基于降维变换的低复杂度双基地EMVS-MIMO雷达高分辨多维参数估计

针对当前算法在实现双基地电磁矢量传感器多输入多输出(electromagnetic vector sensors multiple input multiple output,EMVS-MIMO)雷达的多维参数估计时计算代价较高的问题,通过利用降维变换技术来实现低复杂度的角度参数和极化参数求解。针对阵列接收数据维度较大问题,通过设计相应的波束空间变换矩阵来实现对阵列接收数据的降维处理。针对算法本身的较高计算复杂度问题,采用低计算复杂度的平行因子分解算法。所提算法能够精确地实现对发射因子矩阵和接收因子矩阵的求解。同时,通过新的旋转不变关系构建新的估计信号参数,可以实现对发射/接收俯仰角的求解。进一步,发射/接收方位角、发射/接收极化角和发射/接收极化相位差的估计可以通过发射/接收空间响应矩阵的重构来实现。仿真实验结果表明,所提算法在降低计算复杂度的同时能够保持优越的多维参数估计性能。

多无人机网络中信息隐蔽传输保证的频谱资源分配方法

针对多无人机网络中信息隐蔽传输的频谱分配问题,构建了多无人机网络隐蔽传输中继选择、频谱分配和块长度分配多维度优化模型,将无人机的中继选择问题转化为无人机联盟选择问题,以最大化多无人机网络中信息传输满意度为目标,提出了一种联合无人机联盟选择和频谱资源分配的优化方法。由于无人机联盟选择、频谱分配和块长度分配的联合优化是一个复杂的NP问题和非凸问题,利用降维处理方式将问题划分为两个子问题,一是无人机的中继选择,二是无人机的带宽分配和块长度分配。通过构建联盟形成博弈来优化无人机联盟选择,同时优化无人机的频谱分配和块长度分配。所提博弈被证明是个精确势能博弈(Exact Potential Game,EPG),即,所提博弈至少存在一个纯策略纳什均衡。考虑到对频谱分配和块长度分配联合优化也是一个复杂的NP问题和非凸问题,通过块坐标下降法将联合优化问题分解为带宽分配和块长度分配两个子问题迭代优化,采用粒子群优化算法求解上述两个子问题。仿真结果表明,所提联合优化方法可以有效提高多无人机网络信息传输的满意度,同时使得无人机可以隐蔽地将信息传输到地面控制站。

面向数据传输稳定性的无人机群频谱接入方法

针对频繁变化的无线通信环境中无人机群频谱资源使用问题,在保障无人机数据传输稳定的前提下,以降低无人机间用频冲突率、提升信道利用率和系统吞吐量为目标,设计了基于多用户非耦合排队频谱接入方法。该方法中无人机之间不需要信息交互和中心控制节点,仅需根据自身数据传输需求、互扰功率和历史信道使用状态信息来构建学习效益函数,生成频谱使用策略。仿真结果表明,所提方法在确保无人机数据传输稳定和兼顾无人机用频公平性的前提下,能有效降低无人机间用频冲突,提升无人机群吞吐量。

基于能量效率的认知无线网络联合优化算法

为提高认知无线网络能量有效性,提出一种基于能量效率的联合优化算法。在考虑主用户干扰容限的基础上构建了能量有效性模型,将优化目标分解为接入策略求解和功率优化问题,采用粒子群算法反复迭代,得到接入概率与功率分配的联合最优解。仿真结果表明,相对于不考虑功率优化或接入概率的传统优化方法,所提算法可使系统能量效率得到显著提升。

认知Ad hoc网络的频谱接入跨层设计方案

为提高分布式认知Ad hoc网络的频谱感知精准性和能量有效性,提出了一种基于能量效率的频谱接入跨层设计方案。首先通过基于感知因子的完全二分图分解法对网络进行分簇,进而在簇内联合优化次用户的发射功率和接入概率,最终得到最优信道接入和功率分配方案。仿真结果表明,与传统算法相比,该方案可通过合理分簇提高分布式认知网络的感知精度,在保证感知性能的条件下使系统能量效率得到有效提升。

联合包调度频谱切换和功率分配的跨层设计方案

针对认知无线网络频谱切换造成系统吞吐量损失和切换延迟较大的问题,提出了联合包调度频谱切换和功率分配的跨层设计方案。该方案根据连续时间马尔科夫链模型预测信道状态信息,调度器采用包调度算法对预繁忙信道次用户进行调度,并重新分配认知节点功率以提升系统吞吐量。仿真结果表明,相对于传统频谱切换算法,该方案可在降低认知用户中断率的同时使系统吞吐量提升约5%。

动态主用户流量模型的跨层优化设计

为适应主用户流量变化较快的场景,在不完美频谱感知的情况下最大化认知用户的吞吐量,提出了一种基于集中式Overlay认知无线网络中感知时间与资源分配跨层优化算法。将优化目标分解为信道分配和检测时间同功率分配联合优化两个子问题,通过子算法迭代,最终得到感知时间与资源分配的联合最优解。仿真结果表明,相对于仅考虑频谱感知或资源分配的单层优化算法,该算法可在兼顾公平的前提下使次用户吞吐量得到有效提升。

