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。     

基于高阶累积量和支撑矢量机的调制识别研究

提出一种基于高阶累积量和支撑矢量机的数字信号自动调制识别新方法 ,即将接收信号的四阶、六阶累积量作为分类特征向量 ,利用支持矢量机把分类特征向量映射到一个高维空间 ,并在高维空间中构造最优分类超平面以实现信号分类。这种方法对高斯噪声和星座图由于信号初始相位而引入的旋转具有良好的稳健性 ,并避免了神经网络中的过学习和局部极小点等缺陷。计算仿真结果表明 ,这种方法具有很高的分类性能和良好的稳健性     

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。     

基于加权高阶累积量切片的非线性调频信号增强算法

为了综合考虑高阶累积量各种切片抑制高斯噪声的性能,定义了加权高阶累积量切片,并给出了加权高阶累积量切片符号联合迭代公式,得到了基于加权高阶累积量切片的自适应谱线增强新算法。对该算法增强水下目标辐射的非线性调频信号的效果进行了仿真研究。仿真结果表明:该算法能抑制大约18dB～28dB的高斯色噪声;调整高阶累积量切片的加权系数,可获得抑制高斯色噪声的最佳效果。在工程实践中,具有重要的指导意义和实用价值。     

基于滤波器组和高阶累积量技术的LPI信号特征检测的新方法

提出了一种新的将滤波器组和高阶累积量相结合的特征检测方法。运用该方法可以对未知LPI多分量信号进行频域的分离并消除伴随的加性高斯和对称非高斯噪声的干扰,从而较好地估计出FMCW、多相编码等LPI信号的特征参数。同时对这种改进的方法进行了系统结构的设计和详细的数学描述。仿真结果和性能分析表明了该方法的有效性和适应性,即使在信噪比很低的情况下也能检测得到比较理想的LPI信号特征。     

水下目标辐射噪声的子波变换和高阶累积量联合分析

将子波变换和高阶累积量联合分析应用于对水下目标辐射噪声的特征提取。首先利用子波变换提取辐射噪声的动态调制分量,然后应用四阶累量对角切片的傅立叶变换（2^1/2维谱）分析该动态调制的谐波特性。结果表明,该方法可以有效地实现动态调制分量与其他信号的分离。准确提取谐波特征。由于四阶累量对高斯噪声的抑制性,该方法还具有很强的抗噪性。此外,相准确提取谐波特征。由于四阶累量对高斯噪声的抑制性,该方法还具有很强的抗噪性。此外,相对与双谱和三谱分析,2^1/2维谱分析极大减少了计算量,降低了方法的复杂程度,具有较快的运算速度。九五国防重点预研项目。     

一种基于四阶累积量的相干信号测向算法

利用四阶累积量估计相干信号的来波方向(DoA)需要获得修正阵列的方向矩阵。提出了一种估计修正阵列方向矩阵的改进算法,它减少了计算量,通过模式激励和空间平滑,实现均匀圆阵对来自不同独立信号源的相干信号的DoA估计,并利用虚拟阵列流形的中心对称性,将复矩阵的特征分解转换为实矩阵的特征分解,减少了计算量。相比基于自相关矩阵的算法,所提出方法提高了阵元利用率,有效地抑制了高斯噪声,不需要对模式激励后的数据进行白化处理,仿真结果表明,在低信噪比和多个独立信号源存在的条件下,有更明显的优势。     

基于并行滤波器组和高阶累积量的扩频信号检测与估计

在非协作通信截获中,提出了一种有效的基于并行滤波器组和三阶累积量的扩频信号检测方法.滤波器组将输入信号细划成许多窄的频率通带,不仅在时频域完整的描述了未知信号,也改善了输出信噪比.采用三阶累积量估计器进一步抑制高斯噪声,并保留信号的有用信息,提高算法的检测能力.最后通过创建特征矩阵,实现扩频信号的参数估计.仿真实验表明,算法适用于低信噪比下的直接序列扩频扩信号检测,并能有效估计截获信号的载频和调制带宽.     

非正交码移键控和码索引调制算法

针对正交码移键控(code shift keying,CSK)误比特率(bit error rate,BER)性能下降和非正交码索引调制(non-orthogonal-code index modulation,N-CIM)未能充分利用扩频码自相关性的不足,提出一种非正交CSK和码索引调制(non-orthogonal...     

Adaptive compensating method for Doppler frequency shift using LMS and phase estimation

The novel compensating method directly demodulates the signals without the carrier recovery processes, in which the carrier with original modulation frequency is used as the local coherent carrier. In this way, the phase offsets due to frequency shift are linear. Based on this premise, the  compensation processes are: firstly, the phase offsets between the base band neighbor-symbols after clock recovery are unbiasedly estimated among the reference symbols; then, the receiving signals symbols are adjusted by the phase estimation value; finally, the phase offsets after adjusting are compensated by the least mean squares (LMS) algorithm. In order to express the compensation processes and ability clearly, the quadrature phase shift keying (QPSK) modulation signals are regarded as examples for Matlab simulation. BER simulations are carried out using the Monte-Carlo method. The learning curves are obtained to study the algorithm’s convergence ability. The constellation figures are also simulated to observe the compensation results directly.     

