基于辅助分类器和变分自编码生成对抗网络的干扰识别

针对基于深度学习干扰识别方法在小样本集情况下性能恶化问题,提出一种基于辅助分类器和变分自编码生成对抗网络(AC-VAEGAN)的干扰识别方法。利用生成对抗网络和变分自编码器的核心思想设计识别模型,得到连续有意义的干扰样本集潜在空间;确定编码器、生成器和鉴别器的损失函数,且鉴别器采用动态学习率的优化算法,使得模型训练过程更加有效且稳定。仿真结果表明,在干扰时频图小样本数据集情况下,当干噪比为-10 dB~10 dB时,该方法对宽带噪声干扰、部分频带噪声干扰、单音干扰、多音干扰、脉冲干扰、跳频干扰、线性扫频干扰和二次扫频干扰这八种干扰的正确识别率均高于ACGAN和CNN。

基于模拟退火遗传算法的认知无线电决策引擎

如何根据环境变化和用户需求智能调整无线电参数是认知无线电的基本功能。提出了遗传算法和模拟退火相结合的认知无线电参数调整方法,给出了该方法流程,运用多载波系统对算法性能进行了仿真分析。实验结果表明该方法改进了遗传算法中后期的爬山能力,优化得到的参数比单独使用遗传算法优化所得参数具有更高的归一化目标函数值,而且该方法能够在多个目标函数间进行权衡,参数调整结果与当前对目标函数的偏好一致。

认知无线电频谱切换目标信道访问机制

针对认知无线电先应式决策频谱切换,该文提出按照信道平均空闲时间递减的顺序对目标信道进行访问的机制,证明了该机制在主用户信道空闲时间服从均匀分布、Rayleigh分布以及Weibull分布下均能够保证频谱切换失败概率最小。仿真结果表明所提机制得到的频谱切换失败概率要远远小于随机访问机制的切换失败概率。另外,当能够获得数十次信道空闲时间观测样本情况下,虽然存在估计误差,但所得频谱切换失败概率与理想最优频谱切换失败概率非常接近。

用于调制宽带转换器压缩频谱感知的重构失败判定方法

调制宽带转换器(Modulated Wideband Converter,MWC)压缩采样应用于频谱感知的一个基本前提是信号在频域上的稀疏性。如果信号不稀疏,将导致MWC重构结果不正确。该文提出了一种MWC压缩采样重构成败的判定方法。该方法利用连续两次重构得到的子带能量之间的相关性进行判决。仿真结果表明,该方法能够较准确地判断重构是否成功,应用于认知无线电频谱感知中能够避免频谱不稀疏时认知用户对主用户造成干扰,达到保护主用户的目的。

基于主动频谱感知接入的认知无线电台研究

讨论了所研制的工作于30-512 MHz的基于主动频谱感知接入的认知无线电台。该电台实现了认知无线电动态频谱接入最为关键的几大功能：频谱感知、频谱会合、频谱监视,以及频谱切换。试验结果表明,该电台具备在不依赖于公共控制信道的情况下自动寻找空闲信道建立链路的能力,也具备在当前通信信道上出现主用户信号或其他干扰信号时自动切换到其他空闲信道上继续通信的能力,为认知无线电技术的实用化提供了很好的借鉴。

基于混合蛙跳算法的认知无线电频谱分配

提出一种二进制混合蛙跳算法和基于该算法的认知无线电频谱分配方法。对该方法与颜色敏感图论着色算法进行仿真比较,结果表明在最大化网络总效益和最大化公平效益准则下,基于二进制混合蛙跳算法的频谱分配方法的性能较高。二进制混合蛙跳算法能找到理想最优解,颜色敏感图论着色算法得到的解与理想最优解偏差较大。

认知无线电中频谱感知技术

固定频谱分配政策导致频谱使用率低下,为克服这一缺点,人们提出使用认知无线电技术实现动态频谱接入,从而有效利用频谱空穴。频谱感知是认知无线电的关键技术。文中介绍了目前已提出的频谱感知技术:发射机检测(包括匹配滤波器检测、能量检测和周期平稳特征检测)、合作检测、接收机检测及基于干扰温度的检测,仿真分析了各种方法的优缺点及有待解决的问题。为满足多用户环境和实时性要求,仍需探讨新的频谱感知方法,提高检测性能。