基于信誉机制的认知Adhoc网络分簇协作频谱感知

为了提高认知Ad hoc网络频谱感知的准确率,并抵抗可能存在的SSDF攻击,提出一种基于信誉机制的认知Ad hoc网络分簇协作频谱感知方法。首先,引入检测因子来描述节点的感知能力,采用基于公平性的分簇方法将SU分为不同的簇;然后,对簇内SU设定初始信誉值,并根据感知结果对信誉值进行更新;最后,采用检测因子判决机制对感知数据进行融合,并计算得出漏检概率与虚警概率上界。仿真结果表明,所提方法能有效识别恶意次用户和抵御频谱感知数据伪造攻击,同时具有较小的虚警概率、漏检概率和较好的容错能力。

基于多模态融合和深度学习的调制信号识别

针对现有的调制分类算法大多忽略了不同特征之间的互补性和特征融合的问题,提出了一种利用深度学习模型进行特征融合的方法。该方法试图融合调制信号的时序特征和空间特征,以获得差异性更加明显的识别特征。首先,获取调制信号的A/P信号和I/Q信号;然后,搭建卷积长短时记忆模块与复数密集残差卷积模块分别提取A/P信号的时序特征和I/Q信号的空间特征并将之进行融合,获取融合互补的识别特征;最后,将识别特征输入分类网络,得到识别结果。实验结果表明,基于开源数据集,当信噪比大于5 dB时,识别率达到了93.25%,与基于单一特征识别相比,识别准确率高出3%~11%;利用实际采集数据进行分类识别,进一步证实了所提特征提取模型与融合策略的有效性。

基于频谱感知的认知Ad hoc网络分簇算法

为了提高认知Ad hoc网络频谱感知效率,解决认知Ad hoc网络分簇问题,本文提出一种基于频谱感知的认知Ad hoc网络分簇算法。通过引入检测因子,综合考虑多个主用户信号交叠与阴影衰落的情况,将认知Ad hoc网络中的次用户节点与需要检测的主用户信道建模为二部图模型,使得分簇问题简化为最大权边二部图(Constraint maximum-weight edge biclique,C-MWEB)分解问题,并设计一种贪婪算法对其求解。仿真结果表明,在多个主用户信号交叠与阴影衰落并存的情况下,相较于传统算法,本文算法分簇更为合理,具有更好的有效性与可靠性。

基于深度神经网络和随机森林集成模型的ADS-B辐射源个体识别

针对辐射源个体识别中单一神经网络随着辐射源个体数量的增加,模型的识别准确率显著下降的问题,提出一种基于深度神经网络和随机森林集成模型的广播式自动相关监视(ADS-B)辐射源个体识别方法。该方法利用多种深度神经网络模型和随机森林对增强数据集进行训练,然后利用集成学习方法中的硬投票方法对各网络模型和随机森林识别得到的结果进行集成表决,使得识别结果更具有说服力,同时在在辐射源个体数量增加的情况下依旧保持较高的识别率。实验结果表明,在融合了DRSN、VGG、ResNet、GoogleNet、DenseNet 5类神经网络和随机森林后,相比于单一的神经网络,识别准确率能够提升了3%~20%,且在辐射源个体数量增加的情况下依然能保持较高的识别准确率。

基于零样本学习的未知辐射源个体识别研究

针对辐射源个体识别基本遵循闭集假设无法有效识别未知类的问题,提出了一种基于零样本学习的辐射源个体识别模型实现对已知类和未知类辐射源个体识别。通过搭建卷积神经网络提取隐藏在辐射源信号数据下的语义特征,引入注意力模块增强对关键特征的关注,提出一种组合损失函数促使不同类辐射源信号在语义特征空间分离,根据辐射源信号在语义特征空间的分布进行辐射源个体分类识别。实验结果表明,相较于传统闭集识别,本文所提模型在能够在保持已知类识别率的前提下识别未知类且能在未知类之间区分,平均识别率达到90%以上。在工程化验证中,搭建的未知辐射源个体识别平台能够在室内及室外场景下实现快速准确识别。

基于改进云量子遗传算法的动态频谱分配

针对无线频谱资源利用率低的问题,提出一种基于改进云量子遗传算法(MCQGA)的动态频谱分配方法。该方法可动态调整量子门旋转角,基于云理论进行交叉和变异操作,以图论着色模型为基础,综合考虑最大化平均系统收益、最大化最小带宽和最大化比例公平性度量进行频谱分配。选取粒子群算法、传统遗传算法和基本量子遗传算法进行对比仿真实验,仿真结果表明,该方法更适用于解决频谱分配问题。

基于零样本学习和自编码器的调制信号识别研究

针对深度学习模型在信号调制识别应用中无法有效识别未知调制方式的问题,提出了一种基于零样本学习和自编码器的信号调制识别模型,用于信号调制开集识别。通过自编码器提取调制信号的特征,引入交叉熵损失、中心损失和重构损失使得不同调制信号的特征能够良好分离,进一步根据特征空间的分布进行调制信号的开集识别。此外,利用解码器重构信号并加入训练,有效提升了模型识别率。实验结果表明,模型能够在提升已知类识别率的前提下对未知类进行区分,且对未知类的分类效果优于传统的开集识别方法,其中未知类识别率达到80%,已知类识别率稳定在95%左右。