基于极大极小准则下的 (n,k,m) 卷积码识别

针对现有识别方法仅适用于特定类型的卷积码,以及容错能力有待提高的问题,提出了一种基于改进门限沃尔什-哈达玛变换(Walsh-Hadamard transform, WHT)的(n,k,m)卷积码参数遍历识别方法。首先,将问题分为非系统和系统形式两种情况进行考虑,根据各自结构特点分别建立关于校验多项式的二元域方程,并建立二元假设;然后,遍历不同的参数组合并利用WHT求解对应方程,通过二元判决得到校验多项式,同时为提升方法的鲁棒性,采用极大极小准则对判决门限进行了改进。最后,利用校验多项式矩阵与生成多项式矩阵的正交关系求解生成多项式。仿真结果表明,该方法对各码率的卷积码均能有效识别,且抗误码性能优于传统方法。     

基于时频特征提取和残差神经网络的雷达信号识别

针对低信噪比(signal to noise ratio,SNR)下雷达信号脉内调制类型识别率较低的问题,提出了基于时频特征提取和残差神经网络的雷达信号识别算法.时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解,按照Chirp基载频与调频率的不同组合对信号划分类别,并设置对应的分类特征参数.然后,计算信号...     

一种新的机载电子对抗作战效能评估模型

运用层次分析法建立了机载电子对抗系统的作战效能指标评价体系.针对传统的模糊综合评价在处理信息时,只考虑突出因素而忽略次要因素的影响,失去太多有用信息而不能有效评估的问题,引入三角模的有关知识,建立了基于三角模的机载电子对抗系统灰色模糊综合评价模型.以机载电子进攻效能评估为例,应用基于三角模的机载电子对抗系统灰色模糊综合评价模型对其进行了评估.结果表明此模型为机载电子对抗系统的作战效能评估提供了一种新的途径.     

基于WBP-CNN算法的LDPC译码

针对低密度奇偶校验(low density parity check, LDPC)码在相关噪声条件下译码误比特率上升的问题,结合传统译码算法与卷积神经网络(convolutional neural network, CNN)设计了新的译码器。该译码器在置信传播(belief propagation, BP)算法中引入加权比特翻转(weighted bit-flipping, WBF)算法,生成加权BP(weighted BP,WBP)结构以解决码字临界处误比特率较高的问题。然后通过CNN降低噪声,在WBP和CNN之间迭代处理接收信号,使信号估计值不断逼近真实值以降低相关噪声的影响。通过仿真发现,与BP算法相比,所提算法能够有效降低相关噪声条件下LDPC译码的误比特率。     

线性扰码重建算法性能分析

线性扰码通常由线性反馈移位寄存器生成,非合作通信方需要对扰码参数进行盲估计才能恢复信息序列。为了有效解决扰码重建算法的适用性问题,通过对Walsh Hadamard变换的扰码重建算法性能进行理论研究,分析影响扰码重建算法性能的相关因素。首先,基于假设检验,分析了反馈关系检测的误判概率,将误判概率解析表示为接收数据量、信源有偏性和反馈多项式重量的函数;其次,在误判概率给定的情况下,进行了数据量需求分析;最后,讨论了算法复杂度,为工程应用和下一步进行线性扰码重建算法研究提供理论依据。     

低信噪比下卷积交织器识别

针对现有卷积交织器识别算法,在低信噪比下存在误判概率高、识别效率低等缺陷,首先分析了构建出的数据矩阵统计特性,给出了同步码以及随机数据位置上的概率密度分布函数,基于最小错误判决准则,设定了同步码检测门限,同时基于三倍标准差准则,设定出更为稳健的交织周期识别门限;其次,分析出了数据矩阵中每一行与每一列累积量的对应关系,提出了一种快速交织周期遍历方法,使得矩阵构建次数大大减少;最后定义了聚合度概念,仅通过二重循环遍历即可完成交织深度与交织宽度的快速识别。仿真结果表明,该算法能够在低信噪比下实现卷积交织器参数的有效识别,同时相比于现有的方法，识别性能提升了1 dB到2 dB,且计算效率得到了明显的提高。     

基于Hilbert-Huang变换与对抗训练的特定辐射源识别

为有效解决特定辐射源的个体识别问题, 提出一种基于Hilbert-Huang变换与对抗训练相结合的方法。首先根据辐射源硬件差异, 建立辐射源信号的数学模型; 其次, 对信号进行Hilbert-Huang变换得到Hilbert谱; 然后, 在预处理过程中, 从信号所有的Hilbert谱时频点对应的能量值中, 确定最具区分度的一组能量值, 并记录其对应的时频点; 最后, 对每一类辐射源信号的Hilbert谱提取上述记录的时频点对应的能量值, 将其送入卷积神经网络进行训练与测试, 并通过对抗训练的方式提升网络的抗噪性能。识别准确率实验表明, 对比不进行对抗训练的方法以及不进行预处理与对抗训练的方法, 所提算法的识别率分别平均提升3.1%与5.45%。识别鲁棒性实验表明, 所提算法训练样本为100时即可达到较好识别效果, 同时随着辐射源个数增多优势更加明显。复杂度分析表明, 所提算法能有效降低神经网络在大量训练与识别过程产生的运算量。     

基于ADASYN与改进残差网络的入侵流量检测识别

针对现有入侵流量检测模型分类准确率低、小样本特征提取不足等问题, 提出了一种基于自适应合成采样和Inception-Resnet模块的改进残差网络算法。该算法能够对不平衡数据集进行采样优化, 有效提升模型的小样本特征提取能力。首先, 通过对不平衡的数据训练集进行过采样改善数据分布, 然后对非数据部分进行独热编码处理并与数据部分整合, 降低预处理复杂度, 最后利用改进残差网络模型进行数据训练, 并进行性能评估和算法效能对比。实验结果表明, 改进残差网络模型对入侵流量的检测准确率在多分类和二分类情况下分别达到89.40%和91.88%。相比于经典深度学习算法, 改进残差网络模型的准确率更高, 误报率更低, 具备较高的可靠性和工程应用价值。     

基于WBP-CNN算法的LDPC译码

针对低密度奇偶校验(low density parity check, LDPC)码在相关噪声条件下译码误比特率上升的问题,结合传统译码算法与卷积神经网络(convolutional neural network, CNN)设计了新的译码器。该译码器在置信传播(belief propagation, BP)算法中引入加权比特翻转(weighted bit-flipping, WBF)算法,生成加权BP(weighted BP,WBP)结构以解决码字临界处误比特率较高的问题。然后通过CNN降低噪声,在WBP和CNN之间迭代处理接收信号,使信号估计值不断逼近真实值以降低相关噪声的影响。通过仿真发现,与BP算法相比,所提算法能够有效降低相关噪声条件下LDPC译码的误比特率。