Détection (et éventuellement classification) des signaux interférents dans les systèmes de communication par satellite (par exemple, diffusion vidéo numérique - satellite - deuxième génération (DVB-S2) ou extensions DVB-S2 (DVB-S2x)) et suppression du signal interférent à l'aide de la connaissance des caractéristiques de brouillage, dans le but de réduire le taux d'erreur au niveau du récepteur.

But du cas d'usage

Détection, classification et suppression basées sur l'apprentissage automatique des signaux d'interférence pour les systèmes de communication par satellite.

Description

L'algorithme ML fonctionne sur les échantillons reçus du signal constitué de la porteuse souhaitée et de l'interféreur. L'algorithme ML recherche des motifs répétitifs dans le signal, qui ne sont pas attendus du signal porteur connu. Par exemple, le signal brouilleur peut être une autre porteuse DVB-S2 ou DVB-S2x d'un satellite adjacent, un signal radar ou un système de relais radio terrestre. Chacun de ces signaux parasites contient un motif répétitif, par exemple sous la forme de symboles pilotes ou de mots uniques. En ce qui concerne le type de méthode ML, l'apprentissage supervisé et non supervisé peut être réalisable. Cependant, le scénario d'apprentissage supervisé nécessite une formation utilisant un certain nombre d'interféreurs déjà connus. Cela limiterait la détection à une classe de signaux interférents sélectionnés. Le cas d'utilisation peut être décomposé en différents sous-problèmes. Détection d'interférences : ce problème peut être traité comme une détection d'anomalies et implique d'enseigner au modèle le signal non déformé à partir de données propres. Classification des interférences : étant donné suffisamment de données d'entraînement sur différents types de signaux d'inférence, le problème peut être traité comme un problème de classification de signaux non déformés et de signaux se chevauchant avec un type particulier de distorsion. Cette approche fournit le type de distorsion résultant, mais peut produire des résultats peu fiables en présence de distorsions non entraînées. Un cas qu'il peut être nécessaire de traiter spécifiquement est celui des signaux brouilleurs du même type, par exemple, un signal de diffusion vidéo numérique (DVB) chevauchant un autre signal DVB, car les statistiques des deux signaux seraient similaires, mais juste le temps décalage des symboles de synchronisation permettrait l'identification des signaux. Séparation des signaux : si des interférences ont été identifiées, la séparation des signaux peut être souhaitable pour un traitement ultérieur. Des parties de la porteuse sont connues (séquence pilote) ou il est possible de transmettre des signaux de données connus sur la porteuse, de sorte que la porteuse souhaitée puisse être reconstruite au niveau du récepteur. L'algorithme ML est formé à l'aide d'une comparaison du signal reçu (et brouillé) avec le signal transmis (connu) de la porteuse, et détermine un modèle sur la façon dont les échantillons interférents sont ajoutés à la porteuse. Ensuite, l'interférence est réduite symbole par symbole de la porteuse sur la base des états entraînés de l'algorithme ML.

Séries chronologiques

Intéressé par le même projet ou un projet similaire ?
Soumettez une demande et obtenez une évaluation gratuite de votre projet.