‫‪98-F-HVS-620‬‬

‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس‬

‫ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬

‫ﺳﻴﺪ ﻣﺤﻤﺪ ﺷﻬﺮﺗﺎش‬ ‫ﺳﻴﺪ ﺣﻤﻴﺪ ﻣﺮﺗﻀﻮي ﻳﺰدي‬

‫اﺳﺘﺎدﻳﺎر داﻧﺸﻜﺪه ﺑﺮق‬ ‫داﻧﺸﺠﻮي ﻛﺎرﺷﻨﺎﺳﻲ ارﺷﺪ‬
‫ﻗﻄﺐ ﻋﻠﻤﻲ اﺗﻮﻣﺎﺳﻴﻮن و ﺑﻬﺮه ﺑﺮداري ﺳﻴﺴﺘﻢ ﻫﺎي ﻗﺪرت‬
‫داﻧﺸﻜﺪه ﺑﺮق‪ ،‬داﻧﺸﮕﺎه ﻋﻠﻢ و ﺻﻨﻌﺖ اﻳﺮان‪،‬ﺗﻬﺮان‬

‫واژهﻫﺎي ﻛﻠﻴﺪي‪ :‬ﻧﻮﻳﺰزداﺋﻲ‪ ،‬ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ ،‬ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ‪ ،‬اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ‪ ،‬اﺗﻢ ﭼﺮﭘﻠﺖ‪ ،‬اﺗﻢ ﻻﭘﻼس‬

‫‪ -1‬ﻣﻌﺮﻓﻲ‬
‫ﺑﺮوز ﺗﺨﻠﻴﻪ ﻫﺎي ﺟﺰﺋﻲ‪ 1‬در ﻋﺎﻳﻘﻬﺎي ﺗﺠﻬﻴﺰات ﻓـﺸﺎر ﻗـﻮي ﻣﺎﻧﻨـﺪ‬
‫ﺗﺮاﻧﺴﻔﻮرﻣﺎﺗﻮر و ﻳﺎ ﻛﺎﺑﻠﻬﺎي ﻓﺸﺎر ﻗﻮي ﻣﻲ ﺗﻮاﻧﺪ ﻧﺸﺎن ﮔـﺮ ﺷـﺮوع‬
‫ﺗﺨﺮﻳﺐ ﻋﺎﻳﻘﻲ ﺑﺎﺷﻨﺪ‪ .‬ﺑﻪ اﻳﻦ ﻣﻌﻨﻲ ﻛﻪ ﺑﺎ ﻋﺪم ﺗﺸﺨﻴﺺ و ﺑﺮﻃـﺮف‬
‫ﻧﺸﺪن ﻋﺎﻣﻞ ﺑﺮوز ﺗﺨﻠﻴﻪ ﻫﺎي ﺟﺰﺋﻲ‪ ،‬ﺑﻪ ﻣﺮور زﻣﺎن ﺷﺪت و ﺗﻌﺪاد‬
‫دﻓﻌﺎت ﺑﺮوز ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ اﻓﺰاﻳﺶ ﻣﻲ ﻳﺎﺑﺪ‪ .‬در ﻧﻬﺎﻳـﺖ ﺑـﺎ اﻓـﺰاﻳﺶ‬
‫ﺷــﺪت و ﺗﻌــﺪاد دﻓﻌــﺎت ﺑــﺮوز ﺗﺨﻠﻴــﻪ ﺟﺰﺋــﻲ ﭘﺪﻳــﺪه ﺷﻜــﺴﺖ‬
‫اﻟﻜﺘﺮﻳﻜﻲ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎﻋﺚ ﻗﻄﻊ ﺑـﺮق رﺳـﺎﻧﻲ ﺑـﻪ‬
‫ﻣﺸﺘﺮﻛﻴﻦ و ﻫﻤﭽﻨﻴﻦ اﺣﺘﻤﺎل ﺧﺴﺎرت ﺑﻪ ﺳﺎﻳﺮ ﻗﻄﻌـﺎت ﺟـﺎﻧﺒﻲ و‬
‫ﻳﺎ ﺑﺮوز آﺗﺶ ﺳﻮزي ﺷﻮد‪.‬‬
‫ﭼﻜﻴﺪه‪:‬‬
‫ﻳﻜﻲ از ﺑﺨﺶ ﻫﺎي ﻣﻬﻢ و ﺿـﺮوري ﺳﻴـﺴﺘﻢ ﻫـﺎي اﻧـﺪازه ﮔﻴـﺮي‬
‫‪ On-Line‬ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ ،‬واﺣﺪ ﻧـﻮﻳﺰزداﺋﻲ اﺳـﺖ‪ .‬اﻣـﺮوزه ﺑـﺮاي‬
‫ﻛﺎﻫﺶ و ﻳﺎ ﺣﺬف ﻧﻮﻳﺰ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ اﻧﺪازه ﮔﻴﺮي ﺷﺪه‪،‬‬
‫از روش ﻫﺎي ﻧﺮم اﻓـﺰاري ﻣﺒﺘﻨـﻲ ﺑـﺮ ﭘـﺮدازش ﺳـﻴﮕﻨﺎل دﻳﺠﻴﺘـﺎل‬
‫اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ .‬در اﻳﻦ ﻣﻘﺎﻟﻪ اﻟﮕﻮرﻳﺘﻢ ﺟـﺴﺘﺠﻮﮔﺮ وﻓﻘـﻲ و اﺗـﻢ‬
‫ﻫﺎي زﻣﺎن‪-‬ﻓﺮﻛﺎﻧﺲ ﻻﭘﻼس و ﭼﺮﭘﻠﺖ ﻣﻌﺮﻓﻲ ﺷﺪه و ﻛﺎرﻛﺮد اﻳـﻦ‬
‫اﺗﻢ ﻫﺎ در ﻧﻮﻳﺰزداﺋﻲ ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﺑﺮرﺳﻲ و ﻋﻤﻠﻜـﺮد اﻳـﻦ‬
‫روش ﻫﺎ ﺑـﺎ ﻋﻤﻠﻜـﺮد ﺗﺒـﺪﻳﻞ ﻣﻮﺟـﻚ ﺑـﺮاي ﻧـﻮﻳﺰزداﺋﻲ از ﭼﻨـﺪ‬
‫ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ ارزﻳﺎﺑﻲ و ﻣﻘﺎﻳﺴﻪ ﺷﺪه اﺳﺖ‪.‬‬

‫‪1‬‬
‫)‪Partial Discharge(PD‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬

‫اﺳﺘﻔﺎده ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﻣﻌﺮﻓـﻲ و در اداﻣـﻪ‬ ‫ﺑﺎ ﻧﺼﺐ ﺳﻴﺴﺘﻢ ﻫﺎي اﻧﺪازه ﮔﻴﺮي ‪ On-line‬ﺗﺨﻠﻴـﻪ ﺟﺰﺋـﻲ‪ ،‬ﻣـﻲ‬
‫ﻣﻘﺎﻳﺴﻪ اﺋﻲ ﺑﻴﻦ ﻧﻮﻳﺰ زداﺋﻲ ﺑـﺎ اﺳـﺘﻔﺎده از اﻳـﻦ اﺗـﻢ ﻫـﺎ و ﺗﺒـﺪﻳﻞ‬ ‫ﺗــﻮان ﺑــﻪ ارزﻳـﺎﺑﻲ وﺿــﻌﺖ ﻋــﺎﻳﻘﻲ ﻣﻮﺟــﻮد ﭘﺮداﺧﺘــﻪ و از ﺑــﺮوز‬
‫ﻣﻮﺟﻚ اﻧﺠﺎم ﮔﺮدﻳﺪه اﺳﺖ و ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از اﺟـﺮاي آﻧﻬـﺎ اراﺋـﻪ‬ ‫ﻧﺎﺧﻮاﺳﺘﻪ ﺧﺴﺎرات ﻓﻮق ﺟﻠﻮﮔﻴﺮي ﻧﻤـﻮد‪ .‬اﻣـﺎ ﻳﻜـﻲ از ﻣﻬﻤﺘـﺮﻳﻦ‬
‫ﺷﺪه اﻧﺪ‪.‬‬ ‫ﻣﺸﻜﻼ ت اﻧﺪازه ﮔﻴﺮي ﻫﺎي ‪ On-line‬ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ ،‬آﻏﺸﺘﻪ ﺑﻮدن‬
‫ﺳﻴﮕﻨﺎﻟﻬﺎي اﻧﺪازه ﮔﻴﺮي ﺷﺪه ﺑـﻪ ﻣﻘـﺪار زﻳـﺎدي ﻧـﻮﻳﺰ ﺑـﺎ ﻣﺎﻫﻴـﺖ‬
‫‪-2‬ﺗﺠﺰﻳﻪ ﺑﺎ اﺳﺘﻔﺎده از اﺗﻢ ﻫﺎي زﻣﺎن ﻓﺮﻛﺎﻧﺲ‬ ‫ﺗﺼﺎدﻓﻲ و ﻧﺎﺷﻲ از ﻣﻨﺎﺑﻊ ﻣﺨﺘﻠﻒ اﺳﺖ ﻛﻪ دﻗـﺖ اﻧـﺪازه ﮔﻴـﺮي را‬

‫ﻫﺪف از ﺗﺠﺰﻳﻪ ﻳﻚ ﺳﻴﮕﻨﺎل و اراﺋﻪ آن ﺑﺮ ﺣﺴﺐ ﺗﻮاﺑﻊ دﻳﮕـﺮ‪ ،‬ﺑـﻪ‬ ‫ﻛﺎﻫﺶ ﻣﻲ دﻫﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﻳﻜﻲ از ﻗﺴﻤﺖ ﻫﺎي ﻣﻬـﻢ ﺳﻴـﺴﺘﻢ ﻫـﺎي‬

‫دﺳﺖ آوردن اﻃﻼﻋﺎت ﺑﻴﺸﺘﺮي از ﺳﻴﮕﻨﺎل اﺳﺖ‪ .‬ﻳـﻚ ﺳـﻴﮕﻨﺎل را‬ ‫اﻧﺪازه ﮔﻴﺮي ‪ On-line‬ﺗﺨﻠﻴـﻪ ﺟﺰﺋـﻲ‪ ،‬واﺣـﺪ ﭘـﺮدازش ﺳـﻴﮕﻨﺎل‬

‫ﻣﻲ ﺗﻮان ﺑﻪ ﺻﻮرت ﻣﺠﻤﻮﻋﻪ اي از ﺗﻮاﺑﻊ ﻛﻪ ﺑﻪ ﺧﻮﺑﻲ در زﻣـﺎن و‬ ‫دﻳﺠﻴﺘﺎل و ﻧﻮﻳﺰ زداﺋﻲ اﺳﺖ‪ .‬ﺑﺮاي ﻧﻮﻳﺰ زداﺋـﻲ از ﺳـﻴﮕﻨﺎل ﺗﺨﻠﻴـﻪ‬

‫ﻓﺮﻛﺎﻧﺲ ﻣﺘﻤﺮﻛﺰ ﺑﺎﺷﻨﺪ‪ ،‬اراﺋﻪ ﻛﺮد‪ .‬ﺑﻪ اﻳﻦ ﺗﻮاﺑـﻊ اﺗـﻢ ﻫـﺎي زﻣـﺎن‪-‬‬ ‫ﺟﺰﺋﻲ‪ ،‬روش ﻫﺎي ﻧﺮم اﻓﺰاري ﻣﺨﺘﻠﻔﻲ ﻣﺎﻧﻨﺪ اﺳﺘﻔﺎده از ﻓﻴﻠﺘﺮﻫـﺎي‬

‫ﻓﺮﻛﺎﻧﺲ‪ 1‬ﻣﻲ ﮔﻮﻳﻨﺪ‪ .‬ﻛﻴﻔﻴﺖ و دﻗﺖ اﻃﻼﻋﺎت اراﺋﻪ ﺷﺪه ﺑـﺴﺘﻪ ﺑـﻪ‬ ‫وﻓﻘﻲ]‪ [1]-[3‬و ﻳﺎ اﺳﺘﻔﺎده از ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ]‪ [4]-[6‬وﺟﻮد دارد‪.‬‬

‫اﻧﺘﺨﺎب اﺗﻢ ﻫﺎي زﻣﺎن‪-‬ﻓﺮﻛﺎﻧﺲ دارد‪.‬‬ ‫اﻛﺜﺮ ﻣﻘﺎﻻﺗﻲ ﻛﻪ در ﺳﺎل ﻫﺎي اﺧﻴﺮ ﺑﻪ ﻣﺴﺎﻟﻪ ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل‬

‫ﻣﻨﻈﻮر از ﻳﻚ اﺗﻢ زﻣـﺎن‪-‬ﻓﺮﻛـﺎﻧﺲ‪ ،‬ﺗـﺎﺑﻌﻲ ﻣﺎﻧﻨـﺪ ) ‪g (t ) ∈ L2 ( R‬‬

‫ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﭘﺮداﺧﺘﻪ اﻧﺪ از روش ﻫﺎي ﻣﺒﺘﻨﻲ ﺑـﺮ ﺗﺒـﺪﻳﻞ ﻣﻮﺟـﻚ‬

‫اﺳﺖ ﻛﻪ ﻣﻲ ﺗﻮان ﺑﻪ ﺻﻮرت ﭘﻴﻮﺳﺘﻪ و ﻳﺎ ﮔﺴﺴﺘﻪ در زﻣﺎن ﺗﻌﺮﻳﻒ‬ ‫اﺳﺘﻔﺎده ﻛﺮده اﻧﺪ‪ .‬ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﺠﺰﻳﻪ دﻗﻴـﻖ ﺳـﻴﮕﻨﺎل‬

‫ﺷﻮد‪ .‬اﻳﻦ ﺗﺎﺑﻊ ﺑﺎﻳﺪ ﺑﻪ ﺧﻮﺑﻲ در ﺑﺎزه زﻣﺎن و ﻓﺮﻛﺎﻧﺲ ﻣﺘﻤﺮﻛﺰ ﺷـﺪه‬ ‫آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ در ﺑﺎزه ﻫﺎي ﻓﺮﻛﺎﻧـﺴﻲ ﻣﺨﺘﻠـﻒ‪ ،‬اﻃﻼﻋـﺎت ﺑـﺴﻴﺎر‬

‫ﺑﺎﺷﻨﺪ ﺗﺎ ﺑﺎ دﻗﺖ ﺧﻮﺑﻲ ﺑﺘﻮاﻧﻨﺪ ﻣﻮﻟﻔـﻪ ﻫـﺎي ﺳـﻴﮕﻨﺎل را اﺳـﺘﺨﺮاج‬ ‫ﻣﻨﺎﺳﺒﻲ از ﻣﻮﻟﻔﻪ ﻫﺎي ﻓﺮﻛﺎﻧﺴﻲ ﺳـﻴﮕﻨﺎل ﻣـﻮرد ﻧﻈـﺮ در ﻫـﺮ ﺑـﺎزه‬

‫ﻛﻨﻨﺪ‪ .‬ﻣﺠﻤﻮﻋﻪ ﺑﺰرﮔـﻲ از اﺗـﻢ ﻫـﺎي زﻣـﺎن‪-‬ﻓﺮﻛـﺎﻧﺲ را ﺑـﺎ ﺗﻐﻴﻴـﺮ‬ ‫ﻓﺮﻛﺎﻧﺴﻲ ﺑﻪ دﺳـﺖ ﻣـﻲ دﻫـﺪ و ﺑـﺎ ﻛﻤـﻚ ﺗﻌﻴـﻴﻦ آﺳـﺘﺎﻧﻪ ﺑـﺮاي‬

‫ﻣﻘﻴـــﺎس‪ ،2‬ﺟﺎﺑـــﻪ ﺟـــﺎﺋﻲ‪ 3‬و ﻣﺪوﻻﺳـــﻴﻮن‪ 4‬ﺗـــﺎﺑﻊ ﭘﻨﺠـــﺮه اي‬ ‫ﺟﺪاﺳﺎزي ﺳﻴﮕﻨﺎل اﺻﻠﻲ از ﻧﻮﻳﺰ در ﺑﺎزه ﻫﺎي ﻣﺨﺘﻠﻒ‪ ،‬ﺑـﻪ ﺧـﻮﺑﻲ‬

‫) ‪ g (t ) ∈ L2 ( R‬ﻣﻲ ﺗﻮان ﺑﻪ ﻣﻮﺟﻮد آورد‪ .‬ﺑﺮاي ﻫﺮ ﻣﺘﻐﻴﺮ ﻣﻘﻴـﺎس‬ ‫ﻣﻲ ﺗﻮاﻧﺪ ﻧﻮﻳﺰﻫﺎي ﺑﺎﻧﺪ ﭘﻬﻦ را ﺣﺬف ﻛﻨﺪ‪ .‬اﻣﺎ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺒـﺪﻳﻞ‬

