مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 18 70 2026 11 10 Fading Channel Classification Using Wavelet Transform and LDA Ensemble Learning Algorithm طبقه‌بندی کانال‌های محوشونده با استفاده از تبدیل موجک و الگوریتم یادگیری‌جمعی مبتنی بر LDA fa عباس نجفیان دانشگاه صداوسیما محمدعلی سبقتی 2025 6 2 <p style="text-align: left;">Channel fading is a critical challenge in wireless communications, for which various solutions have been proposed. &nbsp;Knowing the type of fading is essential to choosing the right solution for communication links. The fading of communications channels is classified into different forms based on the frequency selectivity and time variations. To find the channel type, a classification problem should be solved. Firstly, appropriate features are extracted from the channel response, then the classification algorithm is run on these features. In this paper, we propose a method for fading channels classification in OFDM systems that extracts features from the scalogram obtained by applying wavelet transform to the channel response, and determines the channel type using the LDA algorithm with a random subspace ensemble learning method. Wavelet transform is applied to the estimated channel response to resemble the realistic conditions. The channel response is estimated using the pilots. The proposed method is simulated to classify 8 channel types, which is the combination of four multipath models based on the COST207 standard and two Doppler shifts of 50 and 200 Hz. In simulations, the effect of various parameters on classification accuracy has been evaluated. Simulation results illustrate that the proposed method is more robust to noise and channel estimation errors in reduced pilot overhead, and its performance in these conditions decreases less than the competing methods, while extracting the smaller feature vector.</p> <p>محوشوندگی کانال یکی از چالش&zwnj;های اساسی ارتباطات بی&zwnj;سیم است که برای مقابله با آن راه&zwnj;حل&zwnj;های مختلفی ارائه شده است. شناخت نوع محوشوندگی برای انتخاب راه&zwnj;حل مناسب در لینک&zwnj;های مخابراتی لازم است. محوشوندگی کانال&zwnj;های مخابراتی بر اساس شدّت فرکانس&zwnj;گزینی و تغییرات زمانی به صورت&zwnj;های مختلف دسته&zwnj;بندی می&zwnj;شوند. تشخیص نوع کانال یک مسأله طبقه&zwnj;بندی است. ابتدا ویژگی&zwnj;های مناسب از پاسخ کانال استخراج می&zwnj;شود، سپس الگوریتم طبقه&zwnj;بندی روی این ویژگی&zwnj;ها اجرا می&zwnj;گردد. در این مقاله، روشی برای طبقه&zwnj;بندی کانال&zwnj;های محوشونده در سیستم OFDM پیشنهاد کرده&zwnj;ایم که ویژگی&zwnj;ها را از مقیاس&zwnj;نگاره حاصل از اعمال تبدیل موجک روی پاسخ کانال استخراج می&zwnj;کند و از الگوریتم LDA با یادگیری گروهی به روش زیرفضای تصادفی نوع کانال را تعیین می&zwnj;نماید. تبدیل موجک روی تخمین پاسخ کانال اعمال می&zwnj;شود تا به شرایط واقعی نزدیک باشیم. پاسخ کانال به کمک پایلوت تخمین زده می&zwnj;شود. روش پیشنهادی برای طبقه&zwnj;بندی 8 نوع کانال شبیه&zwnj;سازی شده است که نتیجه ترکیب چهار مدل چندمسیره بر اساس استاندارد COST207 و دو شیفت داپلر 50 و 200 هرتز است. در آزمایش&zwnj;ها تأثیر پارامترهای مختلف روی دقت طبقه&zwnj;بندی ارزیابی شده است. نتایج شبیه&zwnj;سازی&zwnj;ها نشان &zwnj;می&zwnj;دهد روش پیشنهادی نسبت به افزایش سطح نویز و افزایش خطای تخمین کانال در اثر کاهش سربار پایلوت مقاومت بیشتری دارد و عملکرد آن در این شرایط کمتر از روش&zwnj;های رقیب افت می&zwnj;کند، در حالی که بردار ویژگی با ابعاد کمتری استخراج می&zwnj;نماید.</p> http://jour.aicti.ir/fa/Article/Download/50445