基于高阶累积量特征学习的调制识别方法

自动调制分类是确保通信安全、可靠的关键技术之一。在低信噪比(low signal-to-noise ratio, Low-SNR)环境中,自动调制分类识别率低且识别类型受限。利用零均值高斯白噪声(white Gaussian noise,WGN)的高阶累积量理论值等于0的性质,在信号分析过程中,引入高阶累积量,可使系统免受WGN的影响。同时,引入深度学习网络结构完成微弱特征的表征,可有效解决调制方式受限及Low-SNR情况下的识别率下降问题。实验结果表明,所提方法在高斯信道环境下的分类精度比现有方法要高,在Low-SNR的不同信道环境下有较高的识别率,且使模型在时间、相位和频率偏移量方面具有更好的鲁棒性。     

基于矩阵分析的线性分组码盲识别

针对现有的矩阵分析法对线性分组码进行盲识别时,容错性能较差的问题,提出了一种改进的方法。首先利用截获的码字数据建立分析矩阵并进行高斯消元,然后计算各列列重的归一化值,按照判决门限找出分析矩阵中的线性相〖JP2〗关列,并以此建立统计量,最后通过统计量极大值的分布规律完成码长的识别。识别出码长后,通过移位处理及随机交换分析矩阵的行进行多次平均,实现高误码率下码字起点的识别。仿真结果表明,该方法与传统矩阵分析法相比,计算量基本相当,但容错性能有很大提升,能在较高误码率下有效实现线性分组码的盲识别。     

一种基于高阶累积量的数字调相信号识别方法

针对当前通信信号中常用的数字调相信号BPSK、QPSK、π/4-QPSK、8PSK的调制识别问题,提出了一种基于信号差分高阶累积量的识剐算法.该算法分两个层次进行调制识别,首先利用信号的四阶累积量特征对BPSK、QPSK和{π/4-QPSK、8PSK}信号进行识别,然后再利用信号差分的四阶和八阶累积量特征对π/4-QPSK、8PSK信号进行识别.从理论上分析了的该算法的有效性,并通过计算机仿真验证了算法具有良好的性能.     

基于四阶累积量的线性调频信号参量估计

针对加性高斯有色噪声背景下的一维、二维线性调频信号的参量估计问题,引入高阶统计量,提出了一种基于四阶累积量的新方法。该方法利用高阶累积量对加性高斯噪声有较好的抑制能力的特性,结合极大似然方法,可获得较低信噪比下的线性调频信号参量的较高精度的估计。给出了应用该方法的具体步骤,通过仿真实验证明了该算法的有效性。     

基于关联规则的二进制线性分组码盲识别

提出了一种基于关联规则的信道编码识别方法,解决了线性分组码的盲识别问题。在分析线性分组码中的信息位和监督位之间存在一一对应关系这一特性的基础上,利用关联规则寻找出隐藏在二进制序列中的对应关系,实现了分组码的盲识别。首先将按照一定规则排列的序列进行二分段划分,并依此构建相关事务项集,然后计算二分段项集中每项事务的支持度和置信度,在满足支持度条件下,通过遍历的方式寻找最大置信度和最少映射关系种类,达到正确识别编码的目的。由于采用了二分段划分的方法,因此极大地降低了关联规则搜索的复杂度,而且所提算法与现有识别方法相比对误码率要求不高。仿真实验验证了算法具有较高的鲁棒性和识别正确率,表明该算法具有一定的工程应用价值。     

基于高阶累积量和匹配滤波的信号检测新方法

针对通信侦察中的空间弱信号检测问题,提出了一种基于高阶累积量和匹配滤波器相结合的信号检测新方法。该方法利用高阶累积量有二阶以上信息,且高斯噪声的高阶累积量恒为零的特性,在传统似然比检测基础上,依据高阶累积量对高斯噪声的抑制能力,结合匹配滤波器进行弱信号检测,在低信噪比条件下获得了更高的检测概率。蒙特卡罗仿真结果证明了该方法的有效性。     

基于高斯列消元法的线性分组码参数盲识别

针对线性分组码参数盲识别容错性能较差,以及在低误比特率且同步情况下利用分析矩阵秩亏法识别存在码长不足的问题,提出了一种基于二元高斯列消元法的分组码参数盲识别方法。首先将截获到的数据横向放入到分析矩阵,然后对分析矩阵的列进行二元域高斯消元,并计算每列所含“1”的比率值,再对所有比率值求均值和方差,在低误比特率且同步的情况下利用均值差值可确定码长,而在误比特率较高且不同步的情况下,则需利用方差差值来确定码长。理论分析和仿真表明：该方法与以往的矩阵模型识别方法相比,容错性能较好、计算量较低,且适用于各种码率的线性分组码的码长和同步识别。     

基于高阶累积量符号相干累积自适应滤波算法

基于传统LMS（Least Mean Square）的自适应谱线增强（Adaptive Line Enhancement，ALE）算法的主要缺点是：抑制高斯噪声效果差，计算量大，收敛速度慢，为了尽可能的克服这些缺点，利用相干累积算法对输入数据中相干分量的相干累积作用和符号算法能减少计算量的性能，修正了传统的LMS算法，提出了基于高阶累积量符合相干累积迭代的自适应谱线增强新算法，该算法具有良好的抑制高斯有色噪声效果。计算量小，输出信号平稳等特点，能较好地克服基于LMS的ALE算法的缺点。仿真结果证实了该算法的有效性和可行性。因此，本文的研究具有良好的实用性和应用前景。     

