抗跟踪干扰的多序列跳频无线通信系统

常规慢速频移键控跳频（frequency-hopping/frequency-shift-keying,FH/FSK）受跟踪干扰威胁严重;差分跳频抗跟踪干扰能力强,但部分频带干扰下误码率高。为提高常规慢速跳频抗跟踪干扰性能,同时不损失抗部分频带干扰性能,提出的多序列跳频（multi-sequence frequency hopping,MSFH）无线通信方式中,数据信道和补偿信道频率分别按不同跳频序列跳变,使干扰方无法准确跟踪补偿信道,减少了跟踪干扰影响;而接收机射频前端采用窄带接收,与差分跳频的宽带接收相比可有效抑制部分频带干扰。在瑞利衰落信道下,分析了卷积编码MSFH抗干扰性能。数值和仿真表明,在最坏跟踪干扰下MSFH比常规跳频约有5~10 dB误码率性能增益,且抗部分频带干扰性能优于差分跳频。     

多径干扰下扩频导航信号伪码跟踪性能仿真研究

分析了多径环境下扩频导航接收机伪码信号跟踪性能.主要分析了时延绝对值小于一个码片的多径信号对导航信号伪码相位跟踪误差的影响,给出了接收机伪码跟踪环的结构框图,并建立了环路的数学模型,在考虑多径信号的基础上分析了混合信号相位跟踪的数学模型,分析了混合信号下伪码跟踪环相位跟踪的性能.在数学模型分析的基础上对存在单路多径信号时伪码相位跟踪性能进行了计算机仿真,并运用Matlab中的Simulink进行了具体的实现.     

基于伪随机序列前导码的OFDM系统帧同步算法

在正交频分复用（orthogonal frequency division multiplexing, OFDM）系统接收端,错误估计快速傅里叶变换窗口起始点会导致OFDM帧偏差,从而造成严重的符号间干扰（inter symbol interference, ISI）以及子载波间干扰（inter carrier interference, ICI）。首先建立一个带有帧同步的OFDM系统模型,然后通过理论推导得到帧偏差对OFDM系统的影响。利用伪随机序列自身较好的相关特性,设计了一种基于伪随机序列前导码的帧同步算法,并分析了3种基于循环前缀（cyclic prefix, CP）的传统帧同步算法。通过仿真实验,结果表明所提出的基于伪随机序列前导码的帧同步算法与传统算法相比,即使在较差的信道条件下,如在较低的信噪比或存在较大的载波频率偏移（carrier frequency offset, CFO）时,其帧偏差估计结果更为准确、稳定以及节省资源。     

宽带跳频通信系统频域均衡算法

针对差分跳频通信系统跳频带宽宽、瞬时带宽窄的信号特点,提出了一种差分跳频均衡算法--基于最小均方算法的多跳联合频域均衡算法。分析了最小均方误差准则频域均衡与单符号最小均方频域均衡对宽带差分跳频通信系统的不适用性,从而提出适用于差分跳频通信系统的多跳联合最小均方频域均衡算法,给出了算法详细的设计过程和结构。对算法性能在频率选择性衰落信道条件下进行仿真评估,结果表明本算法对差分跳频通信系统的信道均衡性能具有显著的作用,能提高差分跳频系统的解调误码性能。     

基于Logistic映射的跳频序列优化

在对已有混沌序列构建方法研究的基础上,用状态转移图分析了基于Logistic构建跳频序列的局限性,并利用随机过程的相关理论,提出了基于方阵重构法的优化方案。该方案在跳频性能指标方面达到或优于原有方案,在硬件实现时降低了乘法次数,减少了硬件资源的占用量,增加了跳频序列的可实现性。     

基于一种特定混沌映射的跳频系统

提出用一种简单的分段线性映射 ,构造混沌跳频序列 ,以取代跳频通信中的伪随机序列 (PN序列 )。分析了此混沌序列的相关特性 ,并与Logistic混沌序列进行了比较。仿真和实验结果表明 ,此序列具有较理想的相关特性 ,应用于跳频通信中可获得较好的抗干扰能力。     

伪随机屏蔽二进序列偶

提出了一种新的具有良好周期相关特性的离散信号,即伪随机屏蔽二进序列偶,研究了其变换性质。为了缩小计算机搜索伪随机屏蔽二进序列偶的搜索范围,提高搜索效率,给出了伪随机屏蔽二进序列偶的周期长度、屏蔽个数以及序列平衡度之间的一些限定关系。在此基础上利用计算机搜索给出了一些小长度的伪随机屏蔽二进序列偶,给出了利用伪随机二进序列构造伪随机屏蔽二进序列偶的方法。     