基于多子带信号采样和小波变换的宽带频谱感知

基于调制宽带转换系统(MWC),提出一种基于多子带信号采样和小波变换的宽带频谱感知方法。首先利用MWC实现宽带信号的低速率采样,得到子带信号;然后提出一种噪声功率及检测门限估计方法,再利用能量检测法实现对非噪声子带的频谱感知;最后利用小波变换对信号子带进行频谱边缘检测,以确定主用户信号占用频段的确切位置信息。仿真结果验证了所提出的宽带频谱感知方法的可行性和有效性。

基于功率谱密度中段平均的频谱感知算法

根据有、无主用户信号时接收信号功率谱最大、最小值差值不同的特点,提出了一种基于功率谱密度中段平均的频谱感知算法。针对估计的信号功率谱在最小值附近波动多、最小值难以根据单个点准确给出的问题,利用接收信号功率谱中段平均值估计功率谱的最小值,降低最小值的随机性对频谱感知算法性能的影响。理论推导了检测门限和检测概率的表达式,并对算法进行了仿真分析。仿真结果表明,在AWGN信道和Rayleigh衰落信道中,本文算法性能都优于已有的功率谱密度频谱感知算法。该算法无需主用户信息,不用进行复杂的特征值分解。

BCH码的参数识别研究

针对BCH码的参数识别问题,提出了一种基于统计显著水平的快速识别法.利用BCH码的码根分布特点建立BCH码识别模型,对BCH码进行非缩短化处理,在得到BCH码的码长及码根后,通过构造BCH码校验矩阵,由有限域的矩阵化简直接求出BCH码的生成多项式.实验仿真表明,在误码率较高的的情况下,该方法对实际数据的编码参数识别效果依然较好.

应用遗传算法的认知无线电自适应参数调整

如何根据环境变化和用户需求智能调整无线电参数是认知无线电的基本功能。提出了应用遗传算法和适用多目标函数的需求认知无线电参数调整方法,给出了该方法的流程及对其性能进行了仿真分析。实验结果表明该方法能在多个具有竞争关系的目标函数间进行权衡,所得的参数配置与当前对目标函数的偏好一致。

无线传感器网络中的帧同步方法

针对一般无线传感器网络(WSNs)中帧同步开销过大,传输效率不高的问题,提出了一种基于概率译码方法的通信帧同步方法。通过对发射前通信数据的间隔替换引入帧同步码,对通信数据替换所可能引入的已知位置误码问题,接收端在完成帧同步获取编码数据后,以帧同步码元的替换位置为基础进行译码初始化,然后进行概率译码。实验仿真表明:该方法在纠错性能恶化很小的基础上大大提高了传输效率。

基于自适应TOA的认知无线电位置意识

研究了认知无线电位置意识功能,重点讨论了自适应TOA(Time of Arrival)定位技术,推导了可采用Under-lay频谱接入定位方式的判决条件,提出了增加Underlay方式成功定位几率的措施。数值计算结果验证了提出的判决条件以及增加Underlay方式成功传输几率的措施的有效性。

基于多目标遗传的频谱切换目标信道序列设计算法

信道容量与切换时延是次级用户选择目标信道的2个重要性能指标,目前的目标信道设计方法多数没有同时考虑这2个指标,存在一定的局限性。为此,基于多目标遗传算法,提出2种综合考虑累积时延和信道容量的目标信道序列设计算法:离散非支配排序遗传算法和离散的基于Pareto包络选择算法,并设计离散的种群编码和更新方式。仿真结果表明,与传统随机顺序访问方法相比,所提算法的信道容量提高24%以上,时延减少9%,能够兼顾网络实时性和高吞吐率。

基于稀疏傅里叶变换的哈希映射宽带频谱感知算法

宽带频谱感知一般要求对高达数GHz带宽信号进行频谱分析,信号的采样点数大,计算量大。稀疏傅里叶变换算法利用信号频谱稀疏性,高效计算宽带信号频谱,其计算复杂度低于快速傅里叶变换算法。本文详细研究了稀疏傅里叶变换的哈希映射法,证明了频谱重排性质。为了降低频谱漏采的概率,需先对信号进行频谱重排和时域加窗处理;然后进行时域混叠以实现频谱降采样;最后利用哈希反映射和循环投票方法尽可能准确地从降采样的频谱中恢复宽带信号原频谱,从而实现频谱感知。仿真结果表明当采样长度由1024点增加到2048点时,本文方法的运算时间分别比OMP算法减少约19倍和47倍。

