基于频域互相关序列与峰值检测的空频分组码盲识别算法

针对复杂电磁环境和非协作通信条件下空频分组码(space-frequency block codes, SFBC)信号识别困难、对先验信息要求高的问题, 提出一种基于频域互相关序列与峰值检测的SFBC盲识别方法。首先，通过分析SFBC信号的编码特点, 计算得到发送端的互相关函数。然后，考虑频率选择信道、多径传播和噪声的影响, 推导了接收信号的互相关函数, 并对其进行傅里叶变换得到频域互相关序列。最后，根据频域互相关序列检测其峰值位置识别发射端编码方式。推导和实验结果表明, 该算法在低信噪比下的识别性能较好, 并且对时间偏差和频率偏差等情况的适应性较强, 在复杂电磁环境下具有较好的识别性能, 能够应用在认知无线电和频谱检测等场合。该算法不需要知道信道和噪声的先验信息、正交频分复用(orthogonal frequency division multiplexing, OFDM)块大小以及接收端和发射端的同步信息, 非常适合于电子侦察等非协作通信场合。     

基于互相关特征图和扩张稠密卷积网络的SFBC-OFDM识别方法

针对传统的空频分组码(space-frequency block code, SFBC)识别方法存在人工提取特征困难、低信噪比(signal to noise ratio, SNR)下识别准确率低和不适用于非协作通信的问题, 提出一种基于互相关特征图和扩张稠密卷积网络的SFBC自动识别方法。首先，计算接收端频域上的互相关函数并进行维度变换, 得到二维互相关特征图。然后, 对得到的特征图进行预处理以扩大卷积核感受的有效区域, 去除图像冗余信息。最后，构建扩张稠密卷积网络以自动提取预处理图像特征, 实现SFBC分类识别。仿真结果表明, SNR为-8 dB时, 该方法对SFBC信号的识别准确率达到了96.1%。相比于传统算法, 该方法具有更好的抗低SNR和特征自提取能力, 验证了深度学习方法在SFBC识别领域的有效性, 为该领域的后续研究奠定了基础。