跳频抗干扰通信系统中LDPC码的编码优化设计

为进一步提升低密度奇偶校验(low-density parity-check, LDPC)编码跳频通信系统抗干扰能力,提出一种对抗部分频带干扰样式的LDPC编码构造方法。首先针对不同干扰因子参数优化了LDPC码字在干扰环境下的度分布序列,然后通过基于渐进边增长和近似环外信息算法构造基矩阵,最后采用改进部分分割移位系数矩阵扩展得到校验矩阵,并结合不等差错保护特性应用到信息位的干扰保护上。该构造方法兼顾优化的度分布和准循环结构。仿真结果表明,所构造的码字性能良好,相同条件下,抗干扰性能优于现行主流类型码字的抗干扰性能。     

一种扰动混沌跳频码的新方法

针对数字化混沌系统的有限精度效应及单一混沌跳频码相关性差、易被攻击的缺点,提出了利用细胞自动机产生伪随机序列来扰动混沌映射产生跳频码的方法,性能分析和数值仿真实验都表明这种方法极大的增加了系统抗干扰,抗截获的能力,尤其对序列的平衡性、汉明相关性,跳频间隔分布、抗预测性方面都有极大的提高,且结合细胞自动机自身特点,该结构便于硬件高速实现,具有广泛的应用前景.     

几种跳频码的混沌动力学特性及预测分析

利用动力系统方法研究了几种跳频码(m序列，RS序列，非线性序列及混沌序列)的动力学特性(相关维数与最大李雅普诺夫指数)，结果表明了跳频码表现出混沌的特征。最后根据遗传算法确定前馈神经网络的结构，并利用该神经网络模型对这几种序列做了预测分析。实验结果表明，该模型能成功地预测跳频码，因而可对跳频通信进行有效的干扰。     

基于高维特征选择的跳频电台细微特征识别

将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机(support vector machine, SVM)分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。     

跳频信号的跳速估计

针对电子对抗的实际应用,提出了一种精确估计跳频信号跳速的方法。利用短时傅里叶变换分析跳频信号,得到其时频表示,再利用小波变换提取该时频表示的边沿信息,进而利用谱分析实现了跳速的精确估计。该算法完全避免了频谱交叉项的影响,理论分析证明了其可行性。仿真试验表明,在不要求高采样率的情况下,信噪比大于-5.5 dB时该算法是有效的。     

基于ITD的跳频信号跳速估计算法

非合作情况下,跳频信号参数准确快速的估计对于获取对方通信参数、产生跟踪式干扰等具有重要意义。提出了一种基于固有时间尺度分解的跳频信号跳速的快速估计算法,该算法迭代地分解跳频信号成一系列固有旋转分量,并求出由各层旋转分量信号包络瞬时幅度的最大值所构成的一个分析序列,对该序列进行傅里叶变换即可估计出跳频信号的跳速。该算法具有运算复杂度低、不受时频不确定性原理影响、时频定位精度高的优点。仿真结果显示,该算法能够有效地估计出跳频信号的跳速。     

二维非周期低碰撞区跳频序列构造方法

在跳频系统中,跳频序列的性能是评价跳频系统的性能的重要指标。本文给出了两种二维非周期低碰撞区跳频序列的构造方法。首先,利用笛卡尔积构造二维非期低碰撞区跳频序列集。然后,利用交织法构造二维非周期低碰撞区跳频序列集。最后,分析了新的跳频序列集在二维低碰撞区内的非周期汉明相关性,并根据理论界对序列集进行了最优性分析。     

捷变频雷达联合脉内频率编码抗间歇采样干扰

间歇采样转发干扰通过对雷达信号进行部分采样并迅速转发, 在当前脉冲重复周期内, 产生相干假目标串, 使得基于传统频率捷变雷达的目标检测面临严峻挑战。因此, 在频率捷变技术基础上提出一种捷变频雷达联合脉内频率编码的抗间歇采样干扰方法。针对间歇采样干扰时域不连续的特点, 通过脉内频率编码-脉间频率捷变实现子脉冲间的相互掩护。脉冲压缩后, 首先利用最大类间方差法(Otsu)自适应计算阈值并抑制干扰, 然后通过二维稀疏重构方法实现目标检测。理论分析和仿真实验证明所提方法可以有效对抗间歇采样干扰。     

基于捷变频联合数学形态学的干扰抑制算法

数字射频存储器(digital radio frequency memory, DRFM)通过截获雷达发射信号并对其进行调制和转发,在距离维上形成欺骗式干扰,严重影响了雷达对目标的检测与跟踪。针对这一问题,提出一种捷变频联合数学形态学的密集假目标干扰抑制算法。首先,采用最大类间方差法(Otsu)对脉冲压缩后的数据进行二值化处理。然后,通过数学形态学中的开运算抑制干扰和噪声。最后,通过二维稀疏重构获得距离-速度二维高分辨,实现对目标的检测。仿真实验与实际雷达和干扰机对抗实验表明,该方法可以获得良好的抗干扰性能和目标检测性能。     

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。