适用于通信侦察的信号盲分离算法

以Kullback-Leibler散度为代价函数,基于相对梯度算法推导了在通信侦察中适用于通信信号盲分离的独立信源盲分离算法,并从理论上证明了算法的稳定性.仿真结果表明:只要源信号之间相互独立,则对任意载频、任何调制方式的通信信号,该算法都能够根据观察到的混合信号有效地分离出源信号.在源信号并不完全独立的情况下,其分离性能略有降低.     

基于 RIE 的自适应窄带干扰抑制算法

针对直接序列扩频(direct sequence spread spectrum,DSSS)通信系统中窄带干扰(narrow-band interference,NBI)抑制问题,将窄带干扰存在性识别技术(recognition of interference existence,RIE)和变换域窄带干扰抑制算法相结合,提出了一种自适应窄带干扰抑制算法.该算法能根据接收到的信号,利用基于能限因子的RIE算法判断接收信号中是否含有窄带干扰信号,从而决定是否需要对其进行干扰抑制处理.理论分析表明,当接收信号中不合窄带干扰或干扰信号较小时,既可减少由于窄带干扰抑制算法对有用信号造成的损伤,提高误码率性能,又能降低系统处理的复杂度.仿真结果表明,自适应窄带干扰抑制方案抑制干扰误码率性能明显优于非自适应窄带干扰抑制方案.     

基于独立分量分析（ICA）的通信信号盲侦察技术

在通信对抗中，由于电磁环境的复杂性和通信信号调制方式的多样性，我们事前无法确知接收信号的任何信息，给通信侦察带来了极大的困难.为解决复杂多信号环境下的通信侦察难题，作者提出了一种采用独立分量分析（ICA）技术，对原始信号进行盲分离，然后分别对分离的各个信号进行后续处理的盲侦察技术.在介绍ICA技术的基础上，采用基于自然梯度的ICA算法(EASI算法)对分离效果进行了仿真.仿真结果表明，采用该方法在无需任何先验知识的情况下（如载频、信号带宽、调制样式），可以很好地分离出原始发射信号，为后续信号处理（如分析识别、解调等）奠定了基础.     

基于改进AMC的LTE MIMO模式自适应切换算法

首先针对传统的自动调制编码（adaptive modulation coding, AMC）技术存在映射的调制编码方案等级与实际信道环境不匹配的问题,提出了一种基于ACK/NACK（acknowledge/negative acknowledgement）反馈的信道质量指示(channel quality indicator, CQI)微调技术,此方案能够使上报的CQI等级更好地适应当前环境,确保了传输的可靠性。在此基础上提出了一种基于AMC的多输入多输出模式自适应切换方案,该方案基于信噪比和速率进行自适应的模式切换,可以在不同的传输环境下达到最高系统容量。仿真结果表明,所提方案能够适应多种传输环境,可以显著提高系统容量。     

无线局域网的网络规划技术研究

〖KH-*2D〗〖GK2!2〗 分析了无线局域网中主机（AP）的覆盖范围、有效传输速率和网络容量3个因素之间的关系,研究了无线局域网中AP的优化方法。从建设大规模无线局域网的角度出发,讨论了提高网络容量的几种网络规划技术,如频率重用方式、智能天线技术以及Mesh网络拓扑结构。      

通信侦察中通信复信号的盲源分离算法

针对目前大多盲源分离算法只适用于实信号,而在通信对抗中处理的一般都是通信复信号这一问题,推导了一种适用于通信复信号的盲源分离算法.该算法以Kullback-Leibler发散度作为信号之间独立性的测度准则.另外由于自然梯度比随机梯度性能更优,因此利用代价函数的自然梯度进行优化,根据白化后信号混合矩阵为正交矩阵的结论,对分离矩阵做正交性约束,推导出了算法的迭代公式.仿真结果表明,即使在有嗓环境下,该算法也能够有效地分离出源信号.     

改进的基于步长自适应的自然梯度盲源分离算法

为解决盲源分离算法中收敛速度和稳定性的折中问题,基于最优步长的思想,提出了一种新的步长自适应的自然梯度盲分离算法.在自然梯度盲分离算法的基础上,对步长进行自适应迭代,步长偏移量的选取原则是使得下一次迭代时的步长最优,或者说目标函数最小.仿真结果表明,提出的算法相对固定步长自然梯度算法,其收敛速度提高了1倍以上,而系统的稳定性能基本不变.     

基于概率密度估计盲分离的通信信号盲侦察技术

为解决复杂多信号环境下的通信侦察难题，提出一种新的盲侦察技术，采用基于密度估计的盲分离算法（DEBSS）分离出原始信号，然后对分离的各个信号进行后续信号处理．DEBSS算法采用核函数估计法估计出信号的概率密度函数及其导数，以此确定信号的评价函数，然后采用自然梯度迭代算法进行迭代．仿真结果表明，采用该方法在无需任何先验知识的情况下（如载频、信号带宽、调制样式），可以很好地分离出原始的发射信号，为后续信号处理（如分析识别、解调等）奠定基础．该算法可以对任意源信号进行分离，而不管它是超高斯还是亚高斯信号．     

基于改进K-均值聚类的欠定混合矩阵盲估计

在源信号个数未知条件下,提出一种基于改进K-均值聚类的欠定混合矩阵盲估计方法。该方法首先计算观测信号在单位半超球面上投影点的密度参数,然后去掉低密度投影点,并从高密度投影点中选取初始聚类中心,最后对剩余投影点进行聚类,根据Davies-Bouldin指标估计源信号个数,并估计出混合矩阵。仿真结果表明,该方法的复杂度低,其运行时间仅为拉普拉斯势函数法的1%~3%;该方法的源信号个数估计正确率远高于鲁棒竞争聚类算法,当信噪比高于13 dB时,该方法源信号个数估计正确率大于96.6%,且混合矩阵估计误差较小。该方法在信噪比较高时,可降低对源信号稀疏度的要求。     

基于滤波器阶数估计的卷积盲分离算法

为解决时域卷积盲分离中存在的初值选取以及方阵局限问题,提出了一种基于滤波器阶数估计的非正交联合块对角化算法.该算法通过对观测信号自相关矩阵的相邻特征值比值设阈值,实现了滤波器阶数的估计和对角块个数以及维数的自适应选取;引入预白化对非方阵的等效混合矩阵进行降维处理,消除了非正交联合块对角化算法中等效混合矩阵必须为方阵的局限性.仿真结果表明:提出的滤波器阶数估计方法准确率高,有效解决了非正交联合块对角化算法在卷积混合盲分离中的初值选取问题,并且分离效果要优于经典非正交联合块对角化算法和多目标优化非正交联合块对角化算法.