‫و ﻣﺪوﻻﺳﻴﻮن ﻓﺮﻛﺎﻧﺴﻲ ‪ ξ‬و ﻣﺘﻐﻴﺮ اﻧﺘﻘﺎل ‪ ، u‬اﻳﻦ اﺗﻢ ﻫـﺎ‬ ‫‪s>0‬‬

‫ﻣﻮﺟﻚ ﺑﺮاي ﻧﻮﻳﺰزداﺋﻲ از ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ ،‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺷﻜﻞ ﻣﻮﺟﻚ‬

‫ﺑﻪ ﺻﻮرت زﻳﺮ ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮﻧﺪ‪:‬‬ ‫ﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده در اﻳﻦ ﺗﺒﺪﻳﻞ‪ ،‬ﺷـﻜﻞ ﻇـﺎﻫﺮي ﺳـﻴﮕﻨﺎل ﺗﺨﻠﻴـﻪ‬

‫‪1 ⎛ t −u ⎞ jξ t‬‬ ‫ﺟﺰﺋﻲ را ﻧﻤﻲ ﺗﻮان ﺑﻪ ﺧﻮﺑﻲ ﺑﺎزﺳﺎزي ﻛﺮد ﺑﻪ ﺧﺼﻮص اﮔﺮ ﻧﺴﺒﺖ‬
‫= ) ‪g γ (t‬‬ ‫⎜‪g‬‬ ‫‪⎟e‬‬ ‫) ‪(1‬‬
‫⎠ ‪s ⎝ s‬‬ ‫ﺳﻴﮕﻨﺎل ﺑﻪ ﻧﻮﻳﺰ ﻛﻮﭼﻚ ﺑﺎﺷﺪ‪.‬‬
‫ﺷﺎﺧﺺ ) ‪ γ = ( s, u , ξ‬ﻋﻨﺼﺮي از ﻣﺠﻤﻮﻋﻪ ‪ Γ = R + × R 2‬اﺳﺖ‪،‬‬ ‫ﺑﻨﺎﺑﺮاﻳﻦ اﮔﺮ ﺑﺘﻮان ﺳﻴﮕﻨﺎل را ﺑﻪ ﺻﻮرت ﺗﻄﺒﻴﻘﻲ و ﺑﺎ اﺳﺘﻔﺎده از اﺗﻢ‬
‫ﺧﺎﻧﻮاده ‪ D = ( g γ (t ))γ ∈Γ‬داراي اﻓﺰوﻧﮕﻲ زﻳﺎدي اﺳﺖ‪ .‬ﺑﺮاي اراﺋﻪ‬
‫‪5‬‬
‫ﻫﺎﺋﻲ ﻛﻪ ﺑﻴﺸﺘﺮﻳﻦ ﺷﺒﺎﻫﺖ را ﺑﻪ ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ داﺷﺘﻪ ﺑﺎﺷـﻨﺪ‬
‫ﻛﺎراﻣﺪ )‪ f(t‬ﺑﻪ ﺻﻮرت ﻣﺠﻤﻮﻋﻪ اي از ﭼﻨﺪ اﺗﻢ زﻣـﺎن‪-‬ﻓﺮﻛـﺎﻧﺲ‪،‬‬ ‫ﺗﺠﺰﻳﻪ ﻛﺮد‪ ،‬ﻧﻮﻳﺰزداﺋﻲ را ﺑﺎ ﻛﻴﻔﻴﺖ و دﻗﺖ ﺑﺎﻻﺗﺮي ﻣﻲ ﺗﻮان اﻧﺠﺎم‬
‫ﺑﺎﻳــﺪ ﻳــﻚ زﻳﺮﻣﺠﻤﻮﻋــﻪ ﻣﻨﺎﺳــﺐ و ﺷــﻤﺎرش ﭘــﺬﻳﺮ از اﺗــﻢ‬ ‫داد‪ .‬ﺑﺮاي ﺗﺠﺰﻳـﻪ ﺳـﻴﮕﻨﺎل ﺑـﻪ ﺻـﻮرت ﺗﻄﺒﻴﻘـﻲ و ﺑـﺎ اﺳـﺘﻔﺎده از‬
‫ﻫﺎي ‪ ( g γn (t )) n∈N‬اﻧﺘﺨﺎب ﻛﺮد ﻛـﻪ ) ‪ ، γ n = ( s n , u n , ξ n‬و در اﻳـﻦ‬ ‫ﻣﺠﻤﻮﻋﻪ اي از اﺗﻢ ﻫﺎي ﻣﺸﺨﺺ‪ ،‬از اﻟﮕـﻮرﻳﺘﻢ ﻫـﺎي ﺟـﺴﺘﺠﻮﮔﺮ‬
‫وﻓﻘﻲ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬
‫‪1‬‬ ‫در اﻳﻦ ﻣﻘﺎﻟﻪ‪ ،‬ﭘﺲ از ﻣﻌﺮﻓﻲ اﺗﻢ ﻫﺎي زﻣﺎن‪-‬ﻓﺮﻛـﺎﻧﺲ و اﻟﮕـﻮرﻳﺘﻢ‬
‫‪Time-Frequency Atom‬‬
‫‪2‬‬
‫‪Scaling‬‬ ‫ﻫﺎي ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ‪ ،‬ﻧﻮﻳﺰزداﺋﻲ ﺑﺎ اﺳﺘﻔﺎده از اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻫـﺎ ‪،‬‬
‫‪3‬‬
‫‪Translation‬‬
‫‪4‬‬ ‫ﺷﺮح داده ﺷﺪه و دو ﺧﺎﻧﻮاده از اﺗﻢ ﻫـﺎي زﻣـﺎن‪-‬ﻓﺮﻛـﺎﻧﺲ ﻣـﻮرد‬
‫‪Modulation‬‬
‫‪5‬‬
‫‪Redundancy‬‬

‫‪٢‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬

‫ﻣﻲ ﻛﻨﻴﻢ‪ .‬ﺑﺮاي ﮔﺴﺘﺮش ﺧﻄﻲ ﺗﺎﺑﻊ ﻣﻮرد ﻧﻈﺮ ‪ ، f‬ﺗﻮﺳﻂ ﻣﺠﻤﻮﻋـﻪ‬ ‫ﺻﻮرت‪ ،‬ﺑﺎ اﺗﻢ ﻫﺎي اﻳﻦ ﻣﺠﻤﻮﻋﻪ ﻣﻲ ﺗﻮان )‪ f(t‬را ﺑﻪ ﺻﻮرت زﻳـﺮ‬
‫اي از ﺑﺮدارﻫﺎي اﻧﺘﺨﺎب ﺷﺪه از ‪ D‬ﺑﻪ ﺻﻮرت )‪ ،(4‬ﺑﻪ ﮔﻮﻧﻪ اي ﻛﻪ‬ ‫ﻧﻮﺷﺖ]‪:[7‬‬
‫∞‪+‬‬
‫) ‪f (t ) = ∑ an g γ n (t‬‬
‫ﺑﻬﺘﺮﻳﻦ ﺗﻄﺎﺑﻖ را ﺑﺎ ﺳﺎﺧﺘﺎر داﺧﻠﻲ آن داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬ﺑﺎﻳـﺪ ﺿـﺮاﻳﺐ‬ ‫) ‪(2‬‬
‫‪n =0‬‬
‫ﮔﺴﺘﺮش ‪ an‬را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﻢ‪ .‬اﻳﻦ ﻛﺎر را ﻣﻲ ﺗﻮان ﺑﺎ ﺗﻘﺮﻳـﺐ ﻫـﺎي‬
‫‪ an‬ﻛﻪ ﺑﻪ آن ﺿﺮﻳﺐ ﮔﺴﺘﺮش‪ 1‬ﻣﻲ ﮔﻮﻳﻨﺪ از ﺿﺮب داﺧﻠـﻲ ﺗـﺎﺑﻊ‬
‫ﻣﺘﻮاﻟﻲ ‪ ،f‬ﺗﻮﺳﻂ اﻧﻌﻜﺎس‪ 3‬آن ﺑﺮ روي ﻋﻨﺎﺻﺮ ﻣﺠﻤﻮﻋﻪ ‪ D‬اﻧﺠـﺎم‬
‫)‪ f(t‬در ﺗﻮاﺑﻊ ) ‪ g γ n (t‬ﺑﻪ دﺳﺖ ﻣﻲ آﻳﺪ‪:‬‬
‫داد‪ .‬در اﻳﻦ ﺻﻮرت ‪ f‬را ﺑﻪ ﺻﻮرت زﻳﺮ ﻣﻲ ﺗﻮان ﺗﺠﺰﻳﻪ ﻛﺮد‪:‬‬
‫∞‪+‬‬
‫‪an = [< f (t ), g γ n (t ) >] = ∫ f (t ) g γ*n (t )dt‬‬ ‫) ‪(3‬‬
‫‪f =< f , g γ 0 > g γ 0 + Rf‬‬ ‫) ‪(5‬‬ ‫∞‪−‬‬

‫ﻛﻪ ‪ Rf‬ﺑﺮدار ﺑﺎﻗﻴﻤﺎﻧﺪه ﭘﺲ از ﺗﻘﺮﻳﺐ ‪ f‬در ﺟﻬﺖ ‪ g γ 0‬اﺳﺖ و ﺑـﺎ‬

‫ﺗﻮﺟﻪ ﺑﻪ ﺿﺮب داﺧﻠﻲ اﻧﺠـﺎم ﺷـﺪه ‪ g γ 0‬و ‪ Rf‬ﻣﺘﻌﺎﻣـﺪ‪ 4‬ﻫـﺴﺘﻨﺪ‪،‬‬ ‫اﮔـــﺮ ﺑـــﻪ ﺟـــﺎي اراﺋـــﻪ ﺗـــﺎﺑﻊ )‪ f(t‬ﺑـــﺎ ﻫﻤـــﻪ اﻋـــﻀﺎي‬

‫ﺑﻨﺎﺑﺮاﻳﻦ‬ ‫ﻣﺠﻤﻮﻋـــﻪ ‪ D = {g γ n (t )}n∈N‬و ﻣﺤﺎﺳـــﺒﻪ ‪ ، an‬ﺑـــﺮاي ﺗﻤـــﺎم‬

‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪ {g γ n (t )}n∈N‬ﻫﺎ‪ ،‬ﺗﻨﻬـﺎ ﺑـﺮاي ‪ M‬ﻋـﻀﻮ اول ﻣﺠﻤﻮﻋـﻪ ‪، D‬‬
‫‪f‬‬ ‫‪= < f , g γ 0 > + Rf‬‬ ‫) ‪(6‬‬
‫ﺿﺮاﻳﺐ ﮔﺴﺘﺮش را ﻣﺤﺎﺳﺒﻪ ﻛﻨﻴﻢ‪ ،‬ﻣﻲ ﺗﻮان ﺗﻘﺮﻳﺒﻲ از ﺗﺎﺑﻊ )‪ f(t‬ﺑـﺎ‬
‫ﺑﺮاي ﻛﻤﻴﻨﻪ ﻛﺮدن ‪ ، Rf‬ﺑﺎﻳـﺪ ‪ gγ 0 ∈ D‬را ﺑـﻪ ﮔﻮﻧـﻪ اي اﻧﺘﺨـﺎب‬
‫‪ M‬ﻋﻀﻮ اول ﻣﺠﻤﻮﻋﻪ ‪ D‬ﺑﻪ ﺻﻮرت زﻳﺮ اراﺋﻪ ﻛﺮد]‪:[7‬‬
‫ﻛﻨﻴﻢ ﻛﻪ > ‪ < f , g γ 0‬ﺑﻴﺸﺘﺮﻳﻦ ﻣﻘﺪار ﺧﻮد را اﺧﺘﻴﺎر ﻛﻨﺪ‪ .‬ﻳﻌﻨﻲ‪:‬‬ ‫‪M −1‬‬

‫> ‪g γ 0 = arg max < f , g γ‬‬ ‫) ‪(7‬‬ ‫= ) ‪f M (t‬‬ ‫‪∑ a gγ‬‬

‫‪n =0‬‬
‫‪n‬‬ ‫‪n‬‬ ‫) ‪(t‬‬ ‫) ‪(4‬‬
‫‪γ‬‬
‫اﮔﺮ ﺑﺨﻮاﻫﻴﻢ ﺗﺎﺑﻊ )‪ f(t‬را ﺑﺎ ‪ M‬ﻋﻀﻮ از ﻣﺠﻤﻮﻋﻪ ‪ D‬ﺑﻪ ﮔﻮﻧـﻪ اي‬
‫روش‪ MP‬ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺑﺎ ﺗﻜﺮار اﺳﺖ و ﻣﻘﺪار ﺑﺎﻗﻴﻤﺎﻧـﺪه ‪ Rf‬در‬
‫ﺗﻘﺮﻳﺐ ﺑﺰﻧﻴﻢ ﻛﻪ ﺧﻄﺎي ﺗﻘﺮﻳﺐ ﺑﻪ ﺣﺪاﻗﻞ ﺑﺮﺳﺪ‪ ،‬ﺑﺎﻳﺪ ﺑـﻪ ﺻـﻮرت‬
‫ﻫﺮ ﻣﺮﺣﻠﻪ را ﺑﺎ اﻧﻌﻜـﺎس آن ﺑـﺮ ﺑﺮدارﻫـﺎي ‪ ،D‬ﺑـﻪ ﺻـﻮرﺗﻲ ﻛـﻪ‬
‫ﺗﻄﺒﻴﻘﻲ ‪ M‬ﺗﺎﺑﻊ از ﻣﺠﻤﻮﻋﻪ ‪ D‬را ﺑﺮاي اراﺋﻪ ﺗـﺎﺑﻊ )‪ f(t‬اﻧﺘﺨـﺎب‬
‫ﺑﻴﺸﺘﺮﻳﻦ ﺗﻄﺎﺑﻖ را ﺑﺎ آن داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﺗﺠﺰﻳﻪ ﻣﻲ ﻛﻨﺪ‪.‬‬
‫ﻛﻨﻴﻢ‪ .‬ﺑﺮاي اﻳﻦ ﻛﺎر از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‬
‫> ‪g γn = arg max < R n f , g γ‬‬ ‫) ‪(8‬‬
‫‪γ ∈Γ‬‬ ‫ﻛﻪ در اداﻣﻪ ﺷﺮح داده ﻣﻲ ﺷﻮد‪.‬‬
‫‪n +1‬‬
‫‪R‬‬ ‫‪f = R f − [< R f , g γ n > ] g γ n‬‬
‫‪n‬‬ ‫‪n‬‬
‫) ‪(9‬‬
‫‪ R f‬ﻣﻘﺪار ﺑﺎﻗﻴﻤﺎﻧﺪه در ﻣﺮﺣﻠﻪ ‪n‬ام اﺳﺖ و ‪ . R f = f‬ﭘـﺲ از‬
‫‪0‬‬ ‫‪0‬‬
‫‪2‬‬
‫‪ -3‬اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ ﺗﻄﺒﻴﻘﻲ ) ‪[7](MP‬‬
‫‪ m‬ﻣﺮﺣﻠﻪ ﺗﻜﺮار ﺧﻮاﻫﻴﻢ داﺷﺖ‪:‬‬
‫ﻣﺴﺌﻠﻪ اﺻﻠﻲ ﺗﺠﺰﻳﻪ زﻣﺎن‪-‬ﻓﺮﻛﺎﻧﺴﻲ ﺳﻴﮕﻨﺎل‪ ،‬ﭘﻴﺪا ﻛـﺮدن ﻓﺮاﻳﻨـﺪي‬
‫‪⎧ m −1‬‬ ‫⎫‬
‫‪f = ⎨ ∑ ⎡⎣ < R n f , g γ n > ⎤⎦ g γ n ⎬ + R m f‬‬ ‫)‪(10‬‬ ‫ﺑﺮاي ﮔﺴﺘﺮش ﺳﻴﮕﻨﺎل ﺑﺎ ﻣﺠﻤﻮﻋﻪ اي از ﺗﻮاﺑﻊ اﺳﺖ ﻛﻪ ﺑﻪ ﺻﻮرت‬
‫‪⎩ n =0‬‬ ‫⎭‬
‫اﺟﺮاي اﻟﮕﻮرﻳﺘﻢ‪ ،‬زﻣﺎﻧﻲ ﻣﺘﻮﻗﻒ ﻣﻲ ﺷﻮد ﻛـﻪ ‪ R n +1 f ≤ ε‬ﮔـﺮدد‪.‬‬ ‫ﻣﻨﺎﺳﺒﻲ از ﻣﺠﻤﻮﻋﻪ اي ﺑﺰرگ و ﺑﺎ اﻓﺰوﻧﮕﻲ زﻳﺎد اﻧﺘﺨﺎب ﺷﺪه اﻧﺪ‪.‬‬
‫ﭘﺲ از ‪ m‬ﻣﺮﺣﻠﻪ ﺗﻜﺮار ﺑﺎ ﻣﻘﺎدﻳﺮ ‪ ، (< R n f , g γn >, γ n ) 0≤n≤m‬ﻣﻲ‬ ‫ﺑﺮاي اﻳﻦ ﻛﺎر از ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﻛﻠﻲ ﻛﻪ ﺑﻪ آن اﻟﮕﻮرﻳﺘﻢ ﺟـﺴﺘﺠﻮﮔﺮ‬
‫ﺗﻮان ﺳﻴﮕﻨﺎل را ﺑﻪ ﺻﻮرت ﺗﻘﺮﻳﺒﻲ ﺑﺎزﺳـﺎزي ﻛـﺮد و ﻣﻘـﺪار ﺧﻄـﺎ‬ ‫ﻣﻲ ﮔﻮﻳﻨﺪ اﺳـﺘﻔﺎده ﻣـﻲ‬ ‫ﺗﻄﺒﻴﻘﻲ و ﻳﺎ ﺑﻪ ﺻﻮرت اﺧﺘﺼﺎر ‪MP‬‬
‫ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬ ‫‪Rm f‬‬ ‫ﺑﺮاﺑﺮ ﺑﺎ‬ ‫ﺷﻮد‪.‬‬
‫‪m −1‬‬
‫ﻣﺠﻤﻮﻋﻪ اي را ﺑﻪ ﺻﻮرت ﺧﺎﻧﻮاده ‪ D = ( g γ )γ ∈Γ‬ﺷـﺎﻣﻞ ﺗﻮاﺑـﻊ‬
‫‪f ≈ ∑ ⎡⎣ < R n f , g γ n > ⎤⎦ g γ n‬‬ ‫)‪(11‬‬
‫‪n =0‬‬ ‫‪ ، g γ‬ﺑﻪ ﮔﻮﻧﻪ اي ﻛﻪ اﻧﺮژي اﻳﻦ اﺗﻢ ﻫﺎ ﻣﻘﺪار واﺣﺪ ﺑﺎﺷـﺪ ﺗﻌﺮﻳـﻒ‬

