do pulso. QAM do inglês quadrature amplitude modulation ou modulação por amplitude da quadratura. PSK do inglês phase shift key ou modulação por chaveamento de fase. FSK do inglês frequency shift key ou modulação por chaveamento de frequência. Assim para cada modulação são gerados sinais de 1 a 6 bits, ou seja, cada sinal digital conterá de 2 a 64 símbolos e suas modulações pertencerão ao conjunto de modulações descrito acima. Figura 4: Exemplo de constelação PSK com 8 símbolos, capaz de transportar sinais de até 3 bits. 5 b) Software multiplexador de sinais: Neste software os sinais criados no gerador de sinais são enviados de vários transmissores a um receptor localizado na origem do sistema cartesiano, como mostrado na Figura 4. Figura 4: Três transmissores enviando sinais distintos a um receptor localizado na origem do sistema cartesiano. Damos ao conjunto de transmissores e receptores o nome de cenário. Podemos definir no software a posição dos transmissores assim como a sua altura, o receptor está localizado na origem e sua altura pode ser modificada em distintas simulações. Os sinais se dispersam segundo o modelo de Okumura Hata e sua propagação obedece um canal dispersivo pertencente ao Matlab. c) Software extrator de características. O software extrator de características utiliza o método da ciclo-estacionariedade para extrair as características de cada sinal digital. Um sinal é dito ciclo-estacionário de ordem n (em sentido amplo) se e somente existir alguma transformação não linear de enésima ordem neste sinal que seja capaz de gerar uma soma finita de componentes de funções senoidais as quais resultarão em linhas espectrais. Dado um sinal x(t) que possua propriedades ciclo-estacionárias ou contenha periodicidades de segunda ordem, temos que a auto correlação cíclica (AC) desta função, em uma dada frequência de análise α, se existir será igual a Equação 1: Equação 1: Auto correlação cíclica (AC) de um sinal x(t). 6 Ou seja, para um dado harmônico α do sinal, calculamos a similaridade deste sinal atrasado com o mesmo adiantado de um mesmo fator. A transformada de Fourier da auto correlação cíclica, é dada pela Equação 2, onde cada termo XT representa a transformada de Fourier de um sinal x(t): Equação 2: Auto correlação cíclica (AC) de um sinal x(t). Desta forma a transformada de Fourier da auto correlação nos indicará o espectro de uma auto correlação cíclica de uma dada frequência α ou do inglês spectral correlation function (SCF). Assim para cada frequência de harmônico disponível do sinal, haverá uma auto correlação cíclica e deste modo haverá um espectro associado a mesma. Figura 5: SCF calculada a partir de um sinal 4 PAM Gardner em [5] propôs que o plano SCF de diferentes modulações de sinais no domínio de α e f possuem diferenças que podem ser utilizadas no processo de classificação de modulação digital. O coeficiente de correlação ou do inglês spectral coherence (SC) da SCF é um fator de normalização da SCF dado pela Equação 3: Equação 3: SC calculado a partir da SCF. Para reduzir a dimensão e o custo computacional do SC na frequência f, é definido o (CDP) do inglês cyclic domain profile, como sendo o máximo do SC em uma determinada frequência f, [6] como mostra a Equação 4: 7 Equação 4: Calculo da CDP a partir da SC. Figura 6: CDP calculado a partir do SC. Deste modo, para cada um dos sinais recebidos de um dos diversos cenários, será calculado o seu SC distinto conforme o tipo de modulação. d) Integração com o software Weka: As bases geradas nos programas anteriores criam conjuntos de treino, teste e validação que são utilizadas pelo Weka na tarefa de treinamento de uma Rede Neural Artificial ou qualquer algoritmo de aprendizado que classifique com precisão. Atualmente o software é utilizado com uma modulação por vez e classifica o sinal de acordo com sua ordem, ou seja, para um sinal PAM ele é capaz de classificar em 2-PAM, 4PAM, 8-PAM, 16-PAM, 32-PAM ou 64-PAM. Suas taxas de acerto são em média de 50%. Ghauri em [7] produziu simulações com metodologia similar e atingiu índices de acerto superiores a 90%, o que motiva a melhorar as simulações até que sejam atingidos níveis similares. 