基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。     

矿井隧道无线通信时抗多径衰落方案的研究

针对当今矿井隧道中复杂的通信环境,提出了一个利用正交频复用(OFDM)技术的通信模型。通过模拟仿真来检测该模型在通信时,具有高效传输数据能力和很低的误码率。以此来保证无论在正常采矿作业还是矿难事故中,该模型都能提供一个稳定可靠的通信。     

基于遗传算法的频谱池ICI 优化算法

为优化基于小波的频谱池系统中的载波间干扰( ICI: Inter-Carrier Interference) ，提出了一种基于遗传算法的载波间干扰优化方案。采用遗传算法获得最佳权重向量，抑制认知用户子载波干扰能量。该算法可在不牺牲认知用户带宽的条件下，优化认知用户载波干扰能量。仿真结果表明，在满足认知用户目标误码率条件下，明显抑制影响授权用户的载波间干扰，使授权用户获得更好的误码率性能。     

MIMO下预编码辅助空间调制的接收天线选择

预编码辅助空间调制(pre-coding aided spatial modulation，PSM)通过激活接收天线的索引在空间域中传输信息比特。将接收天线选择(receive antenna selection，RAS)技术引入到PSM系统中，可以提高PSM系统的性能。在传统的PAS算法中，穷举搜索算法的系统性能最优，但穷尽搜索会导致其计算复杂度较高；快速RAS算法的计算复杂度较低，但其系统性能较差。因此，针对PSM系统的RAS算法，需要寻找一个折中的方案以适用于实际的通信系统。通过利用信道矩阵的最大和最小特征值(maximum and minimum eigenvalue，MME)，设计了MME-RAS算法。分析和仿真结果表明，该算法相比于快速RAS算法计算复杂度略有提升，但可以使系统性能提高1 dB左右；相比于穷举搜索算法可以使计算复杂度降低70%以上，并且其系统性能接近于穷举搜索算法。     

基于卷积神经网络和稀疏滤波的调制识别方法

针对当前通信系统所采用的主要调制方式,提出了一种基于卷积神经网络和稀疏滤波的调制识别方法。首先,分析了利用信号循环谱二维灰度图进行通信信号调制识别的可行性;然后,通过降采样和裁剪技术对循环谱图预处理;最后,设计了深度卷积神经网络架构,并提出了稀疏滤波预训练的方法。仿真结果表明:相比于经典的基于深度学习的调制识别方法,该方法模型简单,优化量少,且在小样本场景下性能最佳,具有很高应用价值。