‫‪3‬‬ ‫‪1‬‬
‫‪Projection‬‬ ‫‪Expansion Coefficients‬‬
‫‪4‬‬ ‫‪2‬‬
‫‪Orthogonal‬‬ ‫‪Matching Pursuit‬‬

‫‪٣‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬

‫ﺷﻜﻞ‪1-‬روﻧﺪ ﻧﻤﺎي ﻧﻮﻳﺰ زداﺋـﻲ ﺑـﺎ روش ‪ ،MP‬ﭘـﺲ از اﻧﺘﺨـﺎب‬ ‫‪-1-3‬ﻧﻮﻳﺰ زداﺋﻲ ﺑﺎ اﺳـﺘﻔﺎده از اﻟﮕـﻮرﻳﺘﻢ ﺟـﺴﺘﺠﻮﮔﺮ‬
‫ﻣﺠﻤﻮﻋﻪ ﻣﻨﺎﺳﺐ و ﺗﻌﻴﻴﻦ ﻣﻘﺪار ﺧﻄﺎ ﺑﺮاي اﺗـﻢ ﻫـﺎي ﻣﺠﻤﻮﻋـﻪ را‬
‫ﺗﻄﺒﻴﻘﻲ‬
‫ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫ﺑﺎ اﻧﺘﺨﺎب اﺗﻤﻬﺎي زﻣﺎن‪-‬ﻓﺮﻛﺎﻧﺴﻲ ﺑﻪ ﻧﺤﻮي ﻛﻪ ﺑﻴﺸﺘﺮﻳﻦ ﺗﻄـﺎﺑﻖ را‬
‫ﻣـﻲ ﺗـﻮان‬ ‫ﺑﺎ ﺳﺎﺧﺘﺎر ﺳﻴﮕﻨﺎل‪ f‬داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﺑﺎ دﻗـﺖ ﺑﻴـﺸﺘﺮي‬
‫ﺳﻴﮕﻨﺎل را ﺑـﺎ اﺗـﻢ ﻫـﺎي زﻣـﺎن‪-‬ﻓﺮﻛـﺎﻧﺲ اراﺋـﻪ ﻛـﺮد و ﺑﻴـﺸﺘﺮﻳﻦ‬
‫‪R0 f = f‬‬ ‫اﻃﻼﻋﺎت را از ﺳﻴﮕﻨﺎل اﺳﺘﺨﺮاج ﻛﺮد‪ .‬ﻫـﺮ ﭼـﻪ اﺗـﻢ ﻫـﺎي زﻣـﺎن‪-‬‬
‫ﻓﺮﻛﺎﻧﺲ ﺗﻄﺎﺑﻖ ﺑﻴﺸﺘﺮي ﺑﺎ ﺳﻴﮕﻨﺎل داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ اﺗﻢ‬
‫> ‪g γ n = arg max < R f , g γ‬‬ ‫‪n‬‬

‫‪γ ∈Γ‬‬ ‫ﻫﺎي ﻣﺠﻤﻮﻋﻪ ﺑﺎ ﺳﻴﮕﻨﺎل ﺑﻴﺸﺘﺮ ﺷﺪه و ﺑﺎ ﺗﻌﺪاد اﺗﻢ ﻫـﺎي ﻛﻤﺘـﺮي‬
‫ﻣﻲ ﺗﻮان ﺳﻴﮕﻨﺎل ‪ f‬را اراﺋﻪ و ﺑﺎزﺳﺎزي ﻛﺮد‪ .‬ﻧﺴﺒﺖ ﻫﻤﺒﺴﺘﮕﻲ‪ 1‬ﺑﻴﻦ‬
‫‪n +1‬‬
‫‪R‬‬ ‫‪f = R f − [ < R f , g γ n > ]g γ n‬‬
‫‪n‬‬ ‫‪n‬‬

‫ﺑﺎﻗﻴﻤﺎﻧﺪه ﻫﺎي ﺳﻴﮕﻨﺎل در ﻫﺮ ﻣﺮﺣﻠـﻪ ‪ R n f‬و اﺗـﻢ ﻫـﺎي زﻣـﺎن‪-‬‬

‫= ) ‪λ (R n f‬‬
‫> ‪< R n f , g γn‬‬ ‫ﻣﻲ ﺷﻮد‪:‬‬ ‫ﻓﺮﻛﺎﻧﺲ ) ‪ g γn (t‬را ﺑﻪ ﺻﻮرت زﻳﺮ ﺗﻌﺮﻳﻒ‬
‫‪Rn f‬‬
‫> ‪< R nf , gγ‬‬
‫‪λ (R n f ) = max‬‬ ‫)‪(12‬‬
‫‪γ ∈Γ‬‬ ‫‪R nf‬‬
‫) ‪λ (R n f ) ≤ Erg ( n‬‬ ‫ﺑﺎ اﺟﺮاي اﻟﮕﻮرﻳﺘﻢ ‪ MP‬ﺑﻪ ﻧﺤﻮي ﻛﻪ ﺑﻴﺎن ﺷﺪ‪ ،‬ﻧﺴﺒﺖ ﻫﻤﺒـﺴﺘﮕﻲ‬
‫ﺑﻴﻦ ﺑﺎﻗﻴﻤﺎﻧﺪه ﻫﺎي ﺳـﻴﮕﻨﺎل و اﺗـﻢ ﻫـﺎي زﻣـﺎن‪-‬ﻓﺮﻛـﺎﻧﺲ در ﻫـﺮ‬
‫ﻣﺮﺣﻠﻪ‪ ،‬ﻧﺴﺒﺖ ﺑﻪ ﻣﺮﺣﻠﻪ ﻗﺒﻞ ﻛﺎﻫﺶ ﻣﻲ ﻳﺎﺑﺪ‪ .‬ﺑﺮاي ﺳـﻴﮕﻨﺎل ﻧـﻮﻳﺰ‪،‬‬
‫‪m −1‬‬ ‫ﻫﻤﺒﺴﺘﮕﻲ ﻗﺎﺑﻞ ﺗﻮﺟﻬﻲ ﺑﻴﻦ اﺗﻢ ﻫﺎي زﻣﺎن‪-‬ﻓﺮﻛﺎﻧﺲ اﻧﺘﺨﺎب ﺷـﺪه‬
‫‪f ≈ σ ∑ [< R n f , g γ n > ]g γ n‬‬
‫‪n =0‬‬
‫ﺑﺮاي ﺗﺠﺰﻳﻪ ﺳﻴﮕﻨﺎل و ﻧﻮﻳﺰ وﺟﻮد ﻧﺪارد و ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺑـﻴﻦ‬
‫ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰ و اﻳﻦ اﺗﻢ ﻫﺎ در ﻫﺮ ﺗﻜﺮار اﻟﮕﻮرﻳﺘﻢ ‪ MP‬ﺗﻐﻴﻴﺮ ﻗﺎﺑﻞ‬
‫ﺷﻜﻞ‪ -1-‬روﻧﺪ ﻧﻤﺎي ﻧﻮﻳﺰ زداﺋﻲ ﺑﺎ روش ‪MP‬‬ ‫ﻣﻼﺣﻈﻪ اي ﻧﻤﻲ ﻛﻨﺪ و ﺳﺮﻳﻊ ﺑﻪ ﻣﻘﺪاري ﻛﻪ ﺑﻪ اﺗﻢ ﻫﺎي ﻣﺠﻤﻮﻋﻪ‬
‫و اﻧﺤﺮاف ﻣﻌﻴﺎر ﻧﻮﻳﺰ ﺑﺴﺘﮕﻲ دارد‪ ،‬ﻫﻤﮕﺮا ﻣﻲ ﺷﻮد]‪.[7‬‬
‫‪ -4‬اﻧﺘﺨﺎب ﭘﺎراﻣﺘﺮ ﻫﺎي ﺷﺒﻴﻪ ﺳﺎزي‬ ‫ﺑﻪ ﻣﻨﻈﻮر اﺳﺘﺨﺮاج ﺳﻴﮕﻨﺎل اﺻﻠﻲ از ﺳﻴﮕﻨﺎل آﻏﺸﺘﻪ ﺑﻪ ﻧـﻮﻳﺰ اﺑﺘـﺪا‬
‫ﺑﺮاي ﺑﺮرﺳﻲ و ﻣﻘﺎﻳﺴﻪ ﻋﻤﻠﻜﺮد روش ﻫﺎي ﻣﺨﺘﻠﻒ ﻧﻮﻳﺰ زداﺋﻲ از‬ ‫ﺑﺎﻳﺪ ﻣﺠﻤﻮﻋﻪ ﻣﻨﺎﺳﺐ اﺗﻢ ﻫـﺎي زﻣـﺎن‪-‬ﻓﺮﻛـﺎﻧﺲ اﻧﺘﺨـﺎب ﺷـﻮد و‬
‫ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ ،‬ﺑﻪ اراﺋـﻪ و ﺗﻌﺮﻳـﻒ ﻣـﺪل ﺳـﻴﮕﻨﺎل ﺗﺨﻠﻴـﻪ‬ ‫ﺳﭙﺲ اﻟﮕﻮرﻳﺘﻢ ‪ MP‬ﺑﺮاي ﺳﻴﮕﻨﺎل آﻏـﺸﺘﻪ ﺑـﻪ ﻧـﻮﻳﺰ اﺟـﺮا ﺷـﻮد‪.‬‬
‫ﺟﺰﺋﻲ و ﻧﻮﻳﺰ ﻫﺎي و اﻏﺘﺸﺎﺷﺎت ﻣﺨﺘﻠﻒ و ﻣﻮﺛﺮ در اﻧـﺪازه ﮔﻴـﺮي‬ ‫اﺟﺮاي اﻟﮕﻮرﻳﺘﻢ‪ ،‬زﻣﺎﻧﻲ ﻣﺘﻮﻗـﻒ ﻣـﻲ ﺷـﻮد ﻛـﻪ ﻣﻘـﺪار ) ‪λ ( R n f‬‬
‫ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﻧﻴﺎز اﺳﺖ‪ .‬ﻫﻤﭽﻨﻴﻦ ﺑﺎﻳﺪ ﻣﻌﻴﺎر ﻫـﺎي ﻣﻨﺎﺳـﺒﻲ ﺑـﺮاي‬ ‫ﻣﺴﺎوي و ﻳﺎ ﻛﻮﭼﻜﺘﺮ از ﻣﻘﺪار ﺧﻄﺎي ﺗﻌﻴﻴﻦ ﺷﺪه) ) ‪ ( Erg ( n‬ﺷـﻮد‪.‬‬
‫ارزﻳﺎﺑﻲ روش ﻫﺎي ﻧﻮﻳﺰ زداﺋﻲ ﺗﻌﺮﻳﻒ ﺷﻮﻧﺪ‪.‬‬ ‫ﺳــــﭙﺲ ﺳــــﻴﮕﻨﺎل ﻧــــﻮﻳﺰداﺋﻲ ﺷــــﺪه ﺑــــﺎ ﺑﺮدارﻫــــﺎي‬
‫‪ ([< R n f , g λ n >]g λ n )1≤n <m‬ﺗﺨﻤﻴﻦ زده ﻣﻲ ﺷﻮد ﻛﻪ ﻋﺪد ‪m‬‬
‫‪ -1-4‬ﻣﺪل ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬ ‫ﺑﻴﺎﻧﮕﺮ آﺧﺮﻳﻦ ﺗﻜﺮار اﺳﺖ‪.‬‬

‫ﺑﺮاي ﺷﺒﻴﻪ ﺳﺎزي ﺳـﻴﮕﻨﺎل ﺗﺨﻠﻴـﻪ ﺟﺰﺋـﻲ اﻧـﺪازه ﮔﻴـﺮي ﺷـﺪه ﺑـﺎ‬
‫ﺣﺴﮕﺮﻫﺎي اﻟﻜﺘﺮﻳﻜﻲ‪ ،‬دو ﻣﺪل اﺻﻠﻲ وﺟﻮد دارد‪ .‬ﻣﺪل اول ﻳـﻚ‬
‫‪1‬‬
‫‪Correlation Ratio‬‬

‫‪۴‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬

‫‪-2-4‬ﻣﺪل ﺳﺎزي ﻧﻮﻳﺰ‬ ‫ﺗﺎﺑﻊ ﻧﻤﺎﺋﻲ ﻣﻴﺮا ﺷﻮﻧﺪه‪ 1‬اﺳﺖ ﻛـﻪ ﺑـﻪ ﺻـﻮرت زﻳـﺮ ﺗﻌﺮﻳـﻒ ﻣـﻲ‬

‫ﻣﻬﻤﺘﺮﻳﻦ ﻣﻨﺎﺑﻊ ﻧﻮﻳﺰ و اﻏﺘﺸﺎش در اﻧﺪازه ﮔﻴـﺮي ﺳـﻴﮕﻨﺎل ﺗﺨﻠﻴـﻪ‬ ‫ﺷﻮد]‪:[8‬‬

‫⎧‬ ‫‪t −t‬‬
‫‪− 0‬‬
‫ﺟﺰﺋﻲ ﻋﺒﺎرﺗﻨﺪ از ﻧﻮﻳﺰﻫﺎي ﺳﻴﻨﻮﺳﻲ ﭘﻴﻮﺳـﺘﻪ ‪ ،‬ﻧﻮﻳﺰﻫـﺎي ﺗـﺼﺎدﻓﻲ‬ ‫‪⎪x (t ) = Ae τ‬‬ ‫‪t ≥ t0‬‬
‫⎨‬ ‫)‪(13‬‬
‫ﻧﺎﺷﻲ از ﺣﺎﻟﺖ ﻫﺎي ﮔﺬرا و ﻛﻠﻴﺪ زﻧﻲ و ﻧﻮﻳﺰﻫﺎي ﻧﺎﺷﻲ از ﺳﻴﺴﺘﻢ‬ ‫‪⎩⎪x (t ) = 0‬‬ ‫‪t < t0‬‬

