جداسازی سیگنال های بی سیم مبتنی بر هوش مصنوعی

---

شرح پروژه

در این پژوهش، ابتدا مدل پیشنهادی مقاله مرجع، یعنی DPGCU، برای جداسازی کور منابع سیگنال‌های مخابراتی بازتولید می‌شود. برای این منظور، مجموعه‌داده شامل پنج نوع مدولاسیون BPSK، QPSK، 8PSK، 16QAM و 64QAM مطابق تنظیمات گزارش‌شده در مقاله تولید خواهد شد. داده‌ها شامل ۱۰ ترکیب دوتایی از سیگنال‌های مدوله‌شده در سطوح مختلف نسبت سیگنال به نویز (SNR) خواهند بود. پس از آماده‌سازی داده‌ها و تقسیم آن‌ها به مجموعه‌های آموزش، اعتبارسنجی و آزمون، مدل DPGCU پیاده‌سازی و نتایج آن با مقادیر گزارش‌شده در مقاله اصلی مقایسه می‌شود. در مرحله بعد، معماری‌های یادگیری عمیق BiLSTM و Transformer نیز با شرایط داده‌ای و ارزیابی یکسان پیاده‌سازی خواهند شد تا عملکرد آن‌ها از نظر دقت جداسازی، مقاومت در برابر نویز، پیچیدگی محاسباتی و زمان اجرا بررسی شود. سپس، با تحلیل نقاط ضعف مدل‌ها، یک روش توسعه‌یافته مبتنی بر اصلاح معماری یا ترکیب مؤثر اجزای مدل‌های منتخب طراحی و ارزیابی خواهد شد. برای بررسی سهم اجزای معماری DPGCU، آزمایش حذف مؤلفه‌ها نیز انجام می‌شود؛ به‌ویژه عملکرد مدل در حضور و عدم حضور ماژول GCU مقایسه خواهد شد. نوآوری نهایی بر اساس نتایج آزمایش‌ها تعیین می‌شود و هدف آن دستیابی به بهبود قابل‌اندازه‌گیری در جداسازی سیگنال‌ها، به‌ویژه در شرایط نویزی و ترکیب‌های دشوار مدولاسیون، بدون افزایش نامتناسب هزینه محاسباتی است.

برای ارزیابی جامع و اطمینان از اعتبار نتایج، گزارش نهایی شامل مجموعه‌ای از جداول، نمودارها و شکل‌های تحلیلی خواهد بود: ۱. جدول مقایسه عملکرد DPGCU، BiLSTM، Transformer و مدل توسعه‌یافته بر اساس معیارهای اصلی؛ ۲. نمودار احتمال خطای جداسازی برحسب SNR برای تمام مدل‌ها؛ ۳. جدول نتایج جداسازی برای هر یک از ۱۰ ترکیب مدولاسیون؛ ۴. جدول و نمودار مقایسه مدل DPGCU با GCU و بدون GCU؛ ۵. شکل موج سیگنال‌های اصلی، سیگنال مخلوط و سیگنال‌های جداسازی‌شده؛ ۶. نمودار منحنی یادگیری شامل خطای آموزش و اعتبارسنجی برحسب Epoch؛ ۷. جدول مقایسه نتایج بازتولیدشده با مقادیر مقاله مرجع و نمودار مقایسه عملکرد برحسب SNR؛ ۸. جدول مشخصات و تنظیمات نهایی مدل‌ها، شامل تعداد پارامترها، نرخ یادگیری، اندازه دسته، تعداد Epoch و سایر پارامترهای مهم؛ ۹. نمودار مقایسه معیارهای ارزیابی مدل‌ها؛ ۱۰. جدول زمان آموزش، زمان استنتاج و تعداد پارامترهای قابل‌آموزش هر مدل؛ ۱۱. نمودار مقایسه عملکرد مدل‌ها در ترکیب‌های مختلف مدولاسیون؛ ۱۲. جدول و نمودار نتایج آزمایش‌های حذف مؤلفه‌ها (Ablation Study) برای بررسی سهم اجزای مدل توسعه‌یافته؛ ۱۳. نمودار توزیع خطاهای جداسازی در سطوح مختلف SNR؛ ۱۴. جدول میانگین و انحراف معیار نتایج حاصل از اجرای چندباره مدل‌ها با بذرهای تصادفی متفاوت؛ ۱۵. نمودار مقایسه عملکرد مدل‌ها در شرایط نویزی و بدون نویز؛ ۱۶. نمودار پراکندگی یا نمودار جعبه‌ای نتایج اجراهای تکراری برای بررسی پایداری مدل‌ها؛ ۱۷. جدول تحلیل خطا برای شناسایی ترکیب‌های مدولاسیونی که جداسازی آن‌ها دشوارتر است؛ و ۱۸. جدول مقایسه مدل پایه و مدل توسعه‌یافته از نظر بهبود عملکرد و هزینه محاسباتی. معیار اصلی ارزیابی مطابق مقاله، احتمال خطای جداسازی خواهد بود. همچنین، نتایج واقعی پیاده‌سازی با نتایج مقاله مرجع مقایسه خواهند شد و هرگونه اختلاف، همراه با تحلیل شرایط آزمایش و محدودیت‌های بازتولید، مستند می‌شود.

 در نهایت انتظار می‌رود دقت مدل  DPGCU به حدود 85٪ تا 98٪ برسد و نشان داده شود.

در پایان باید تمام شکل‌ها، جدول‌ها و نتایج به صورت حرفه‌ای تهیه شوند. نمودارها باید با کیفیت بالا رسم شوند، جداول مقایسه‌ای کامل باشند.

بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارش‌شده به‌درستی مشاهده شوند. همچنین مدل‌ها نباید دچار overfitting یا underfitting شدید باشند و رفتار آموزش باید پایدار و قابل دفاع باشد و نتایج و تصاویر با کیفیت باشند.

کد نهایی باید به‌صورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook) ارائه شود و شامل تمامی بخش‌های تولید داده، آموزش مدل‌ها و رسم نمودارها باشد. همچنین در تمام بخش‌های کد باید توضیحات (کامنت‌گذاری کامل و قابل فهم) درج شود تا منطق پیاده‌سازی کاملاً مشخص باشد.

از ایجاد خروجی غیر واقعی (ساخت منحنی جعلی) حتماً و اکیداً اجتناب شده و تمامی خروجی‌ها باید مستقیماً حاصل اجرای مدل و داده‌های واقعی باشند.

جهت اطمینان از درستی کدها، مجدداً شخصاً کدها قبل از پذیرش پروژه اجرا خواهند شد و نباید هیچ‌گونه خطا (Error) در اجرا مشاهده شود و یا خروجی اشتباه تولید گردد.

کامل مطالعه کنید با دقت بعدا با تشکر

این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

---

---