无信号内干扰的降噪多用户CDSK混沌通信系统

针对传统的相关延迟键控(correlation delay shift keying, CDSK)方案误码率(bit error rate, BER)高的缺点,提出一种无信号内干扰的降噪多用户CDSK(noise reduction multiple-user CDSK)混沌通信系统。在发送端,参考信号长度为R的混沌序列复制P次所得,之后分为两路,利用Walsh码序列的正交性,使得每路中参考信号与N个信息信号之间彼此正交,并结合正交调制进一步提升数据传输速率。在接收端,接收信号利用滑动平均滤波器降低噪声方差,并进行相关解调。对该系统在加性高斯白噪声(additive white Gaussian noise, AWGN)信道和两径Rayleigh衰落信道中进行了BER公式推导与仿真分析,结果显示该系统能够有效地提升BER性能与数据传输速率。     

无信号内干扰的降噪多用户CDSK混沌通信系统

针对传统的相关延迟键控(correlation delay shift keying, CDSK)方案误码率(bit error rate, BER)高的缺点,提出一种无信号内干扰的降噪多用户CDSK(noise reduction multiple-user CDSK)混沌通信系统。在发送端,参考信号长度为R的混沌序列复制P次所得,之后分为两路,利用Walsh码序列的正交性,使得每路中参考信号与N个信息信号之间彼此正交,并结合正交调制进一步提升数据传输速率。在接收端,接收信号利用滑动平均滤波器降低噪声方差,并进行相关解调。对该系统在加性高斯白噪声(additive white Gaussian noise, AWGN)信道和两径Rayleigh衰落信道中进行了BER公式推导与仿真分析,结果显示该系统能够有效地提升BER性能与数据传输速率。     

FRFT域LFM信号的调频率分辨率与相位差的关系

相位差是影响信号分辨的一个重要因素。当采样率足够高时,研究在分数阶傅里叶变换域两个线性调频(linear frequency modulation, LFM)信号的相位差与调频率分辨率的约束关系。通过建立调频率的分辨模型,推导出在两个LFM信号可分辨范围内相位差的上界和下界,只有当相位差处于上界和下界之间时,两个LFM信号才可以分辨。仿真结果表明,分辨率的理论值与实际值之间偏差较小,基本吻合。     

检测多项式相位信号的时频综合方法

多项式威格纳分布是一种高精度的多项式相位信号检测方法,但是对噪声敏感,多信号情况下受交叉项困扰。而短时傅里叶变换对噪声不敏感,没有交叉项问题,但时频分辨率较低。首先构造了一组高效6阶多项式威格纳分布,将多项式威格纳分布与短时傅里叶变换的结果按照"与"操作和"滤波"操作相综合,得到高分辨的多项式相位信号时频分布。仿真结果表明,不同时频分析方法综合能够在低信噪比的条件下检测到多项式相位信号。     

基于自适应尺度变换-双稳态随机共振模型的BPSK信号检测算法

为提升在强噪声背景下对二进制相移键控(binary phase shift keying, BPSK)信号的检测性能, 针对主流方法在抑制噪声过程中信号受到一定程度的削弱、信号处理系统引入新噪声导致检测性能下降的问题,提出了基于自适应尺度变换双稳态随机共振模型的BPSK信号检测算法。对于经典的双稳态随机共振系统只能处理小幅度、低频段的周期信号的情况, 首先将双稳态随机共振系统进行尺度变换, 证明在高采样率条件下, 双稳态随机共振系统可应用于高频的BPSK信号, 并基于Neyman-Pearson准则设计了非线性阈值检测系统, 推导且定量表示出检测器的误码率, 以此作为反馈量, 自适应地调节系统参数, 构建了信号检测的完备流程。通过仿真实验验证了尺度变换的可行性以及所提算法的适用性, 为低信噪比条件下的弱BPSK信号检测提供了理论依据。     

基于二阶循环统计量的BPSK参数估计

针对复值二进制相移键控(binary phase shift keying, BPSK)信号,推导了其无共轭项和带共轭项的二阶循环累积量表达式,分别研究了时延对其循环频率特性的影响,得出了独立的载频和码片时宽估计算法,即可以利用无共轭项二阶循环累积量时延零切片估计载频,可以利用带共轭项二阶循环累积量时延非零切片估计码片时宽,并推导了最优时延的选取,进而提出了一种更优良的码片时宽估计算法。仿真实验表明,提出的载频估计算法与循环谱算法比较,虽有2 dB的损耗,但是计算复杂度减小|码片时宽估计算法性能比利用循环谱的估计算法提高5 dB以上。     

一种雷达脉冲信号相位差变化率测量的新方法

接收信号相位差变化率的高精度估计是基于质点运动学原理单站无源定位与跟踪的一项关键技术。针对雷达脉冲信号,建立了接收信号相位差模型,分析了相位差变化率的特点,提出了一种相位差变化率的数字测量新方法,直接对各阵元接收的信号进行A/D采样,采用数字信号处理的方法估计相位差变化率。通过离散傅里叶变换和复数乘积运算将相位差变化率的测量问题转换为频率测量问题,利用多个脉冲信息提高了参数估计的精度,根据相位的无模糊测量获得相位差变化率加权最小二乘估计。仿真实验表明,该方法具有较低的信噪比门限,在高于信噪比门限时,其估计精度接近Cramer-Rao下限。     

基于循环谱截面智能分析的混合信号调制识别方法

针对已有混合信号识别方法存在智能化程度低、适应性差等问题,提出了一种基于循环谱截面和深度学习相结合的智能识别方法。理论推导分析了常见混合通信信号的循环谱零谱频率截面特征;利用提出的非线性分段映射和指向性伪聚类新方法对上述截面图进行预处理特征增强,提高了截面特征的适应性和一致性;并将预处理后的特征图与经典残差网络相结合,利用深度学习网络对特征图中调制信息的深层次细节挖掘分析能力,实现了混合信号的有效识别。仿真结果表明,该方法对噪声不敏感,当信噪比不低于-2 dB时,平均识别率大于90%;且该方法对信号参数及信号间能量比变化有较好的适应能力。