‫اﻧﺪازه ﮔﻴﺮي ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ .‬در اﻳﻦ ﺑﺨﺶ‪ ،‬ﭼﮕﻮﻧﮕﻲ ﻣـﺪل ﺳـﺎزي‬ ‫ﻛﻪ ‪ τ‬ﺿﺮﻳﺐ ﻣﻴﺮاﺋﻲ‪ t 0 ،‬زﻣﺎن ﺑﺮوز ﺳﻴﮕﻨﺎل و ‪ A‬داﻣﻨـﻪ ﺳـﻴﮕﻨﺎل‬
‫اﻳﻦ ﻧﻮﻳﺰ ﻫﺎي ﺑﺮاي اﺳﺘﻔﺎده در ﺷﺒﻴﻪ ﺳﺎزي ﻫﺎ ﺷﺮح داده ﻣﻲ ﺷﻮد‪.‬‬ ‫اﺳﺖ‪ .‬ﺷﻜﻞ‪ 2-‬ﻧﻤﻮﻧﻪ اي از ﺳﻴﮕﻨﺎل ﻧﻤﺎﺋﻲ ﻣﻴـﺮا ﺷـﻮﻧﺪه را ﻧـﺸﺎن‬
‫ﻣﻲ دﻫﺪ‪.‬‬

‫اﻟﻒ(ﻧﻮﻳﺰﻫﺎي ﺳﻴﻨﻮﺳﻲ‬
‫ﻧﻮﻳﺰﻫـــﺎي ﺳﻴﻨﻮﺳـــﻲ ﭘﻴﻮﺳـــﺘﻪ اﻣـــﻮاج رادﻳـــﻮﺋﻲ ‪ FM ،AM‬و‬
‫ﺳﻴﮕﻨﺎﻟﻬﺎي ارﺳﺎﻟﻲ ﺗﻮﺳﻂ اﻳﺴﺘﮕﺎه ﻫﺎي ﻣﺨـﺎﺑﺮاﺗﻲ ﺳـﻴﺎر را ﺷـﺎﻣﻞ‬
‫ﻣﻲ ﺷﻮﻧﺪ‪ .‬اﻣﻮاج رادﻳﻮﺋﻲ ‪ FM‬و اﻳﺴﺘﮕﺎه ﻫﺎي ﻣﺨﺎﺑﺮاﺗﻲ ﺳﻴﺎر ﺑـﻪ‬
‫دﻟﻴﻞ اﻳﻨﻜﻪ ﻓﺮﻛﺎﻧﺴﻲ ﺑﺎﻻﺗﺮ از ﭘﻬﻨـﺎي ﺑﺎﻧـﺪ ﻣﺘـﺪاول ﺳﻴـﺴﺘﻢ ﻫـﺎي‬
‫ﺷﻜﻞ‪-2-‬ﺳﻴﮕﻨﺎل ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه ﺑﺎ ﺗﺎﺑﻊ ﻧﻤﺎﺋﻲ ﻣﻴﺮاﺷﻮﻧﺪه‬
‫اﻧﺪازه ﮔﻴﺮي ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ)در ﺣﺪود ﭼﻨﺪ ده ﻣﮕﺎﻫﺮﺗﺰ( دارﻧﺪ ﺗـﺎﺛﻴﺮ‬
‫ﺑﺴﻴﺎر ﻛﻤﻲ ﺑﺮ ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ دارﻧﺪ‪ .‬ﺑﻨﺎﺑﺮاﻳﻦ ﺗﻨﻬـﺎ ﺑﺎﻳـﺪ اﺛـﺮ‬
‫ﻣﺪل دﻳﮕﺮ ﺗﺎﺑﻊ ﻣﻴﺮا ﺷﻮﻧﺪه ﻧﻮﺳﺎﻧﻲ اﺳﺖ]‪:[8‬‬
‫اﻣﻮاج رادﻳﻮﺋﻲ‪ AM‬را در ﻧﻈﺮ ﮔﺮﻓﺖ‪ .‬ﭘﻬﻨﺎي ﺑﺎﻧـﺪ ﻓﺮﻛـﺎﻧﺲ ﺑﻴـﺸﺘﺮ‬
‫⎧‬ ‫‪t −t‬‬
‫‪− 0‬‬
‫ﻓﺮﺳﺘﻨﺪه ﻫـﺎي رادﻳـﻮﺋﻲ ﺗﺠـﺎري در ﺣـﺪود ‪ 530‬اﻟـﻲ ‪1700‬ﻛﻴﻠـﻮ‬ ‫)) ‪⎪x (t ) = Ae τ cos(2π f 0 (t − t 0‬‬ ‫‪t ≥ t0‬‬
‫⎨‬ ‫)‪(14‬‬
‫‪⎪⎩x (t ) = 0‬‬ ‫‪t < t0‬‬
‫ﻫﺮﺗﺰاﺳﺖ]‪ .[5‬ﺑﻪ ﺳﺎدﮔﻲ و ﺑﺼﻮرت ﺗﺮﻛﻴﺐ ﺳﺮي ﭼﻨﺪ ﺳﻴﮕﻨﺎل ﺑـﺎ‬
‫ﻛﻪ ‪ τ‬و ‪ t 0‬و ‪ A‬ﻫﻤﺎﻧﻨﺪ ﻣﺪل ﻗﺒﻞ و ‪ f 0‬ﻓﺮﻛﺎﻧﺲ ﻧﻮﺳﺎن ﺳـﻴﮕﻨﺎل‬
‫ﻣﺪوﻻﺳﻴﻮن داﻣﻨﻪ )‪ ( AM‬ﻣـﻲ ﺗـﻮان اﻳـﻦ ﻧـﻮع ﻧـﻮﻳﺰ را ﺑـﺼﻮرت‬
‫اﺳﺖ‪ .‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻨﻜﻪ ﺧﺮوﺟﻲ اﻏﻠﺐ ﺣﺴﮕﺮﻫﺎي ﻣـﻮرد اﺳـﺘﻔﺎده‬
‫زﻳﺮﺷﺒﻴﻪ ﺳﺎزي ﻛﺮد]‪:[5‬‬
‫‪5‬‬ ‫ﺑﺮاي اﻧﺪازه ﮔﻴﺮي ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﺑـﺼﻮرت ﻳـﻚ ﺗـﺎﺑﻊ ﻣﻴـﺮا ﺷـﻮﻧﺪه‬
‫) ‪e (t ) = A ∑ (c + m *sin(2π f m t )) *sin(2π f i t‬‬
‫‪i =1‬‬
‫)‪(15‬‬ ‫ﻧﻮﺳﺎﻧﻲ اﺳﺖ‪ ،‬در ﺷﺒﻴﻪ ﺳﺎزي ﻫﺎي اﻧﺠﺎم ﺷﺪه ﻋﻤﻮﻣﺎ از اﻳﻦ ﻣـﺪل‬
‫ﻣﻲ‬ ‫اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ .‬ﺷﻜﻞ‪ 3-‬ﺗﺎﺑﻊ ﻣﻴﺮا ﺷﻮﻧﺪه ﻧﻮﺳﺎﻧﻲ ﻧﺸﺎن‬
‫ﻛﻪ ‪ A‬داﻣﻨﻪ ﻧﻮﻳﺰ‪ c ،‬داﻣﻨﻪ ﻣﻮج ﺣﺎﻣﻞ‪ m ،2‬داﻣﻨﻪ ﺳﻴﮕﻨﺎل ﻣﺪوﻟـﻪ‬
‫دﻫﺪ‪.‬‬
‫ﺷﺪه‪ f m ،‬ﻓﺮﻛﺎﻧﺲ ﺳﻴﮕﻨﺎل ﻣﺪوﻻﺳﻴﻮن و ‪ f i‬ﻓﺮﻛﺎﻧﺲ ﻣﻮج ﺣﺎﻣـﻞ‬
‫ﻫــﺴﺘﻨﺪ‪ .‬ﺑــﺮاي اﻧﺠــﺎم ﺷــﺒﻴﻪ ﺳــﺎزي ﻣﻘــﺎدﻳﺮ ‪، m = 0.4 ، c = 1‬‬
‫‪ f m = 1kHz‬و ‪ f i = (400 + i * 200) kHz‬اﻧﺘﺨﺎب ﺷﺪه اﻧﺪ‪.‬‬

‫ب(ﻧﻮﻳﺰ ﻫﺎي زﻣﻴﻨﻪ‬

‫ﺑﻪ ﻣﻨﻈﻮر ﺷﺒﻴﻪ ﺳﺎزي ﻧﻮﻳﺰ ﻫﺎي ﺣﺮارﺗﻲ ﻛﻪ ﺗﻮﺳﻂ ﺧـﻮد ﺳﻴـﺴﺘﻢ‬
‫ﺷﻜﻞ‪-3-‬ﺳﻴﮕﻨﺎل ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه ﺑﺎ ﺗﺎﺑﻊ ﻣﻴﺮاﺷﻮﻧﺪه ﻧﻮﺳﺎﻧﻲ‬
‫اﻧﺪازه ﮔﻴﺮي ﺗﻮﻟﻴﺪ ﻣﻲ ﺷﻮﻧﺪ و ﺳﺎﻳﺮ ﻧﻮﻳﺰ ﻫﺎي زﻣﻴﻨﻪ از ﻧﻮﻳﺰ ﺳﻔﻴﺪ‬

‫‪2‬‬ ‫‪1‬‬
‫‪Carrier Wave‬‬ ‫‪Damped Exponential‬‬

‫‪۵‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬

‫‪-5‬ﺗﺠﺰﻳﻪ ﺳﻴﮕﻨﺎل ﺑﺎ اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ‪[9] 3‬‬ ‫ﺑﺎ ﻣﻴﺎﻧﮕﻴﻦ ﺻﻔﺮ و اﻧﺤﺮاف ﻣﻌﻴﺎرﻫﺎي اﺳﺘﺎﻧﺪارد ﻣﺨﺘﻠـﻒ ﺑـﺮاي ﺑـﻪ‬

‫ﻣﺠﻤﻮﻋﻪ اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ را ﻣﻲ ﺗﻮان ﺑـﺎ ﺟﺎﺑـﻪ ﺟـﺎﺋﻲ در ﺣـﻮزه‬ ‫دﺳﺖ آوردن ﻧﺴﺒﺖ ﺳﻴﮕﻨﺎل ﺑﻪ ﻧﻮﻳﺰ ﻫﺎي ﻣﺨﺘﻠـﻒ اﺳـﺘﻔﺎده ﺷـﺪه‬

‫زﻣﺎن‪ ،‬ﺟﺎﺑﻪ ﺟﺎﺋﻲ ﻓﺮﻛﺎﻧﺴﻲ)ﻣﺪوﻻﺳﻴﻮن(‪ ،‬ﺗﻐﻴﻴﺮ ﻣﻘﻴﺎس وﭼـﺮﺧﺶ‬ ‫اﺳﺖ]‪.[5‬‬

‫ﻳﻚ اﺗﻢ زﻣﺎن‪-‬ﻓﺮﻛﺎﻧﺲ ﻛﻪ ﺑﻪ ﺧـﻮﺑﻲ در ﺣـﻮزه زﻣـﺎن و ﻓﺮﻛـﺎﻧﺲ‬

‫ﻣﺘﻤﺮﻛﺰ ﺷﺪه ﺑﺎﺷﺪ‪ ،‬ﺑﻪ دﺳﺖ آورد‪.‬‬ ‫‪-3-4‬ﻣﻼك ﻫﺎي ﻣﻘﺎﻳﺴﻪ روﺷﻬﺎي ﻧﻮﻳﺰ زداﺋﻲ‬
‫در واﻗﻊ اﻳﻦ ﻣﺠﻤﻮﻋﻪ اﺗﻢ ﻫﺎي زﻣﺎن‪-‬ﻓﺮﻛﺎﻧﺲ ﺑﻪ ﺟﺎي اﺗﻢ ﻫﺎﺋﻲ‬ ‫اﻟﻒ(ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ‬
‫ﺑﺎ ﺳﻪ ﭘﺎراﻣﺘﺮ ﻛﻪ در ﺑﺨﺶ ‪ 2‬ﻣﻌﺮﻓﻲ ﺷﺪﻧﺪ‪ ،‬ﭼﻬﺎر ﭘـﺎراﻣﺘﺮ دارﻧـﺪ و‬ ‫ﻳﻜﻲ از ﻣـﻼك ﻫـﺎي ﻣﻬـﻢ ‪ ،‬ﻣـﻮرد اﺳـﺘﻔﺎده ﺑـﺮاي ﺑﺮرﺳـﻲ ﺗـﺎﺛﻴﺮ‬
‫ﻋﻤﻠﮕﺮ ﭼﺮﺧﺶ ﻧﻴﺰ ﺑﺮ روي اﻳﻦ اﺗﻢ ﻫﺎ اﻋﻤﺎل ﻣﻲ ﺷـﻮد‪ .‬ﻋﻤﻠﮕـﺮ‬ ‫ﻧﻮﻳﺰزداﺋﻲ‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ‪ 1‬اﺳﺖ ﻛﻪ ﺑﻪ ﺻﻮرت زﻳﺮ ﺗﻌﺮﻳﻒ‬
‫ﭼﺮﺧﺶ) ‪ ( ϒα‬ﺑﻪ ﻣﻌﻨﻲ ﭼﺮﺧﺶ ﺑﻪ اﻧﺪازه ‪ α‬رادﻳـﺎن در ﺧـﻼف‬ ‫ﻣﻲ ﺷﻮد‪:‬‬
‫ﺟﻬﺖ ﻋﻘﺮﺑﻪ ﻫﺎي ﺳﺎﻋﺖ در ﺻﻔﺤﻪ زﻣﺎن‪-‬ﻓﺮﻛﺎﻧﺲ اﺳـﺖ‪ .‬ﻧﺘﻴﺠـﻪ‬ ‫‪1 n‬‬
‫= ‪MSE‬‬ ‫‪∑ (F (i ) − R (i ))2‬‬
‫‪n i =1‬‬
‫)‪(16‬‬
‫ﻣﺠﻤﻮﻋﻪ اي از اﺗﻢ ﻫﺎي زﻣﺎن‪-‬ﻓﺮﻛﺎﻧﺲ اﺳﺖ ﻛﻪ ﺑﺎ ﭼﻬﺎرﭘـﺎراﻣﺘﺮ و‬
‫‪ n‬ﻃﻮل ﺳﻴﮕﻨﺎل‪ F ،‬ﺳﮕﻴﻨﺎل اوﻟﻴـﻪ ﺑـﺪون ﻧـﻮﻳﺰ)در اﻳﻨﺠـﺎ ﺳـﻴﮕﻨﺎل‬
‫ﻣﻌﺮﻓﻲ ﺗﺎﺑﻊ اوﻟﻴﻪ ﻣﺸﺨﺺ ﻣﻲ ﺷﻮﻧﺪ‪ .‬اﺗﻢ ﭼﺮﭘﻠﺖ ﺑﺎ ﭼﻬﺎر ﭘـﺎراﻣﺘﺮ‬
‫ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه( و‪ R‬ﺳﻴﮕﻨﺎل ﺑﺎزﺳﺎزي ﺷﺪه ﭘﺲ از‬
‫آن را ﻣﻲ ﺗﻮان ﺑﻪ ﺻﻮرت زﻳﺮ ﻧﻮﺷﺖ‪:‬‬
‫ﻧﻮﻳﺰ زداﺋﻲ اﺳﺖ‪.‬‬
‫‪g β ( t ) = g s ,α ( t − u ) e‬‬ ‫‪jv t‬‬ ‫)‪(18‬‬
‫‪ u ∈ R‬ﺑﻴﺎﻧﮕﺮ ﺟﺎﺑـﻪ ﺟـﺎﺋﻲ زﻣـﺎﻧﻲ‪ v ∈ R ،‬ﻣﻮﻟﻔـﻪ ﻣﺪوﻻﺳـﻴﻮن‬
‫ﻓﺮﻛﺎﻧﺴﻲ‪ s ∈ R + ،‬ﻣﺘﻐﻴﺮ ﻣﻘﻴـﺎس ‪ α ∈ [0,2π ) ،‬ﺑﻴـﺎﻧﮕﺮ زاوﻳـﻪ‬ ‫ب(ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﻲ ﻣﺘﻘﺎﺑﻞ‬
‫ﭼﺮﺧﺶ و )‪ β ≡ ( s, α , u , v‬ﺷﺎﺧﺺ اﺗﻢ اﺳﺖ ‪.‬‬ ‫از ﺗﺎﺑﻊ ﻫﻤﺒﺴﺘﮕﻲ ﻣﺘﻘﺎﺑﻞ‪ 2‬ﺑﻴﻦ ﺳﻴﮕﻨﺎل ﻧﻮﻳﺰ زداﺋﻲ ﺷﺪه و ﺳـﻴﮕﻨﺎل‬
‫ﺷﻜﻞ‪ ،4‬ﺗﺎﺛﻴﺮ اﻳﻦ ﻋﻤﻠﮕﺮﻫﺎ را ﺑـﺮ روي ﺗﻮزﻳـﻊ وﻳﮕﻨـﺮ‪ 4‬ﻳـﻚ اﺗـﻢ‬ ‫اوﻟﻴﻪ ﺑﺪون ﻧﻮﻳﺰ ﻧﻴﺰ ﻣﻲ ﺗﻮان ﺑﺮاي ﻣﻘﺎﻳﺴﻪ ﺷﻜﻞ ﻇـﺎﻫﺮي ﺳـﻴﮕﻨﺎل‬
‫ﮔﻮﺳﻲ ﻧﺸﺎن ﻣﻲ دﻫﺪ]‪ .[9‬در ﺷﻜﻞ ﻣﺬﻛﻮر )‪ (a‬ﺗﻮزﻳﻊ وﻳﮕﻨﺮ ﺗـﺎﺑﻊ‬ ‫ﻧﻮﻳﺰ زداﺋﻲ ﺷﺪه ﺑﺎ ﺳﻴﮕﻨﺎل اﺻﻠﻲ اﺳـﺘﻔﺎده ﻛـﺮد‪ .‬ﺗـﺎﺑﻊ ﻫﻤﺒـﺴﺘﮕﻲ‬
‫اﺻﻠﻲ ) ‪(b) ، g (t‬ﺗﻮزﻳﻊ ﺗﺎﺑﻊ ﺗﻐﻴﻴﺮ ﻣﻘﻴﺎس‬ ‫ﻣﺘﻘﺎﺑﻞ)‪ CC(X,Y‬ﺑﺮاي ﺳـﻴﮕﻨﺎﻟﻬﺎي ‪ X‬و ‪ Y‬ﺑـﻪ ﺻـﻮرت زﻳـﺮ‬
‫ﻳﺎﻓﺘﻪ ) ‪ (c) ، g s (t ) = 1 s g (t s‬ﺗﺎﺑﻊ ﺗﻐﻴﻴـﺮ ﻣﻘﻴـﺎس ﻳﺎﻓﺘـﻪ ﻛـﻪ‬ ‫ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮد]‪:[6‬‬
‫ﻋﻤﻠﮕﺮ ﭼﺮﺧﺶ روي آن اﻋﻤﺎل ﺷﺪه اﺳﺖ ) ‪ (d) ، g (s ,α ) (t‬ﺗـﺎﺑﻊ‬ ‫= ) ‪CC (X ,Y‬‬
‫) ‪∑ (X (i ) − X )(Y (i ) −Y‬‬ ‫)‪(17‬‬
‫ﺗﻐﻴﻴﺮ ﻣﻘﻴﺎس ﻳﺎﻓﺘﻪ ﻛﻪ ﭼﺮﺧﺶ روي آن اﻋﻤﺎل ﺷﺪه و ﺑﻪ اﻧـﺪازه ‪u‬‬ ‫) ‪∑ (X (i ) − X ) ∑ (Y (i ) −Y‬‬
‫‪2‬‬ ‫‪2‬‬