基于频谱细化的线性调频信号参数估计

针对现有的线性调频(linear frequency modulation,LFM)信号参数估计算法运算量大、实时性差的问题,提出了基于频谱细化的参数快速估计算法。首先对中频采样信号与其延迟逐点相乘,并对产生的新序列做FFT运算,初步粗略估计出LFM信号的调频斜率,然后运用频谱细化方法,即chirp-Z变换,估计出精确的调频斜率。在此基础上,对原信号直接解线调,分析解线调后的信号频谱,估计出信号的起始频率,同样采用频谱细化方法提高估计精度。仿真结果表明算法的有效性。     

基于高阶累积量的TOA估计方法

提出了基于高阶累积量的多径信号到达时间TOA的估计方法。首先接收信号经过匹配滤波器,再将输出结果进行频域变换,这样将信号传播的时间延时的估计问题转换为谐波频率的估计问题。在反卷积之后的噪声是高斯过程的情况下,利用四阶累积量方法,可有效地抑制噪声估计各多径信号的TOA。文章最后的仿真结果说明了本文提出方法的有效性。     

基于卷积神经网络的串行空时分组码盲识别算法

针对多输入单输出(multiple input single output, MISO)系统中的空时分组码(space-time block code, STBC)盲识别问题, 提出了一种基于卷积神经网络(convolutional neural network, CNN)的串行STBC识别方法。首先, 结合STBC识别问题提出了基本CNN (CNN basic, CNN-B)框架; 然后在分析STBC相关性的基础上, 针对空间复用和Alamouti信号混叠问题, 设计了基于相关性的CNN (CNN based on correlation, CNN-BC)模型; 最后将STBC数据集输入到网络模型中, 完成网络的训练和识别测试。仿真结果表明, 相比于基于特征提取的传统算法, 该方法将可识别的STBC扩展到了6种, 并且在低信噪比下的识别准确率更高, 识别过程可控制在微秒级别, 具有较高的工程应用价值。     

基于信息矩阵估计的极化码参数盲识别算法

针对目前极化码码长识别存在抗噪声性能差的问题,提出了基于信息矩阵估计的极化码参数盲识别算法.本文算法利用极化码生成矩阵的逆矩阵,与码字比特流构造的码字矩阵相乘得到估计的信息矩阵,在无误码情况下根据分析矩阵所含的信息得到码率,并利用其分布情况来识别码长、信息比特位数和位置分布.在有误码的情况下,引入了零均值比计量,根据峰...     

基于循环累积量的星形QAM载波盲估计

针对通信对抗和正交幅度调制(QAM)信号解调的实际应用,提出一种利用特定高阶循环累积量估计星形QAM载波的方法。由于高阶循环累积量能有效抑制平稳噪声和非平稳高斯噪声,通过理论分析可证明在上述噪声背景下,星形8、16 QAM信号的特定四阶循环累积量仅在载波位置处存在,因此可以通过检测此循环频率实现载波的估计。该算法可推广到更高阶星形QAM信号。仿真实验验证了该算法的有效性。     

基于高阶累积量和小波变换的调制识别算法

针对当前调制识别算法在低信噪比下识别率不高的问题,提出结合高阶累积量和小波变换的混合调制识别算法。该算法利用了小波变换提取的两个特征参数,以及基于四阶和六阶累积量构造出一个新的特征参数,并应用反向传播神经网络分类器对调制信号进行识别。仿真结果证明,该算法能够在信噪比低至2 dB时,识别率仍可达到98%以上,由此证明了该方法的有效性和稳健性。     

基于JADE与特征提取的正交/非正交空时分组码盲识别

针对非协作多输入多输出通信系统中正交空时分组码(orthogonal space-time block codes, OSTBC)与非正交空时分组码(non-orthogonal space-time block code, NOSTBC)的盲识别问题,提出结合特征值矩阵联合近似对角化(joint approximate diagonalization of eigenvalue matrix, JADE)与特征提取的盲识别方法。首先将接收信号转换为盲源分离问题中的线性瞬时混合模型,然后利用JADE算法估计出该模型的虚拟信道矩阵,根据该信道矩阵的相关矩阵为数量矩阵的特点,从相关矩阵中提取特征参数,利用此特征参数识别OSTBC与NOSTBC。仿真结果表明,在较低信噪比以及不同的调制模式下,所提方法均可有效识别出OSTBC与NOSTBC。     

Blind reconstruction of convolutional code based on segmented Walsh-Hadamard transform

Walsh-Hadamard transform （WriT） can solve linear error equations on Field F2, and the method can be used to recover the parameters of convolutional code. However, solving the equations with many unknowns needs enormous computer memory which limits the application of WriT. In order to solve this problem, a method based on segmented WriT is proposed in this paper. The coefficient vector of high dimension is reshaped and two vectors of lower dimension are obtained. Then the WriT is operated and the requirement for computer memory is much reduced. The code rate and the constraint length of convolutional code are detected from the Walsh spectrum. And the check vector is recovered from the peak position. The validity of the method is verified by the simulation result, and the performance is proved to be optimal.     

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。     

AL-OFDM和SM-OFDM空频分组码信号盲识别方法

针对空频分组码-正交频分复用(space-frequency block codes with orthogonal frequency division multiplexing,SFBC-OFDM)信号盲识别问题,提出了一种基于互相关函数的空频分组码信号盲识别方法.首先根据不同SFBC-OFDM元素的相关性,推导了...