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。     

基于子空间法的空时分组码系统信道盲估计

结合多信道子空间理论,结合空时分组码的正交特性,提出了新的盲信道估计算法。首先,根据空时分组码结构特点,将原编码矩阵分解,并将接收矩阵合理地构造,把原信道矩阵重新构造成新的重构信道矩阵。然后求出重构信道矩阵的噪声子空间,之后利用信号子空间与噪声子空间正交特性,构造出信道矩阵作为变量的线性方程组,因而可以得到信道矩阵的闭式解。对三种典型的空时分组码进行仿真验证,仿真结果表明本算法的有效性。     

基于准正交空时分组码的Chase译码

提出了一种基于QR分解的Chase译码算法(Chase-QRD-SIC),分析并验证了发射天线数越少时,该算法与ML算法性能越接近,在2×2 V-BLAST系统中该算法能达到与ML一致的性能;然后针对4×4 QOSTBC系统,通过EVCM模型把其分解成两个独立的2×2 V-BLAST子系统,分别进行Chase-QRD-SIC译码。仿真表明在4×4 QOSTBC系统采用这种译码方案,能达到ML性能,而且由于减少了参与计算ML度量的路径条数,较ML算法具有更低的复杂度。     

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。     

准正交空时分组码的自适应正交化设计

为了能够在满足空时分组码完全分集的同时尽可能的降低译码复杂度,提出了准正交空时分组码的自适应正交化设计方案。在准正交空时分组码的编码结构上添加自适应系数,根据当前信道状态信息计算得到自适应系数的具体数值,使得传输数据符号之间相互正交,彼此没有干扰,从而实现完全分集,并且可以采用复杂度低的单符号译码方法恢复数据。仿真结果表明,准正交空时分组码自适应正交化设计方案的误码率性能明显好于利用星座旋转获得完全分集的准正交空时分组码方案,并且,只需要采用有限反馈的方法就能够实现近似理想反馈的误码率性能。

Abstract：

Adaptive orthogonalization design for quasi-orthogonal space-time block codes was proposed to achieve full diversity and decrease decoding complexity.Known of channel state information,adaptive parameter could be calculated and input symbols could be coded in the designed structure.With the particular space-time codes structure,symbols on different antenna were orthogonal to each others and received symbols could be single-symbol decoded.Simulation results show that the adaptive scheme has obvious advantage compared with constellation rotation scheme.Limited feedback scheme is feasible and has almost the same optimal performance as the ideal full feedback scheme.     

超宽带通信中空时分组码的一种闭式盲解码法

针对应用于超宽带(UWB)通信中的正交空时分组码提出了一种计算复杂度较低的盲解码方法。利用正交空时分组码的特性,估计出信道矩阵,并将该信道矩阵用于最大似然接收机,从而得到发送信号的估计。平坦衰落环境中的仿真表明,该方法能够实现和相关接收相同的分集增益;并且随着信道相关时间的增加,性能逐渐接近于相关接收。     

脉冲噪声衰落信道中正交空时分组码的误码率

从信噪比(SNR)观点对脉冲噪声环境下衰落信道中正交空时分组码(OSTBC)的理论误符号率(SER)进行了分析。基于STBC引入的标量等效矩阵,给出了STBC解码后每符号瞬时SNR的概率密度函数。假设信道为准静态平坦衰落,并将信道干扰噪声建模为ε-高斯混合分布。推导了Rayleigh、Rician及Nakagami-m三种衰落信道下采用MPSK和MQAM调制方式的OSTBCSER闭式表达式。该闭式解可以用于评估脉冲噪声环境中OSTBC的性能。此外,进行了蒙特卡洛仿真验证了分析的正确性。     

基于Frobenius范数的正交空时多格形编码设计

基于Frobenius范数理论,提出了正交空时多格形编码(OST-MTCM)方法.新方法通过在编码网格图中的每个网格传输分支上引入正交码字矩阵,并采用Ungerboeck的星座图扩展和集分割思想,从而在获得满分集增益的同时,也获得优秀的编码增益.仿真结果表明,相对于原有的空时多格形编码方法,在相同的码速率和编码状态数的情况下,新方法可以获得大约1.5 dB左右的性能改善;并且,网格分支上传输码字矩阵正交性的确定极大简化了好码的搜寻过程,无需针对不同的信道衰落条件设计不同的编码方案.     