‫ﺑﻪ ﺗﺮﺗﻴﺐ ﻣﺠﻤﻮﻋﻪ داده ﻫﺎي‬ ‫‪Y‬‬ ‫در راﺑﻄﻪ ﺑﺎﻻ ) ‪ X ,Y (i ), X (i‬و‬
‫و )‪ (e‬ﺗـﺎﺑﻊ ﺗﻐﻴﻴـﺮ‬ ‫اﺳـﺖ ) ‪g (s ,α ) (t − u‬‬ ‫در ﺣﻮزه زﻣﺎن اﻧﺘﻘﺎل ﻳﺎﻓﺘـﻪ‬
‫ﺳﻴﮕﻨﺎل ‪X‬و ‪ Y‬و ﻣﻘﺪار ﻣﺘﻮﺳﻂ داده ﻫـﺎي ﺳـﻴﮕﻨﺎل ‪ X‬و ﻣﻘـﺪار‬
‫ﻣﻘﻴﺎس ﻳﺎﻓﺘﻪ ﻛﻪ ﭼﺮﺧﺶ روي آن اﻋﻤﺎل ﺷـﺪه و ﺑـﻪ اﻧـﺪازه ‪ u‬در‬
‫ﻣﺘﻮﺳﻂ داده ﻫﺎي ‪ Y‬ﻫﺴﺘﻨﺪ و ﻫﺮﭼﻪ ﺑﻪ ﻳـﻚ ﻧﺰدﻳﻜﺘـﺮ ﺷـﻮد ﺑـﻪ‬
‫ﺣــﻮزه زﻣــﺎن و ﺑــﻪ ﻣﻘــﺪار ‪ v‬در ﺣــﻮزه ﻓﺮﻛــﺎﻧﺲ اﻧﺘﻘــﺎل ﻳﺎﻓﺘــﻪ‬
‫ﻣﻌﻨﻲ ﺷﺒﺎﻫﺖ ﻇﺎﻫﺮي ﺑﻴﺸﺘﺮ ﺳﻴﮕﻨﺎل ‪ X‬و ‪ Y‬اﺳﺖ‪.‬‬
‫اﺳﺖ)ﻣﺪوﻻﺳﻴﻮن ﻓﺮﻛﺎﻧﺴﻲ( ‪ g ( s ,α ) (t − u )e jvt‬را ﻧﺸﺎن ﻣﻲ دﻫﻨﺪ‪.‬‬

‫‪3‬‬ ‫‪1‬‬
‫‪Chirplet‬‬ ‫)‪Mean Square Error(MSE‬‬
‫‪4‬‬ ‫‪2‬‬
‫‪Wigner Distribution‬‬ ‫)‪Cross Correlation(CC‬‬

‫‪۶‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬

‫از ﺛﺎﺑﺖ ‪ e jc1‬ﻛﻪ ﻣﻘﺪار آن واﺣﺪ اﺳﺖ‪ ،‬ﻣـﻲ ﺗـﻮان ﺑـﺮاي ﺳـﺎدﮔﻲ‬
‫ﺻﺮف ﻧﻈﺮ ﻛﺮد‪ ،‬در ﻧﺘﻴﺠﻪ ) ‪ g s ,α (t‬را ﻣﻲ ﺗﻮان ﺑﻪ اﻳـﻦ ﺻـﻮرت‬
‫ﻧﻮﺷﺖ‪:‬‬
‫‪1‬‬ ‫⎛ ⎧‬ ‫‪1‬‬ ‫⎫ ‪⎞t‬‬ ‫‪2‬‬
‫= ) ‪g s ,α (t‬‬ ‫‪.exp ⎨− ⎜ 2‬‬ ‫⎬ ⎟ ) ‪− j ξ (s , α‬‬
‫) ‪⎩ ⎝ σ (s , α‬‬
‫‪1‬‬
‫‪π‬‬ ‫‪4‬‬
‫) ‪σ (s , α‬‬ ‫⎭‪⎠ 2‬‬ ‫)‪(22‬‬

‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ رواﺑﻂ )‪ (18‬و )‪ ،(22‬ﻣﺠﻤﻮﻋﻪ اﺗـﻢ ﻫـﺎي ﭼﺮﭘﻠـﺖ ﺑـﻪ‬

‫ﺻﻮرت ‪ D = {g β (t )}β ∈γ‬ﺗﻌﺮﻳﻒ ﻣـﻲ ﺷـﻮﻧﺪ ﻛـﻪ )‪β = ( s,α , u, v‬‬
‫ﺷﺎﺧﺺ اﺗﻢ و ‪ γ‬ﺑﻪ ﺻﻮرت زﻳﺮ ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮد‪:‬‬
‫‪⎪⎧(1, ∞) × (− π 2, π 2) × R , α ≠ 0‬‬
‫‪2‬‬

‫⎨ ≡ ) ‪γ ≡ (s , α , u ,v‬‬ ‫‪+‬‬
‫‪⎪⎩R × R ,‬‬
‫‪2‬‬
‫‪α =0‬‬ ‫)‪(23‬‬
‫‪t2‬‬
‫‪1‬‬ ‫(‪−‬‬ ‫)‬
‫= ) ‪ ، g (t‬ﺑﺎ ﺗﻐﻴﻴﺮ‬ ‫‪e‬‬ ‫‪2‬‬ ‫ﺷﻜﻞ ‪ -4‬ﺗﻐﻴﻴﺮ ﺗﻮزﻳﻊ وﻳﮕﻨﺮ اﺗﻢ ﮔﻮﺳﻲ‬
‫ﺑﺮاي ﺗﺠﺰﻳﻪ ﺳﻴﮕﻨﺎل ﻫﺎي ﺣﻘﻴﻘﻲ‪ ،‬ﺑـﻪ ﻣﻨﻈـﻮر ﺑـﻪ دﺳـﺖ آوردن‬ ‫‪π 0.25‬‬
‫ﭘﺎراﻣﺘﺮﻫﺎ‪، Wg ( s ,α ) (t , ω ) : (c) ، Wgs (t , ω ) : (b) ، Wg (t , ω ) : (a)،‬‬
‫ﺿﺮاﻳﺐ ﺣﻘﻴﻘﻲ‪ ،‬ﺑﺎﻳﺪ از اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ ﺣﻘﻴﻘـﻲ اﺳـﺘﻔﺎده ﺷـﻮد‪.‬‬
‫)‪Wg ( s ,α ) (t − u, ω − v) : (e) ، Wg ( s ,α ) (t − u, ω ) : (d‬‬
‫اﺗﻢ زﻣﺎن‪-‬ﻓﺮﻛﺎﻧﺲ ﺣﻘﻴﻘﻲ را ﺑﻪ ﺻﻮرت زﻳﺮ ﻣﻲ ﺗﻮان ﺗﻌﺮﻳﻒ ﻛﺮد‪:‬‬

‫{‬ ‫}‬
‫‪K β ,ϕ‬‬
‫= ) ‪g β ,ϕ (t ) ≡ K β ,ϕ Re e j ϕ g β (t‬‬ ‫‪.‬‬
‫‪π‬‬
‫‪1‬‬
‫‪4‬‬
‫) ‪σ (s , α‬‬ ‫اﮔﺮ ﻋﻤﻠﮕﺮ ﭼﺮﺧﺶ ‪ Γα‬ﻛﻪ ﺑﻪ ﻣﻌﻨﻲ ﭼﺮﺧﺶ ﺑﻪ اﻧﺪازه ‪ α‬رادﻳﺎن‬
‫)‪(24‬‬
‫⎞ ‪⎛ (t − u ) 2‬‬ ‫) ‪⎛ ξ (s , α‬‬ ‫⎞‬ ‫در ﺧﻼف ﺟﻬﺖ ﻋﻘﺮﺑﻪ ﻫﺎي ﺳـﺎﻋﺖ در ﺻـﻔﺤﻪ زﻣـﺎن‪-‬ﻓﺮﻛـﺎﻧﺲ‬
‫‪exp ⎜ − 2‬‬ ‫⎜ ‪⎟ .cos‬‬ ‫⎟ ‪(t − u ) 2 + vt + ϕ‬‬
‫⎠ ) ‪⎝ 2σ (s , α‬‬ ‫‪⎝ 2‬‬ ‫⎠‬
‫اﺳﺖ‪ ،‬ﺑﺮ روي اﺗﻢ ﺗﻐﻴﻴﺮ ﻣﻘﻴﺎس ﻳﺎﻓﺘﻪ ) ‪ g s (t‬اﻋﻤﺎل ﺷﻮد آﻧﮕﺎه‪:‬‬
‫ﻛﻪ ‪ β = ( s,α , u , v) ∈ γ‬و ) ‪ . ϕ ∈ [0,2π‬ﻓﺎز ‪ ϕ‬ﺑﻪ ﻋﻨﻮان ﻳـﻚ‬
‫‪se jc1‬‬
‫ﺑـﻪ‬ ‫ﺛﺎﺑـﺖ ) ‪K ( β ,ϕ‬‬ ‫ﭘﺎراﻣﺘﺮ ﺟﺪﻳﺪ در اﺗﻢ ﻫﺎي ﺣﻘﻴﻘﻲ ﻇﺎﻫﺮ ﻣﻲ ﺷﻮد‪.‬‬ ‫= ) ‪Γα g s (t ) = g s ,α (t‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪.‬‬
‫) ‪π 4 (sin 2 α + s 4 cos 2 α‬‬ ‫‪4‬‬

‫ﮔﻮﻧﻪ اي اﻧﺘﺨﺎب ﻣﻲ ﺷﻮد ﻛﻪ ‪. g ( β ,ϕ ) = 1‬‬ ‫)‪(19‬‬

‫⎫ ‪⎧ s 2 − j (s 4 − 1) cos α sin α 2‬‬
‫‪exp ⎨−‬‬ ‫⎬ ‪t‬‬
‫ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ ،‬ﭘﺲ از اﻧﺘﺨﺎب ﻣﺠﻤﻮﻋﻪ‬ ‫⎩‬ ‫) ‪2(sin 2 α + s 4 cos 2 α‬‬ ‫⎭‬
‫اي ﻣﻨﺎﺳﺐ از اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ ﺣﻘﻴﻘـﻲ‪ ،‬ﺑـﺮاي ﺗﺠﺰﻳـﻪ ﺳـﻴﮕﻨﺎل و‬ ‫ﻛــﻪ )‪ . c1 = (π 4) − (α 2) − ( tan −1 ( s 2 cos α ) 2‬ﻣــﻲ ﺗــﻮان‬
‫ﻣﺤﺎﺳﺒﻪ ﺿﺮاﻳﺐ ‪ ، an‬ﻣﻲ ﺗﻮان از اﻟﮕﻮرﻳﺘﻢ ‪ MP‬ﻛﻪ در روﻧﺪﻧﻤﺎي‬ ‫ﻣﺘﻐﻴﺮﻫــﺎي ﻣﻘﻴــﺎس زاوﻳــﻪ در ﺣــﻮزه زﻣــﺎن‪ σ ( s,α ) 1‬و ﻧــﺮخ‬
‫ﺷﻜﻞ‪ 1-‬ﻧﺸﺎن داده ﺷﺪ‪ ،‬ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ اﺳﺘﻔﺎده ﻛﺮد‪.‬‬ ‫ﭼﺮپ‪)2‬ﻧﺮخ ﺗﻐﻴﻴﺮ ﻓﺮﻛﺎﻧﺲ( ) ‪ ξ ( s, α‬را ﺑﻪ ﺻﻮرت زﻳـﺮ ﺗﻌﺮﻳـﻒ‬
‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل‪ ،‬در ﺷﻜﻞ‪ 5‬ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﺷﺒﻴﻪ ﺳـﺎزي ﺷـﺪه‬ ‫ﻛﺮد‪:‬‬
‫ﺑﺎ ﺗﺎﺑﻊ ﻧﻤﺎﺋﻲ ﻣﻴﺮا ﺷﻮﻧﺪه آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ و ﺷﻜﻞ‪ 6-‬ﻣﻘـﺪار ﻧـﺴﺒﺖ‬ ‫‪sin 2 α + s 4 cos 2 α‬‬
‫≡ ) ‪σ ( s, α‬‬ ‫)‪(20‬‬
‫‪s‬‬
‫ﻫﻢ ﺑﺴﺘﮕﻲ )ﻣﻄﺎﺑﻖ راﺑﻄﻪ )‪ ((12‬ﺑﻴﻦ ﻣﺠﻤﻮﻋﻪ اﺗﻤﻬـﺎي ﭼﺮﭘﻠـﺖ و‬
‫‪( s 4 − 1) cos α sin α‬‬
‫ﺳﻴﮕﻨﺎل ﺷﻜﻞ‪ 5-‬را ﺑﺮاي ‪ 20‬ﺗﻜﺮار اول اﻟﮕﻮرﻳﺘﻢ ‪ MP‬ﻧﺸﺎن ﻣـﻲ‬ ‫≡ ) ‪ξ ( s, α‬‬ ‫)‪(21‬‬
‫‪sin 2 α + s 4 cos 2 α‬‬
‫دﻫﺪ‪ .‬ﭼﻨﺎن ﻛﻪ از ﺷﻜﻞ ﻣﺸﺨﺺ اﺳﺖ‪ ،‬ﻣﻘﺪار ﺿـﺮﻳﺐ ﻫﻤﺒـﺴﺘﮕﻲ‬
‫ﭘﺲ از ﭼﻨﺪ ﺗﻜﺮار اول‪ ،‬ﺑﺎ ﺷـﻴﺐ ﺗﻨـﺪي ﺑـﻪ ﻋـﺪدي ﺣـﺪود ‪0/08‬‬
‫ﻫﻤﮕﺮا ﻣﻲ ﺷﻮد‪.‬‬
‫‪1‬‬
‫‪Time Domain Angular Scale‬‬
‫‪2‬‬
‫‪Chirp rate‬‬