利用多目标PSO优化的累积时延和信道容量联合优化的频谱切换算法

目前频谱切换中多以单目标优化设计目标信道,为了满足大容量实时传输要求,需要综合考虑累积切换时延和有效信道容量。对此构建了目标信道设计的多目标函数,提出了求解离散多目标优化问题的粒子群算法(DMOPSO),给出了种群编码、更新方式离散化设计。仿真结果表明,所提出的频谱切换算法得到的最优信道访问解集能够兼顾网络的实时性和高吞吐率,算法复杂度较低。

应用案例推理技术的快速认知引擎

认知引擎必须根据外界无线环境的变化和用户需求,快速自适应调整无线电参数。本文选取一定比例粒子群个体按选定匹配案例的参数配置进行初始化,其余个体随机初始化,这样使粒子群优化算法的粒子在搜索初期就处于靠近最优解的解空间里,同时保持一定的种群多样性,得到一种基于案例推理粒子群优化算法;并由此算法以最大化数据速率、最小化发射功率及最小化误比特率为目标来优化无线电传输参数,得到一种比现有算法收敛速率快和寻优能力强的认知引擎。多载波系统的仿真结果表明了本算法的有效性。

融合学习差分进化和粒子群优化算法的认知决策引擎

为了提高认知无线电系统的参数决策速度和性能,提出一种融合粒子群和学习差分进化算法的认知无线电决策引擎(HPSO-BLDE)。首先,对学习差分进化算法引入自适应变异机制,使得每条染色体随个体适应度和平均适应度进行自适应变异,提高其局部寻优能力。然后,改进粒子群算法的学习因子,并加入扰动项,防止算法早熟;选用更合适的变换函数,将正反向速度转换为相同概率更新粒子位置,提高最优解的精度,从而提高粒子群算法的全局寻优能力。最后,在认知引擎模型中并行地运行改进的粒子群算法(IBPSO)和差分进化算法(IBLDE),每隔固定的迭代次数后,融合两种算法的最优个体信息,得到HPSO-BLDE算法,使IBPSO算法和IBLDE算法的种群兼具二者的优点,从而提高了最优解的求解精度并加快了收敛速度。多载波通信系统的参数决策仿真结果表明,IBPSO算法、IBLDE算法和HPSO-BLDE算法的性能优于已有的爬山遗传(HGA)算法、量子粒子群算法(BQPSO)和二进制学习差分进化算法(BLDE),其中HPSO-BLDE算法的性能最优。

融合PSO与DE的认知决策引擎

针对认知无线电系统参数重配置问题,提出一种融合粒子群和差分进化的认知决策引擎(IPSO-DE)。首先对粒子群算法(PSO)引入自适应惯性权重机制,使得每个个体随各自的适应度自适应进化,提高其探索能力。然后改进差分进化算法(DE)的交叉概率,从而提高DE算法的开发能力。最后在认知引擎模型中,将经过PSO进化的种群分为优等种群和劣等种群,劣等种群利用改进DE进行优化变异,增加粒子群个体的差异性。仿真表明IPSO-DE增强了种群开发和探索能力,多载波系统的参数优化决策实验证明了其有效性。

基于主用户信号谱特征的频谱感知方法

频谱感知是认知无线电的关键技术之一。首先讨论了一种基于信号频谱特征的频谱感知方法,提出了一种判决统计量,克服了噪声功率不确定性的影响。给出了算法流程,并采用ATSC(ad-vanced television systems committee)信号作为主用户信号对算法性能进行了仿真分析。结果表明:选择较多点快速Fourier变换(FFT,fast fourier transform)估计得到的理想主用户信号功率谱作为模板所得的检测概率较高;FFT点数相同情况下,增加谱模板估计时的周期图平均次数对检测性能没有多大改进。另外,不同观测时间下的仿真结果还表明增加接收信号的观测时间有利于改进算法检测性能。