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...     

基于SPW的差分空时分组码的仿真实现

近年来，差分空时码受到广泛关注。这是由于当接收端没有信道状态信息时，差分空时码仍然可以获得良好的性能。在介绍了差分空时分组码编译码原理的基础上，将差分空时分组码封装为SPW中的自定义模块，然后在SPW中对差分空时分组码在瑞利平坦衰落信道下的性能进行了仿真，并与相同信道条件下具有理想信道估计的空时分组码的性能进行了比较。仿真和分析结论表明了差分空时码的优越性。     

基于联合时频特征和HMM的多方位SAR目标识别

研究了联合时频特征和隐马尔科夫模型(hidden Markov model, HMM)的多方位合成孔径雷达(synthetic aperture radar, SAR)目标识别方法。利用HMM模型可以有效地对多方位SAR目标特征分析及识别。在HMM多方位SAR目标识别中的关键之一是SAR目标回波高分辨率距离像(high resolution range profile, HRRP)的特征提取。提出了一种时变频因子加权Fisher鉴别的特征提取方法。利用MSTAR实测SAR目标数据集进行了特征提取和识别实验,实验结果验证了方法的有效性。     

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。     

基于VMD和特征融合的辐射源信号识别

在日趋复杂的电子对抗中,如何提高雷达辐射源信号(radar emitter signal, RES)识别率和抗噪性能是亟待解决的问题。为此提出了一种变分模态分解(variational mode decomposition, VMD)和特征融合相结合的RES识别方法。首先利用VMD算法对各雷达信号进行分解得到3个本征模态函数(intrinsic mode function, IMF);然后,对这3个IMF分量提取排列熵(permutation entropy, PE)和样本熵(sample entropy, SE)特征进行特征融合,构成六维特征向量;最后利用支持向量机对辐射源信号进行识别。利用6种不同的辐射源信号对该方法进行了验证,仿真实验结果表明,该方法在低信噪比(signal to noise ratio, SNR)下能取得较好的识别率,当SNR不低于0 dB时,六维特征向量的识别率达到100%,具有较强的抗噪性能。     

基于双谱-谱图特征和深度卷积神经网络的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中有效表示和特征提取这一关键问题,提出了基于双谱-谱图特征和深度卷积神经网络(deep convolution neural network, DCNN)的识别方法。首先,提取HRRP的双谱-谱图特征表示作为CNN的输入。然后,通过网络训练提取出深层本质特征,实现对雷达目标的识别。最后,对不同特征表示的识别结果进行对比。采用卫星目标实测数据进行实验,结果表明,该方法可以准确有效地识别雷达目标,而且与其他常用特征表示相比,双谱-谱图特征表示具有更好的识别准确率和噪声鲁棒性。     

Method of neural network modulation recognition based on clustering and Polak-Ribiere algorithm

To improve the recognition rate of signal modulation recognition methods based on the clustering algorithm under the low SNR, a modulation recognition method is proposed. The characteristic parameter of the signal is extracted by using a clustering algorithm, the neural network is trained by using the algorithm of variable gradient correction （Polak-Ribiere） so as to enhance the rate of convergence, improve the performance of recognition under the low SNR and realize modulation recognition of the signal based on the modulation system of the constellation diagram. Simulation results show that the recognition rate based on this algorithm is enhanced over 30% compared with the methods that adopt clustering algorithm or neural network based on the back propagation algorithm alone under the low SNR. The recognition rate can reach 90% when the SNR is 4 dB, and the method is easy to be achieved so that it has a broad application prospect in the modulating recognition.     

基于感兴趣点特征的彩色图像目标分类与识别

提出一种基于赋色尺度不变特征变换的特征提取方法,分析证明了该特征对平移、旋转、缩放、颜色漂移等因素的不变性。进而研究了基于该特征的彩色图像目标分类与识别的策略和实现技术,提出了相应的算法。通过运用阿姆斯特丹目标图片库中随机选择的50类对象进行分类识别的实验检验,识别正确率可达到100%。理论分析和实验结果表明,赋色尺度不变特征在彩色图像的分类识别中展示出优越的性能。