‫‪٧‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬

‫ﺷﻜﻞ‪ -5‬ﺳﻴﮕﻨﺎل ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه ﺑﺎ ﺗﺎﺑﻊ ﻧﻤﺎﺋﻲ ﻣﻴﺮا ﺷﻮﻧﺪه آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ‬

‫ﺷﻜﻞ‪ -7‬ﺳﻴﮕﻨﺎل ﺑﺎز ﺳﺎزي ﺷﺪه ﺑﺎ)اﻟﻒ( دو اﺗﻢ ﭼﺮﭘﻠﺖ و )ب( ‪ 10‬اﺗﻢ‬
‫ﭼﺮﭘﻠﺖ‬
‫ﺷﻜﻞ‪-6‬ﺗﻐﻴﻴﺮات ﻧﺴﺒﺖ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﺳﻴﮕﻨﺎل آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ و اﺗﻤﻬﺎي‬
‫ﭼﺮﭘﻠﺖ‬
‫‪-6‬اﺗﻢ ﻻﭘﻼس‬
‫ﻫﻤﺎن ﮔﻮﻧﻪ ﻛﻪ اﺷﺎره ﺷﺪ‪ ،‬ﺑﺮاي ﺗﺸﺨﻴﺺ ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋـﻲ از‬ ‫ﺷﻜﻞ‪)7‬اﻟﻒ( ﺳﻴﮕﻨﺎل ﺑﺎز ﺳﺎزي ﺷﺪه ﺑﺎ دو اﺗﻢ زﻣﺎن‪-‬ﻓﺮﻛـﺎﻧﺲ ﻛـﻪ‬
‫اﻃﻼﻋﺎت اﻧﺪازه ﮔﻴﺮي ﺷﺪه آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ‪ ،‬ﺑﻪ روش ‪ MP‬ﺑﺎﻳﺪ اﺗﻢ‬ ‫ﺑﻴﺸﺘﺮﻳﻦ ﻫﻤﺒﺴﺘﮕﻲ را ﺑﺎ ﺳﻴﮕﻨﺎل آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ داﺷﺘﻪ اﻧـﺪ ﻧـﺸﺎن‬
‫ﻫﺎي ) ‪ g γn (t‬ﺑﻪ ﮔﻮﻧـﻪ اي ﻣﻨﺎﺳـﺐ اﻧﺘﺨـﺎب ﺷـﻮﻧﺪ ﺗـﺎ ﺑﻴـﺸﺘﺮﻳﻦ‬ ‫ﻣﻲ دﻫﺪ‪ .‬ﭼﻨﺎن ﻛﻪ ﻣﺸﺎﻫﺪه ﻣﻲ ﺷﻮد‪ ،‬ﺗﻨﻬﺎ ﺑـﺎ دو اﺗـﻢ ﭼﺮﭘﻠـﺖ‪ ،‬ﺑـﻪ‬
‫ﻣﻄﺎﺑﻘﺖ را ﺑﺎ ﺷﻜﻞ ﻣﻮج ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ اﻧﺪازه ﮔﻴـﺮي ﺷـﺪه‬ ‫ﺻﻮرت ﻧﺴﺒﺘﺎ ﻣﻨﺎﺳﺒﻲ ﻣﻲ ﺗﻮان ﺳﻴﮕﻨﺎل اﺻـﻠﻲ را ﺑﺎزﺳـﺎزي ﻛـﺮد‪.‬‬
‫داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬اﮔﺮﭼﻪ درﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ‪ ،‬ﻣﻮﺟﻚ ﻫﺎي ﻣـﺎدر ﻣﺨﺘﻠﻔـﻲ‬ ‫ﺷﻜﻞ‪)7‬ب( ﺳﻴﮕﻨﺎل ﺑﺎزﺳﺎزي ﺷﺪه ﺑﺎ ‪ 10‬اﺗـﻢ را ﻧـﺸﺎن ﻣـﻲ دﻫـﺪ‪.‬‬
‫ﺑﺮاي اﺳﺘﻔﺎده وﺟﻮد دارﻧـﺪ‪ ،‬اﻣـﺎ ﺑـﺎ ﺗﻮﺟـﻪ ﺑـﻪ ﺷـﺮاﻳﻂ ﻻزم ﺑـﺮاي‬ ‫ﻫﻤﺎن ﮔﻮﻧﻪ ﻛﻪ از ﺷﻜﻞ ﻣﺸﺨﺺ اﺳـﺖ‪ ،‬ﺑـﻪ ﺟـﺰ اﺗـﻢ ﻫـﺎﺋﻲ ﻛـﻪ‬
‫ﻣﻌﻜﻮس ﭘﺬﻳﺮي ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ‪ ،‬اﻏﻠﺐ ﻣﻮﺟﻚ ﻫﺎي ﻣﺎدر اﺳـﺘﻔﺎده‬ ‫ﺑﺰرﮔﺘﺮﻳﻦ ﺿﺮاﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ را ﺑـﺎ ﺳـﻴﮕﻨﺎل آﻏـﺸﺘﻪ ﺑـﻪ ﻧـﻮﻳﺰ دارا‬
‫‪1‬‬
‫ﺷﺪه در ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ دوﻃﺮﻓﻪ ﻫـﺴﺘﻨﺪ‪ .‬ﺑـﻪ اﻳـﻦ ﻣﻌﻨـﻲ ﻛـﻪ اﮔـﺮ‬ ‫ﺑﻮدﻧﺪ)ﺳﻪ اﺗﻢ اوﻟﻴﻪ(‪ ،‬ﺑﻘﻴﻪ اﺗﻢ ﻫﺎ ﻛـﻪ ﺿـﺮﻳﺐ ﻫﻤﺒـﺴﺘﮕﻲ آﻧﻬـﺎ ﺑـﺎ‬
‫زﻣﺎن)ﻣﻜـﺎن( وﻗـﻮع ﻣﻘـﺪار ﺑﻴـﺸﻴﻨﻪ ﻣﻮﺟـﻚ را در ﻧﻈـﺮ ﺑﮕﻴـﺮﻳﻢ‪،‬‬ ‫ﺳﻴﮕﻨﺎل آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ ﻛﻮﭼﻚ اﺳﺖ‪ ،‬ﻣﺮﺑﻮط ﺑﻪ ﻧﻮﻳﺰ ﻣﻲ ﺑﺎﺷﻨﺪ‬
‫ﻣﻲ ﺷﻮد‪ ،‬اﻣﺎ‬ ‫ﻣﻮﺟﻚ در ﻫﺮ دو ﻃﺮف اﻳﻦ ﻧﻘﻄﻪ ﺗﻀﻌﻴﻒ و ﻣﻴﺮا‬ ‫و ﺑﺎﻋﺚ ﺑﺎزﺳﺎزي ﭘﺎﻟﺲ ﻫﺎﺋﻲ از ﻧﻮﻳﺰ ﺷﺪه اﻧﺪ‪.‬‬
‫ﺷﻜﻞ ﻣﻮج ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ و ﻣﺪل ﻫـﺎي ﻣـﻮرد اﺳـﺘﻔﺎده ﺑـﺮاي ﺷـﺒﻴﻪ‬
‫ﺳﺎزي ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﻳـﻚ ﻃﺮﻓـﻪ‪ 2‬ﻫـﺴﺘﻨﺪ و ﺗﻨﻬـﺎ در ﻳـﻚ‬
‫ﻃﺮف زﻣﺎن)ﻣﻜﺎن( وﻗﻮع ﻣﻘﺪار ﺑﻴﺸﻴﻨﻪ ﺧﻮد ﻧﻮﺳﺎن ﻛﺮده و ﻣﻴﺮا ﻣﻲ‬
‫ﺷﻮﻧﺪ‪ .‬در]‪ [10‬ﻧﻮﻋﻲ ﻣﻮﺟـﻚ ﻣـﺎدر ﻳـﻚ ﻃﺮﻓـﻪ ﺑـﻪ ﻧـﺎم ﻣﻮﺟـﻚ‬
‫ﻻﭘﻼس‪ 3‬ﻣﻌﺮﻓﻲ ﮔﺮدﻳﺪه اﺳﺖ‪ .‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺷﻜﻞ ﻣﻮج اﻳـﻦ ﺗـﺎﺑﻊ و‬

‫‪1‬‬
‫‪Bilateral‬‬
‫‪2‬‬
‫‪Unilateral‬‬
‫‪3‬‬
‫‪Laplace Wavelet‬‬

‫‪٨‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬

‫ﻫﺎي ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ ،‬ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ آﻧﻬـﺎ‪ ،‬ﺑـﺴﻴﺎر ﺑﺰرﮔﺘـﺮ از‬ ‫ﺷﺒﺎﻫﺖ آن ﺑﺎ ﺷﻜﻞ ﻣﻮج ﺗﺎﺑﻊ ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ اﻧﺪازه ﮔﻴﺮي ﺷﺪه ﻣـﻲ‬
‫ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ اﺗﻢ ﻫﺎي ﻻﭘﻼس و ﻧﻮﻳﺰ ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬ ‫ﺗﻮان ازﻣﻮﺟﻚ ﻻﭘﻼس ﺑﻪ ﺻﻮرت اﺗﻢ ﻫﺎي زﻣـﺎن‪-‬ﻓﺮﻛﺎﻧـﺴﻲ و ﺑـﺎ‬
‫ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺷﻜﻞ‪) 9-‬اﻟﻒ( ﻳﻚ ﺳﻴﮕﻨﺎل ﺷﺎﻣﻞ ﺳﻪ ﭘﺎﻟﺲ ﺗﺨﻠﻴﻪ‬ ‫روش ‪ MP‬ﺑﺮاي ﺗﺸﺨﻴﺺ ﺗﺨﻠﻴﻪ ﺟﺰﺋـﻲ اﺳـﺘﻔﺎده ﻛـﺮد‪ .‬ﻣﻮﺟـﻚ‬
‫ﺟﺰﺋﻲ ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ .‬اﻳﻦ ﭘﺎﻟﺲ ﻫﺎ ﺑﺎ اﺳﺘﻔﺎده‬ ‫ﻻﭘﻼس ﻳﻚ ﻣﻮﺟﻚ ﻣﺨﺘﻠﻂ ﻳﻚ ﻃﺮﻓﻪ اﺳﺖ ﻛﻪ ﺑـﻪ ﺻـﻮرت زﻳـﺮ‬
‫از ﺗﺎﺑﻊ ﻧﻤﺎﺋﻲ ﻣﻴﺮا ﺷﻮﻧﺪه و ﺗﺎﺑﻊ ﻣﻴﺮاﺷﻮﻧﺪه ﻧﻮﺳـﺎﻧﻲ ﺷـﺒﻴﻪ ﺳـﺎزي‬ ‫ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮد]‪:[7‬‬
‫‪ξ‬‬
‫ﺷﺪه اﻧﺪ‪ .‬ﺷﻜﻞ‪)9-‬ب( ﺳﻴﮕﻨﺎل آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ را ﻧﺸﺎن ﻣـﻲ دﻫـﺪ‪.‬‬ ‫‪⎧ −‬‬ ‫) ‪ω (t −τ‬‬
‫⎪‬ ‫‪1−ξ 2‬‬
‫] ‪e − j ω (t −τ ) , t ∈ [τ ,τ + τ s‬‬
‫‪g (ω , ξ ,τ , t ) = g γ (t ) = ⎨Ae‬‬
‫ﺷﻜﻞ‪ 10-‬ﻣﻨﺤﻨﻲ ﺗﻐﻴﻴﺮات ﻧﺴﺒﺖ ﻫﻤﺒﺴﺘﮕﻲ ﺑـﻴﻦ ﺳـﻴﮕﻨﺎل ﺗﺨﻠﻴـﻪ‬ ‫‪⎪⎩0‬‬ ‫‪,‬‬ ‫] ‪t ∉ [τ ,τ + τ s‬‬ ‫)‪(25‬‬
‫ﺟﺰﺋﻲ ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ و اﺗﻢ ﻫﺎي ﻻﭘﻼس ﺣﻘﻴﻘﻲ‬
‫را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ .‬ﭼﻨﺎﻧﻜﻪ ﻣﺸﺎﻫﺪه ﻣﻲ ﺷﻮد‪ ،‬ﭘﺲ از ﺳﻪ ﺗﻜﺮار اول‪،‬‬ ‫ﻛﻪ ﺑﺮدار ) ‪ γ = (ω , ξ ,τ‬ﻣﺸﺨﺼﻪ ﻣﻮﺟﻚ اﺳﺖ‪) ω = 2πf ∈ R + ،‬‬
‫ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻪ ﺷﺪت ﻛﺎﻫﺶ ﻣﻲ ﻳﺎﺑـﺪ‪ .‬ﺷـﻜﻞ‪ 11-‬ﺳـﻴﮕﻨﺎل‬ ‫‪ f‬ﻓﺮﻛﺎﻧﺲ ﻧﻮﺳﺎن اﺳﺖ(‪ ξ ∈ [0,1) ،‬ﻧﺮخ ﻣﻴﺮاﺋﻲ را ﻣـﺸﺨﺺ ﻣـﻲ‬
‫ﺑﺎزﺳﺎزي ﺷﺪه ﺑﺎ ﺳﻪ اﺗﻢ ﻻﭘﻼس را ﻛﻪ ﺑﻴـﺸﺘﺮﻳﻦ ﻫﻤﺒـﺴﺘﮕﻲ را ﺑـﺎ‬ ‫ﭘـﺎراﻣﺘﺮ ﺗـﺎﺧﻴﺮ زﻣـﺎﻧﻲ و ‪ ω s τ s‬ﻋـﺮض ﻣﻮﺟـﻚ را‬ ‫‪τ ∈R‬‬ ‫ﻛﻨﺪ‪،‬‬
‫ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ دارﻧﺪ را ﻧـﺸﺎن ﻣـﻲ دﻫـﺪ‪ .‬ﺑـﺎ‬ ‫ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﻨﺪ‪ .‬ﺷﻜﻞ‪ 8-‬ﻣﻘﺎدﻳﺮ ﺣﻘﻴﻘﻲ ﻳﻚ ﻣﻮﺟﻚ ﻻﭘﻼس را‬
‫ﺗﻮﺟﻪ ﺑﻪ ﺷﻜﻞ ﻣﺸﺎﻫﺪه ﻣﻲ ﺷﻮد ﻛﻪ ﻫﺮ ﭘﺎﻟﺲ ﺗﺨﻠﻴﻪ ﺟﺰﺋـﻲ را ﺑـﻪ‬ ‫ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫ﺧﻮﺑﻲ ﺑﺎ ﺗﻨﻬﺎ ﻳﻚ اﺗﻢ ﻻﭘﻼس ﻣﻲ ﺗﻮان ﺑﺎزﺳﺎزي ﻛﺮد‪.‬‬

‫ﺷﻜﻞ‪-8‬ﻣﻘﺎدﻳﺮ ﺣﻘﻴﻘﻲ ﻳﻚ ﻣﻮﺟﻚ ﻻﭘﻼس‬

‫ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ ،‬ﺑﺎ اﺳﺘﻔﺎده از ﻣﻮﺟﻚ ﻻﭘﻼس‪،‬‬