8 CONCLUSÃO: O perfil cíclico é uma característica capaz de classificar sinais de mesma modulação em suas ordens como já provado em [7] as simulações buscaram provar este fato, faltando aprimorar o software para que aumente a precisão das características criadas. A criação deste protótipo inicial será de grande valia, pois após corrigidas as falhas, o software poderá ser adaptado para qualquer outra plataforma, criando assim um classificador de sinais baseado em características. REFERÊNCIAS BIBLIOGRÁFICAS [1] Ettus research LLC, 2012. http://www.ettus.com/. [2] C. R. J. Jr. and W. A. Sethares, Telecommunication Breakdown: Concepts of Communication Transmitted via Software-Defined Radio, 1, Ed. Prentice Hall, 2003. [3] VARGAS, C., H., V., V. “Implementação de Técnicas de Equalização Adaptativa em FPGA para Canais Wimax”. [4] “GNU Radio,” 2012, acesso em 13/02/2015. http://www.gnuradio.org [5] W. A. Gardner, Cyclostationarity in Communications and Signal Processing. IEEE Press, 1994. [6] K. Kim, I. A. Akbar, K. Bae, J. sun Um, C. M. Spooner, and J. H. Reed, “Cyclostationary approaches to signal detection and classification in cognitive radio,” New Frontiers in Dynamic Spectrum Access Networks, 2007. DySPAN 2007., pp. 212–215, Apr 2007. [7] S. A. Ghauri , I. M. Qureshi, “Modulation Classification using Cyclostationary Features on Fading Channels ” Research Journal of Applied Sciences, Engineering and Technology, 2014. DIFICULDADES O projeto encontrou diversas dificuldades na evolução pela complexidade matemática do método utilizado, e a utilização de diversos softwares que exigiram bastante tempo para a familiarização devido também a sua complexidade. PARECER DO ORIENTADOR: Manifestação do orientador sobre o desenvolvimento das atividades do aluno e justificativa do pedido de renovação, se for o caso. A bolsista desenvolveu as tarefas previstas a contento, mostrando responsabilidade e compromisso com as atividades de iniciação científica. Apresentou interesse pela pesquisa e estudos avançados, tendo cursado disciplinas de pós-graduação e tido aproveitamento excelente. O software desenvolvido já está funcional e está sendo útil não apenas para as atividades deste plano de trabalho mas também para outras pesquisas do grupo na área de classificação de modulação. DATA : ______/_________/________ 9 ___________ _____________ ASSINATURA DO ORIENTADOR ____________________________________________ ASSINATURA DO ALUNO INFORMAÇÕES ADICIONAIS: Em caso de aluno concluinte, informar o destino do mesmo após a graduação . Informar também em caso de alunos que seguem para pós-graduação , o nome do curso e da instituição . 10 FICHA DE AVALIAÇÃO DE RELATÓRIO DE BOLSA DE INICIAÇÃO CIENTÍFICA O AVALIADOR DEVE COMENTAR, DE FORMA RESUMIDA, OS SEGUINTES ASPECTOS DO RELATÓRIO : 1. O projeto vem se desenvolvendo segundo a proposta aprovada? Se ocorreram mudanças significativas, elas foram justificadas? 2. A metodologia está de acordo com o Plano de Trabalho ? 3. Os resultados obtidos até o presente são relevantes e estão de acordo com os objetivos propostos? 4. O plano de atividades originou publicações com a participação do bolsista? Comentar sobre a qualidade e a quantidade da publicação . Caso não tenha sido gerada nenhuma, os resultados obtidos são recomendados para publicação ? Em que tipo de veículo? 5. Comente outros aspectos que considera relevantes no relatório 6. Parecer Final: Aprovado ( ) Aprovado com restrições ( Reprovado ( ) ) (especificar se são mandatórias ou recomendações) 7. Qualidade do relatório apresentado: (nota 0 a 5) _____________ Atribuir conceito ao relatório do bolsista considerando a proposta de plano, o desenvolvimento das atividades, os resultados obtidos e a apresentação do relatório. Data : _____/____/_____. ________________________________________________ Assinatura do(a) Avaliador(a) 11