‫ﭘﺲ از ﺗﺸﻜﻴﻞ ﻣﺠﻤﻮﻋﻪ اي ﺷﺎﻣﻞ اﺗﻢ ﻫـﺎي ﺣﻘﻴﻘـﻲ ﻻﭘـﻼس‪ ،‬ﺑـﺎ‬
‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ‪ MP‬و ﻣﻄﺎﺑﻖ روﻧﺪ ﻧﻤـﺎي ﺷـﻜﻞ‪ 1-‬اﻧﺠـﺎم‬
‫‪.‬‬
‫ﻣﻲ ﺷﻮد‪ .‬ﻧﻜﺘﻪ اي ﻛﻪ در ﺗﻔﺎوت ﺑﻴﻦ اﻧﺠﺎم ﻧﻮﻳﺰ زداﺋﻲ از ﺳـﻴﮕﻨﺎل‬
‫ﺷﻜﻞ‪)-9‬اﻟﻒ( ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﺷﺎﻣﻞ ﺳﻪ ﭘﺎﻟﺲ ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه ﺑﺎ ﺗﺎﺑﻊ‬
‫ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ ،‬ﺑﺎ اﺳﺘﻔﺎده از اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و اﺗـﻢ ﻫـﺎي ﻻﭘـﻼس‬
‫ﻧﻤﺎﺋﻲ ﻣﻴﺮا ﺷﻮﻧﺪه و ﺗﺎﺑﻊ ﻧﻮﺳﺎﻧﻲ ﻣﻴﺮاﺷﻮﻧﺪه و )ب( ﺳﻴﮕﻨﺎل آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ‬
‫وﺟﻮد دارد اﻳﻦ اﺳﺖ ﻛﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺷﺒﺎﻫﺖ زﻳـﺎد ﺑـﻴﻦ اﺗـﻢ ﻫـﺎي‬
‫ﻻﭘﻼس ﺣﻘﻴﻘﻲ و ﭘﺎﻟﺲ ﻫﺎي ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﺷﺒﻴﻪ ﺳﺎزي ﺷـﺪه‪ ،‬ﻫـﺮ‬
‫ﭘﺎﻟﺲ ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ را ﺑﺎ ﻳﻚ ﻣﻮﺟـﻚ ﻻﭘـﻼس ﺣﻘﻴﻘـﻲ‪ ،‬ﺑـﺎ دﻗـﺖ‬
‫ﻣﻨﺎﺳﺒﻲ ﻣﻲ ﺗﻮان ﺑﺎز ﺳﺎزي ﻛﺮد‪ .‬ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ﻫﻤﺎن ﮔﻮﻧﻪ ﻛﻪ در‬
‫ﺑﺨﺶ‪ 2‬ﮔﻔﺘﻪ ﺷﺪ‪ ،‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻄﺎﺑﻖ ﺑﻴﻦ اﺗﻢ ﻫﺎي ﻻﭘﻼس و ﭘﺎﻟﺲ‬

‫‪٩‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬

‫ﺑﻴﺸﺘﺮﻳﻦ ﺷﺒﺎﻫﺖ ﻣﻮﺟﻚ ﻫﺎي ﻣﺎدر ﻣﺨﺘﻠﻒ ﺑﺎ ﺳﻴﮕﻨﺎل ﻫﺎي ﺗﺨﻠﻴـﻪ‬

‫ﺟﺰﺋﻲ ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه اﻧﺘﺨﺎب ﺷﺪه اﻧﺪ و ﺗﻌﺪاد ﻣﻨﺎﺳـﺐ ﺳـﻄﻮح‬
‫ﺗﺠﺰﻳﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺸﺨﺼﺎت ﻓﺮﻛﺎﻧﺴﻲ ﺳﻴﮕﻨﺎل ﻫﺎي ﺷـﺒﻴﻪ ﺳـﺎزي‬
‫ﺷﺪه و ﺑﺎ ﺳﻌﻲ و ﺧﻄﺎ ﺑﻪ دﺳﺖ آﻣﺪه اﻧﺪ‪.‬‬
‫ﭘﺲ از ﺗﺠﺰﻳﻪ ﺳﻴﮕﻨﺎل‪ ،‬ﺿﺮاﻳﺐ ﺑﻪ دﺳﺖ آﻣﺪه در ﺳﻄﻮح ﻣﺨﺘﻠـﻒ‬
‫ﺗﺠﺰﻳﻪ‪ ،‬آﺳﺘﺎﻧﻪ ﮔﺬاري ﻣﻲ ﺷﻮﻧﺪ‪ .‬ﺑﺮاي ﻣﺤﺎﺳـﺒﻪ ﻣﻘـﺎدﻳﺮ آﺳـﺘﺎﻧﻪ از‬ ‫ﺷﻜﻞ‪ -10‬ﺗﻐﻴﻴﺮات ﻧﺴﺒﺖ ﻫﻤﺒﺴﺘﮕﻲ ﺑﻴﻦ ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ‬
‫روش ﺟﺎﻣﻊ ﺗﻌﺪﻳﻞ ﻳﺎﻓﺘﻪ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ‪ .‬روش ﺟـﺎﻣﻊ ﺗﻌـﺪﻳﻞ‬ ‫و اﺗﻤﻬﺎي ﻻﭘﻼس‬

‫ﻳﺎﻓﺘﻪ‪ ،‬ﻣﻘﺎدﻳﺮ آﺳﺘﺎﻧﻪ را ﺑﺮاي ﻫﺮ ﺳﻄﺢ ﺟﺪاﮔﺎﻧﻪ و ﺑﻪ ﺻـﻮرت زﻳـﺮ‬

‫ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﺪ‪:‬‬
‫‪λ j = σ j 2*log N j‬‬ ‫)‪(26‬‬
‫‪ λ j‬ﻣﻘﺪار آﺳﺘﺎﻧﻪ ﺳﻄﺢ ‪j‬ام ‪ N j ،‬ﻛﻪ ﺗﻌﺪاد ﺿﺮاﻳﺐ ﺳﻄﺢ آن ﺳﻄﺢ‬
‫و ‪ σ j‬ﻣﻘﺪار اﻧﺤﺮاف ﻧﻮﻳﺰﺿﺮاﻳﺐ آن ﺳﻄﺢ اﺳﺖ‪.‬‬
‫ﭘﺲ از آﺳﺘﺎﻧﻪ ﮔﺬاري‪ ،‬ﺑﺎ اﺳﺘﻔﺎده از ﺿﺮاﻳﺐ آﺳﺘﺎﻧﻪ ﮔـﺬاري ﺷـﺪه‪،‬‬ ‫ﺷﻜﻞ‪ -11‬ﺳﻴﮕﻨﺎل ﺑﺎز ﺳﺎزي ﺷﺪه ﺑﺎ ﺳﻪ اﺗﻢ ﻻﭘﻼس‬

‫ﺳﻴﮕﻨﺎل ﺑﺪون ﻧﻮﻳﺰ ﺑﺎزﺳﺎزي ﻣﻲ ﺷﻮد‪.‬‬

‫‪-7‬ﻧﻮﻳﺰ زادﺋﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ‬
‫‪-8‬ﻣﻘﺎﻳﺴﻪ ﻧﺘﺎﻳﺞ ﻧﻮﻳﺰ زداﺋﻲ‬ ‫ﻓﺮاﻳﻨﺪ ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﮔﺴﺴﺘﻪ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺒـﺪﻳﻞ ﻣﻮﺟـﻚ‬

‫ﺑﺮاي ﻣﻘﺎﻳﺴﻪ ﻧﺘﺎﻳﺞ ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ ،‬ﺑﺎ اﺳـﺘﻔﺎده‬ ‫ﺷﺎﻣﻞ ﺳﻪ ﻣﺮﺣﻠﻪ اﺻﻠﻲ اﺳﺖ]‪:[4‬‬

‫از روش ﻫــﺎي ﻣﺒﺘﻨـﻲ ﺑــﺮ اﻟﮕــﻮرﻳﺘﻢ ﺟــﺴﺘﺠﻮﮔﺮ وﻓﻘـﻲ و ﺗﺒــﺪﻳﻞ‬ ‫ﺗﺠﺰﻳﻪ‪ ،1‬ﻛﻪ ﻋﺒﺎرﺗﺴﺖ از ﻣﺤﺎﺳﺒﻪ ﺿﺮاﻳﺐ ﺗﺒـﺪﻳﻞ ﻣﻮﺟـﻚ‬ ‫‪.1‬‬

‫ﻣﻮﺟﻚ‪ ،‬ﻋﻤﻠﻜﺮد اﻳﻦ روش ﻫﺎ ﺑﺮ روي ﭼﻨﺪ ﺳﻴﮕﻨﺎل ﺷـﺒﻴﻪ ﺳـﺎزي‬ ‫ﮔﺴﺴﺘﻪ ﺳﻴﮕﻨﺎل ﻣﻮرد ﻧﻈﺮ‪.‬‬

‫ﺷﺪه آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ ﻣﺨﺘﻠﻒ ﺑﺮرﺳﻲ ﺷﺪه اﺳﺖ‪.‬‬ ‫آﺳﺘﺎﻧﻪ ﮔﺬاري‪ ، 2‬ﻛﻪ ﻋﺒﺎرﺗﺴﺖ از اﻧﺠﺎم ﻋﻤﻠﻴـﺎت ﻛـﺎﻫﺶ‬ ‫‪.2‬‬

‫ﻣﺸﺨﺼﺎت اﻳﻦ ﺳﻴﮕﻨﺎل ﻫﺎ ﻛﻪ در ﺷﻜﻞ‪ 12-‬ﻧـﺸﺎن داده ﺷـﺪه اﻧـﺪ‬ ‫ﻣﻘﺎدﻳﺮ ﺿﺮاﻳﺐ ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ)اﻧﻘﺒﺎض( ﺑﺎ ﻣﻘﺪار آﺳﺘﺎﻧﻪ‪.‬‬

‫ﻋﺒﺎرﺗﻨﺪ از‪:‬‬ ‫ﺑﺎزﺳﺎزي‪ ) 3‬ﺗﺮﻛﻴﺐ(‪ ،‬ﻛﻪ ﺑﻪ ﻓﺮاﻳﻨﺪ ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ ﻣﻌﻜـﻮس‬ ‫‪.3‬‬

‫ﺳﻴﮕﻨﺎل‪ :1-‬ﺗﺎﺑﻊ ﻣﻴﺮا ﺷﻮﻧﺪه ﻧﻮﺳـﺎﻧﻲ )ﺳـﻴﮕﻨﺎل ﺷـﻜﻞ‪(2-‬‬ ‫•‬ ‫ﺑﺎ اﺳﺘﻔﺎده از ﺿﺮاﻳﺐ ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ آﺳﺘﺎﻧﻪ ﮔﺬاري ﺷﺪه ﻣﻲ ﮔﻮﻳﻨﺪ‪.‬‬

‫آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ ﻧﺴﺒﺖ ﺳﻴﮕﻨﺎل ﺑﻪ ﻧﻮﻳﺰ )‪(-5‬دﺳﻲ ﺑﻞ‬ ‫ﺑﺮاي ﺗﺠﺰﻳﻪ ﺳﻴﮕﻨﺎل ﺑﻪ وﺳﻴﻠﻪ ﺗﺒﺪﻳﻞ ﻣﻮﺟـﻚ اﺑﺘـﺪا ﺑﺎﻳـﺪ ﻣﻮﺟـﻚ‬

‫ﺳﻴﮕﻨﺎل‪ :2-‬ﺗﺎﺑﻊ ﻣﻴﺮا ﺷﻮﻧﺪه ﻧﻮﺳـﺎﻧﻲ )ﺳـﻴﮕﻨﺎل ﺷـﻜﻞ‪(2-‬‬ ‫•‬ ‫ﻣﺎدر و ﺳﭙﺲ ﺗﻌﺪاد ﺳﻄﻮح ﺗﺠﺰﻳﻪ اﻧﺘﺨـﺎب ﺷـﻮﻧﺪ‪ .‬در اﻳـﻦ ﻣﻘﺎﻟـﻪ‬

‫آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ ﻧﺴﺒﺖ ﺳﻴﮕﻨﺎل ﺑﻪ ﻧﻮﻳﺰ )‪(-12‬دﺳﻲ ﺑﻞ‬ ‫ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ‪ ،‬ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬

‫ﺳﻴﮕﻨﺎل‪ :3-‬ﺗﺎﺑﻊ ﻣﻴﺮا ﺷﻮﻧﺪه ﻧﻮﺳـﺎﻧﻲ )ﺳـﻴﮕﻨﺎل ﺷـﻜﻞ‪(2-‬‬ ‫•‬ ‫ﺗﺎ ﺷﺶ ﺳﻄﺢ و ﺑﺎ ﻣﻮﺟﻚ ﻣﺎدر ﻛﻮاﻳﻔﻠﺖ‪ 2 -‬ﺑﺮاي ﺗـﺎﺑﻊ ﻧﻮﺳـﺎﻧﻲ‬

‫آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ ﻧﺴﺒﺖ ﺳﻴﮕﻨﺎل ﺑﻪ ﻧـﻮﻳﺰ )‪(-12‬دﺳـﻲ ﺑـﻞ و‬ ‫ﻣﻴﺮا ﺷﻮﻧﺪه و ﻣﻮﺟﻚ ﻣﺎدر ﺳـﻴﻢ ﻟـﺖ‪ 4-‬ﺑـﺮاي ﺗـﺎﺑﻊ ﻧﻤـﺎﺋﻲ ﻣﻴـﺮا‬

‫ﻧﻮﻳﺰﺳﻴﻨﻮﺳﻲ)راﺑﻄﻪ)‪ ((21‬ﺑﺎ داﻣﻨﻪ)‪(0/5‬‬ ‫ﺷﻮﻧﺪه ﺗﺠﺰﻳﻪ ﺷﺪه اﺳﺖ‪ .‬اﻧﺘﺨﺎب ﻣﻮﺟﻚ ﻫـﺎي ﻣـﺎدر ﺑـﺮ اﺳـﺎس‬

‫ﺳﻴﮕﻨﺎل‪ :4-‬ﺗـﺎﺑﻊ ﻧﻤـﺎﺋﻲ ﻣﻴـﺮا ﺷـﻮﻧﺪه)ﺳـﻴﮕﻨﺎل ﺷـﻜﻞ‪(3-‬‬ ‫•‬

‫آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ ﺳﻔﻴﺪ ﺑﺎ ﻧﺴﺒﺖ ﺳﻴﮕﻨﺎل ﺑﻪ ﻧـﻮﻳﺰ )‪(-5‬دﺳـﻲ ﺑـﻞ و‬ ‫‪1‬‬
‫‪Decomposition‬‬
‫‪2‬‬
‫ﻧﻮﻳﺰﺳﻴﻨﻮﺳﻲ)راﺑﻄﻪ)‪ ((21‬ﺑﺎ داﻣﻨﻪ)‪(0/5‬‬ ‫‪Thresholding‬‬
‫‪3‬‬
‫‪Reconstruction‬‬

‫‪١٠‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬

‫ﺳﻴﮕﻨﺎل ﻫﺎي ﻧﻮﻳﺰ زداﺋﻲ ﺷﺪه ﺑﺎ روﺷـﻬﺎي اﻟﮕـﻮرﻳﺘﻢ ﺟـﺴﺘﺠﻮﮔﺮ‬

‫وﻓﻘﻲ ﺑﺎ اﺗﻢ ﭼﺮﭘﻠﺖ‪ ،‬اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ ﺑﺎ اﺗـﻢ ﻻﭘـﻼس و‬
‫ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ ﮔﺴﺴﺘﻪ‪ ،‬در ﺷﻜﻞ ﻫﺎ ي ‪ 13‬ﺗﺎ ‪ 16‬ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه اﻧﺪ‪.‬‬
‫ﻧﺘــﺎﻳﺞ ﻧــﻮﻳﺰ داﺋــﻲ در ﺟــﺪول‪ 1-‬درج ﺷــﺪه اﺳــﺖ‪ .‬ﻣﻘــﺪار ﺗــﺎﺑﻊ‬
‫ﻫﻤﺒﺴﺘﮕﻲ ﻣﺘﻘﺎﺑﻞ)‪ (CC‬ﺑـﺎ اﺳـﺘﻔﺎده از راﺑﻄـﻪ)‪ (17‬ﻣﺤﺎﺳـﺒﻪ ﺷـﺪه‬
‫اﺳﺖ و ﻣﻘﺎدﻳﺮ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺮﺑﻌﺎت ﺧﻄﺎ)راﺑﻄـﻪ)‪ ((16‬ﻛـﻪ در ﺟـﺪول‬
‫ذﻛﺮ ﺷﺪه اﻧﺪ در ﻋﺪد ‪ 1000‬ﺿﺮب ﺷﺪه اﻧﺪ‪.‬‬

‫ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ‬ ‫اﺗﻢ ﭼﺮﭘﻠﺖ‬ ‫اﺗﻢ ﻻﭘﻼس‬

‫ﺷﻤﺎره‬
‫‪MS‬‬ ‫‪MS‬‬ ‫‪MS‬‬
‫ﺳﻴﮕﻨﺎل‬ ‫‪CC‬‬ ‫‪CC‬‬ ‫‪CC‬‬
‫‪E‬‬ ‫‪E‬‬ ‫‪E‬‬
‫ﺷﻜﻞ‪-13-‬ﺳﻴﮕﻨﺎل‪ 1-‬ﻧﻮﻳﺰ زداﺋﻲ ﺷﺪه ﺑﺎ روﺷﻬﺎي ﻣﺨﺘﻠﻒ‬
‫ﺳﻴﮕﻨﺎل‪1-‬‬ ‫‪0,932‬‬ ‫‪1,04‬‬ ‫‪0,918‬‬ ‫‪1,31‬‬ ‫‪0,954‬‬ ‫‪0,8‬‬
‫ﺳﻴﮕﻨﺎل‪2-‬‬ ‫‪0,881‬‬ ‫‪1,79‬‬ ‫‪0,805‬‬ ‫‪3,2‬‬ ‫‪0,944‬‬ ‫‪0,871‬‬
‫ﺳﻴﮕﻨﺎل‪3-‬‬ ‫‪0,874‬‬ ‫‪1,92‬‬ ‫‪0,806‬‬ ‫‪3,33‬‬ ‫‪0,947‬‬ ‫‪0,838‬‬
‫ﺳﻴﮕﻨﺎل‪4-‬‬ ‫‪0,916‬‬ ‫‪2,43‬‬ ‫‪0,842‬‬ ‫‪4,88‬‬ ‫‪0,952‬‬ ‫‪1,47‬‬
‫ﺟﺪول‪-1-‬ﻧﺘﺎﻳﺞ ﻧﻮﻳﺰداﺋﻲ ﺑﺎ اﺳﺘﻔﺎده از روش ﻫﺎي ﻣﺨﺘﻠﻒ‬

‫ﺷﻜﻞ‪-14-‬ﺳﻴﮕﻨﺎل‪ 2-‬ﻧﻮﻳﺰ زداﺋﻲ ﺷﺪه ﺑﺎ روﺷﻬﺎي ﻣﺨﺘﻠﻒ‬

‫ﺷﻜﻞ‪-12-‬ﺳﻴﮕﻨﺎل ﻫﺎي ﺷﺒﻴﻪ ﺳﺎزي ﺷﺪه آﻏﺸﺘﻪ ﺑﻪ ﻧﻮﻳﺰ ﻫﺎي ﻣﺨﺘﻠﻒ‬

‫‪١١‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬

‫ﭘﺎﻟﺲ ﻫﺎي ﺗﺨﻠﻴﻪ‬ ‫ﻧﺴﺒﺖ ﺳﻴﮕﻨﺎل ﺑﻪ ﻧﻮﻳﺰ ﻛﻮ ﭼﻚ ﺑﺎﺷﺪ ‪ ،‬ﺷﻜﻞ‬

‫ﺟﺰﺋﻲ را ﻧﻤﻲ ﺗﻮان ﺑﻪ ﺧﻮﺑﻲ ﺑﺎزﺳﺎزي ﻛﺮد‪ .‬در اﻳﻦ ﻣـﻮارد ﺑـﻪ اﺗـﻢ‬
‫ﻫﺎﺋﻲ ﻣﺎﻧﻨﺪ اﺗﻢ ﻻﭘﻼس‪ ،‬ﻛﻪ ﺗﻄﺎﺑﻖ ﺑﻴﺸﺘﺮي ﺑـﺎ ﭘـﺎﻟﺲ ﻫـﺎي ﺗﺨﻠﻴـﻪ‬
‫ﺟﺰﺋﻲ داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬ﻧﻴﺎز اﺳﺖ‪ .‬ﺑﻪ ﻋﻼه اﻧﺠﺎم ﻧﻮﻳﺰ زداﺋﻲ ﺑﺎ اﺳﺘﻔﺎده‬
‫از اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ‪ ،‬در ﻣﻘﺎﻳﺴﻪ ﺑﺎ اﺗﻢ ﻻﭘﻼس‪ ،‬ﺑﻪ دﻟﻴﻞ داﺷﺘﻦ ﻳﻚ‬
‫ﭘﺎراﻣﺘﺮ ﻣﺘﻐﻴﺮ اﺿﺎﻓﻲ و ﻫﻤﭽﻨﻴﻦ ﻧﻴﺎز ﺑـﻪ ﭼﻨـﺪ اﺗـﻢ ﭼﺮﭘﻠـﺖ ﺑـﺮاي‬
‫ﺑﺎزﺳﺎزي ﭘﺎﻟﺲ ﻫﺎي ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ زﻣﺎن ﺑﺴﻴﺎر ﺑﻴﺸﺘﺮي ﺻـﺮف ﻣـﻲ‬
‫ﻛﻨﺪ‪ .‬ﻧﺘﺎﻳﺞ ﺑﻪ دﺳﺖ آﻣﺪه از ﻧﻮﻳﺰ زداﺋﻲ ﺑﻮﺳـﻴﻠﻪ اﺗـﻢ ﭼﺮﭘﻠـﺖ‪ ،‬در‬
‫ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﻧﺘﺎﻳﺞ ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ ﮔﺴﺴﺘﻪ ﻧﻴﺰ ﺿﻌﻴﻒ ﺗﺮ ﻫﺴﺘﻨﺪ‪.‬‬
‫ﺑﺎ اﺳﺘﻔﺎده از ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ ﻧﻴﺰ ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ را ﻣﻲ ﺗـﻮان‬
‫ﻧﻮﻳﺰ زداﺋﻲ ﻛﺮد‪ ،‬اﻣﺎ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺷﻜﻞ ﻣﻮﺟﻚ ﻫﺎ‪ ،‬در ﻧـﺴﺒﺖ ﻫـﺎي‬ ‫ﺷﻜﻞ‪-15-‬ﺳﻴﮕﻨﺎل‪ 3-‬ﻧﻮﻳﺰ زداﺋﻲ ﺷﺪه ﺑﺎ روﺷﻬﺎي ﻣﺨﺘﻠﻒ‬
‫ﺳﻴﮕﻨﺎل ﺑﻪ ﻧﻮﻳﺰ ﻛﻮﭼﻚ ﺷﻜﻞ ﻇﺎﻫﺮي ﺳﻴﮕﻨﺎل ﺑﻪ ﺧﻮﺑﻲ ﺑﺎز ﺳﺎزي‬
‫ﻧﻤﻲ ﺷﻮد‪ .‬اﻣﺎ ﺣﺠﻢ ﻣﺤﺎﺳﺒﺎت ﻣﺮﺑﻮط ﺑﻪ ﺗﺒﺪﻳﻞ ﻣﻮﺟﻚ در ﻣﻘﺎﻳﺴﻪ‬
‫ﺑﺎ ﺳﺎﻳﺮ روش ﻫﺎ ﺑﺴﻴﺎر ﻛﻤﺘﺮ ﺑﻮده و ﻣﺤﺎﺳﺒﺎت ﻣﺮﺑـﻮط ﺑـﻪ آن ﺑـﻪ‬
‫ﺳﺎدﮔﻲ و در زﻣﺎن ﻛﻮﺗﺎﻫﻲ اﻧﺠﺎم ﭘﺬﻳﺮ اﺳﺖ‪.‬‬

‫‪-9‬ﻧﺘﻴﺠﻪ ﮔﻴﺮي‬
‫در اﻳﻦ ﻣﻘﺎﻟﻪ اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻻﭘﻼس و‬
‫اﺗﻢ ﭼﺮﭘﻠﺖ ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﻣﻮرد اﺳﺘﻔﺎده‬
‫ﻗﺮار ﮔﺮﻓﺖ و ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از ﻧﻮﻳﺰ زداﺋﻲ ﺑﺎ ﻧﺘﺎﻳﺞ ﺗﺒـﺪﻳﻞ ﻣﻮﺟـﻚ‬
‫ﻣﻘﺎﻳﺴﻪ ﺷﺪ‪ .‬ﺑﺎ ﻣﻘﺎﻳﺴﻪ ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از ﻧﻮﻳﺰ زداﺋﻲ ﻣـﺸﺨﺺ ﺷـﺪ‬
‫ﻛﻪ اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘـﻲ و اﺗـﻢ ﻻﭘـﻼس ﺑﻬﺘـﺮﻳﻦ‬
‫ﺷﻜﻞ‪-16-‬ﺳﻴﮕﻨﺎل‪ 4-‬ﻧﻮﻳﺰ زداﺋﻲ ﺷﺪه ﺑﺎ روﺷﻬﺎي ﻣﺨﺘﻠﻒ‬
‫ﻧﺘﻴﺠﻪ را ﺑﺮاي ﻧﻮﻳﺰزداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﺣﺎﺻﻞ ﻣﻲ ﻛﻨـﺪ‪.‬‬
‫در ﻣﻘﺎﺑﻞ اﺗﻢ ﭼﺮﭘﻠﺖ در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﺳﺎﻳﺮ روش ﻫﺎ ﻛﺎراﺋﻲ ﭼﻨـﺪاﻧﻲ‬
‫ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺷﻜﻞ ﻫﺎي ‪ 13‬ﺗﺎ ‪ 16‬و ﻧﺘﺎﻳﺞ ذﻛﺮ ﺷـﺪه در ﺟـﺪول‪1-‬‬
‫ﻧﺪاﺷﺘﻪ و ﻫﻤﭽﻨﻴﻦ ﺑﻪ دﻟﻴﻞ داﺷﺘﻦ ﭼﻬﺎر ﭘﺎراﻣﺘﺮ ﻣﺘﻐﻴﺮ و ﻧﻴﺎز ﺑﻪ ﭼﻨﺪ‬
‫ﻣــﺸﺎﻫﺪه ﻣ ـﻲ ﺷــﻮد ﻛــﻪ ﻧــﻮﻳﺰداﺋﻲ ﺑــﺎ اﺗــﻢ ﻻﭘــﻼس و اﻟﮕــﻮرﻳﺘﻢ‬
‫اﺗﻢ ﭼﺮﭘﻠـﺖ ﺑـﺮاي ﺑﺎزﺳـﺎزي ﭘـﺎﻟﺲ ﻫـﺎي ﺗﺨﻠﻴـﻪ ﺟﺰﺋـﻲ ﺣﺠـﻢ‬
‫ﺟﺴﺘﺠﻮﮔﺮ ﺗﻄﺒﻴﻘﻲ ﺑﻬﺘﺮﻳﻦ ﻧﺘﻴﺠﻪ را ﺣﺎﺻﻞ ﻛﺮده اﺳـﺖ‪ .‬ﻧﺘـﺎﻳﺞ ﺑـﻪ‬
‫ﻣﺤﺎﺳﺒﺎت ﻣﺮﺑﻮط ﺑﻪ آن ﺑﺴﻴﺎر زﻳﺎد اﺳﺖ‪ .‬ﺗﺒﺪﻳﻞ ﻣﻮﺟـﻚ ﮔﺴـﺴﺘﻪ‬
‫دﺳﺖ آﻣﺪه از ﻧﻮﻳﺰ زداﺋﻲ ﺑﺎ اﺗﻢ ﭼﺮﭘﻠﺖ ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ ﺳـﻴﮕﻨﺎل‬
‫در ﻣﻘﺎﻳﺴﻪ ﺑﺎ ﺳﺎﻳﺮ روش ﻫﺎي ﻧﻮﻳﺰ داﺋﻲ ﻧﻴﺎز ﺑﻪ ﻣﺤﺎﺳﺒﺎت ﻛﻤﺘـﺮي‬
‫ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‪ ،‬ﻧﺘﺎﻳﺞ ﻣﻨﺎﺳﺒﻲ ﻧﻴﺴﺖ‪ .‬اﺗﻢ ﭼﺮﭘﻠـﺖ ﺑـﺎ داﺷـﺘﻦ ﭼﻬـﺎر‬
‫دارد و ﺳﻴﮕﻨﺎل ﻫﺎي ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ را ﺑﺎ ﻛﻴﻔﻴﺖ ﻧـﺴﺒﺘﺎ ﻗﺎﺑـﻞ ﻗﺒـﻮﻟﻲ‬
‫ﭘﺎراﻣﺘﺮ ﻣﺘﻐﻴﺮ ﻗﺎﺑﻠﻴﺖ ﺧﻮﺑﻲ ﺑﺮاي ﺑﺎزﺳﺎزي ﺳﻴﮕﻨﺎل ﻫﺎﺋﻲ ﺑﺎ ﺳﺎﺧﺘﺎر‬
‫ﻧﻮﻳﺰزداﺋﻲ ﻣﻲ ﻛﻨﺪ اﻣﺎ ﺷﻜﻞ ﻇﺎﻫﺮي ﭘﺎﻟﺲ ﻫﺎي ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ را ﺑـﻪ‬
‫ﭘﻴﭽﻴﺪه دارد]‪ [9‬اﻣﺎ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻦ ﻛﻪ ﺑﺮاي ﺑﺎزﺳﺎزي ﺷﻜﻞ ﻇﺎﻫﺮي‬
‫ﺧﺼﻮص اﮔﺮ ﻧﺴﺒﺖ ﺳﻴﮕﻤﻨﺎل ﺑﻪ ﻧﻮﻳﺰ ﻛﻮﭼﻚ ﺑﺎﺷﺪ ﻧﻤﻲ ﺗﻮاﻧﺪ ﺑـﻪ‬
‫ﻫﺮ ﭘﺎﻟﺲ ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ ﺑﻪ ﭼﻨﺪﻳﻦ اﺗـﻢ ﭼﺮﭘﻠـﺖ ﻧﻴـﺎز اﺳـﺖ و اﮔـﺮ‬
‫ﺧﻮﺑﻲ ﺑﺎزﺳﺎزي ﻛﻨﺪ‪.‬‬

‫‪١٢‬‬
 ‫اﺳﺘﻔﺎده از اﻟﮕﻮرﻳﺘﻢ ﺟﺴﺘﺠﻮﮔﺮ وﻓﻘﻲ و اﺗﻢ ﻫﺎي ﭼﺮﭘﻠﺖ و ﻻﭘﻼس ﺑﺮاي ﻧﻮﻳﺰ زداﺋﻲ از ﺳﻴﮕﻨﺎل ﺗﺨﻠﻴﻪ ﺟﺰﺋﻲ‬
‫ﺑﻴﺴﺖ ودوﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ ﺑﻴﻦاﻟﻤﻠﻠﻲ ﺑﺮق‬
Transform to Partial Discharge Measurement
Denoising”, IEEE Trans. on Dielectrics and
Electrical Insulation, vol. 12, no. 3, pp. 586-594,
June 2005
[6] X. Ma, C. Zhou, I. J .Kemp, “Automated
Wavelet Selection and Thresholding for PD
Detection”, IEEE Electrical Insulation
Magazine, vol. 18, no.2, pp. 37-45, 2002.
[7] S. Mallat, Z. Zhang, “Matching Pursuits
With Time-Frequency Dictionaries”, IEEE
Trans. on Signal Processing, vol. 41, no. 12, pp.
3397–3415, December 1993.
[8] X. Yan, H. Chengjun, Y. Weiyong, J.
Xiuchen, “ Research on Matching Pursuit
Algorithm Based-on Laplace Wavelet for Partial
Discharge Pulse Detection”, IEEE Power
Engineering Society General Meeting, vol. 1,
pp. 1013-1018, 12-14 June 2005.
[9] A. Bultan, “A Four-Parameter Atomic
Decomposition of Chirplets”, IEEE Trans. on
Signal Processing, vol. 41, no. 3, pp. 731-745,
March 1999.
[10] G. Strang, T. Nguyen, “Wavelet and Filter
١٣
‫ ﻣﺮاﺟﻊ‬-10
[1] S. Zaman, D. Zhu, X. Jin, K. Tan, “An
Adaptive Digital System to Reduce Periodical
Noise in On-line Partial Discharge Monitoring”,
8th Inter. Symposium HV Engineering,
Yokohama,Japanpp. 77-80, 1993.
[2] V. Nagesh, B. I. Gururaj, “Evaluation of
Digital Filters For Rejecting Discrete Spectral
Interferences in On-Site PD Measurements”,
IEEE Trans. on Electrical Insulation, vol. 28, no.
1, pp. 73-85, 1993.
[3] J. Veen, P.C.J.M. Van Der Wielen, “The
Application of Matched Filters to PD Detection
and Localization”, IEEE Electrical Insulation
Magazine, vol. 19, no. 5, pp. 20-26,
September/October 2003.
[4] I. Shim, J.J. Soraghan, W.H. Siew,
“Detection of PD Utilizing Digital Signal
Processing Methods Part 3: Open-Loop Noise
Reduction”, IEEE Electrical Insulation
Magazine, vol. 17, no. 1, pp. 6-13,
January/February 2001.
[5] X. Zhou, C. Zhou, I. J. Kemp, “An Improved
Methodology for Application of Wavelet
[11] Banks”, Wellesley-Cambridge Press,
1996.