利用卷积-循环神经网络的串行序列空时分组码识别方法

针对多输入多输出(Multiple Input Multiple Output,MIMO)系统中的空时分组码识别(Space-Time Block Code,STBC)问题,本文提出了一种利用卷积-循环神经网络的串行序列空时分组码识别方法。将一维接收信号的实部和虚部分离后输入网络,利用卷积神经网络(CNN)提取其空间特征,结合循环神经网络(RNN)提取其深层时序特征,提高网络的特征表达能力;网络训练过程采用反向传播方法,通过计算输出与目标值的误差,将误差反向传回网络中并更新权值,完成网络的训练过程;将测试集数据输入训练好的网络中,实现对空时分组码的识别和区分。该方法将深度学习算法运用到串行序列空时分组码识别当中,训练完的网络可直接对单接收天线下的空时分组码进行识别,不需要重复计算信号的统计特征,避免了人为设计特征参数和检测阈值。该方法不需要知道信道和噪声的先验信息,适用于电子侦查等非协作通信情况。仿真实验表明,该算法能够有效地对串行序列空时分组码进行识别,并且在低信噪比下有较好的识别性能。

可扩展分层次编译码的语义通信系统

针对目前文本语义通信大部分研究主要依靠仿真系统进行理论验证的问题,利用分层次编译码架构在语义层次和语法层次上的分离性,提出了一种可扩展分层次的语义通信系统。该系统通过语义和语法层次相分离的模式有效兼容香农信息框架下的可靠通信技术,实现语义通信与传统通信的嵌套结合。进一步,基于软件无线电平台搭建了一个通用可扩展的验证系统,对所提语义通信系统架构进行实用化验证。该验证系统以语义通信软件平台作为硬件驱动和算法调用的驱动核心,集成了信号产生、信息发送、接收端数据采集、译码和评估的全过程,并且能够面向语义和语法层次进一步扩展。最后,基于该验证系统进行了文本语义通信的测试,验证了其相较于传统通信方式具有更高的有效性和可靠性。

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 tOnoise 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。

基于多模态特征融合网络的空时分组码识别算法

针对现有算法在空时分组码(Space-Time Block Code,STBC)识别过程中存在的低信噪比下误判概率高、识别效率低等问题,本文提出了一种基于多模态特征融合网络(Multi-Modality Features Fusion Network,MMFFN)的空时分组码自动识别方法.首先,在合并卷积层将STBC时域样本映射为一维特征向量的基础上,采用多扩张率下的扩张卷积提取非连续时间窗的STBC码内特征,实现多时延特征自提取;然后,构建多时序特征自提取模块以提取码间时序特征,进一步扩展映射特征类型;最后,将多时延拼接层获取的最大时延特征作为深层融合特征,并增加了带跨越连接的残差层以提升融合特征利用率,实现空时分组码识别.仿真实验结果表明,本文算法在-9dB下对6类STBC信号的识别准确率达到了90%以上,较现有识别算法的性能获得了显著提升,对低信噪比有较强的适应性.本文提出的STBC多时延特征提取和融合方法,为结合传统算法设计深度学习网络结构提供了新思路,其思想同样可应用于其他通信信号识别领域.

基于深度多级残差网络的低信噪比下空频分组码识别方法

针对低信噪比下信号受噪声干扰强,空频分组码(Space-Frequency Block Code,SFBC)识别准确率低的问题,提出了一种基于时频分析与深度多级残差网络的SFBC自动识别方法.通过对互相关序列进行时频分析与降噪、非时钟同步拼接等预处理,以获取能够反映其本质特征的二维图像,适应不同接收端时延下的信号识别,构建带有多层跨越连接的深度多级残差网络以充分融合深浅层特征,实现SFBC识别.该方法不需要人为设定阈值和假设检验统计量,克服了传统算法人工提取特征存在的调参过程烦琐、专业经验要求高的缺陷,对低信噪比环境具有较强的适应性.在信噪比为-14dB时,该方法的识别准确率达到了95.8%.本文提出的特征转化和预处理方法,为基于特征提取的识别方法与深度学习技术相结合提供了新思路,其思想同样可应用于其他通信信号识别领域.

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。

高效融合全局和局部上下文特征的语义通信系统

采用基于深度学习的端到端一体化设计方法,提出了一种基于扩展上下文语义特征的通信系统。区别于已有研究中只关注局部上下文而忽视全局上下文的问题,所提系统有机地融合了局部和全局上下文知识,利用扩展上下文知识进行语义编码和语义译码,提升了语义通信系统的可靠性。在发送端,采用基于扩展上下文的语义编码,实现高效的语义表征。在接收端,结合历史通信文本挖掘机制、上下文语义特征学习机制和基于启发式图搜索的译码策略,提升语义推理的准确性。与现有语义通信系统仿真对比结果表明,相较于传统通信系统和现有语义通信系统,所提系统在低信噪比下显著提升了通信系统的可靠性。

基于多级跳线残差网络的雷达辐射源识别

针对复杂体制雷达辐射源的识别问题,提出了一种基于时频特征提取与多级跳线残差网络(multi-level jumper residual network,MLJ-RN)结合的识别方法。首先,计算辐射源信号的平滑伪Wigner-Ville时频分布生成时频图像以表达信号本质特征,将图像进行预处理以保留信号细微特征差异。然后,设计多级跳线连接的残差单元,在此基础上构造MLJ-RN,对时频图像相邻卷积层的细微特征进行学习和识别,并使用随机梯度下降法训练网络。最后,通过对网络进行参数优化,强化对信号的深层特征提取能力。仿真结果表明,信噪比为-5 dB时,该方法对12类雷达辐射源信号的整体识别概率达到95.1%,从而验证了该方法在低信噪比下识别雷达信号的有效性。

基于随机抽取的稀疏校验矩阵重建算法

为了更好地实现高误码条件下稀疏校验矩阵的重建,将寻找校验向量的过程转换为求解线性方程组的过程,充分利用稀疏校验矩阵的稀疏性,通过寻找包含所有校验比特的子线性方程组的解来重建稀疏校验矩阵,并利用该矩阵对码字进行软译码,以纠正错误码字,对纠正后的码字继续重建稀疏校验矩阵,不断重复该过程,选取所有迭代过程中重建率最高的稀疏校验矩阵作为最终结果。仿真结果表明,提出的稀疏校验矩阵算法可以在高误码条件下有效重建双对角结构及非双对角结构的稀疏校验矩阵,对误码的鲁棒性较强。

基于深度残差网络的实时无线电信号监测研究

针对无线电信号监测中传统信号识别与监测方法精度低、可拓展性差、依赖专家特征、难于应用到真实环境中等问题,设计了一种利用深度残差网络结合软件无线电技术进行信号监测的系统。软件无线电技术的可重配置特点使研究人员可以在同一平台部署不同的应用;深度残差网络在调制识别领域的应用展现了出色的性能。但是,很少有研究人员将训练好的调制识别模型直接部署到真实环境中。创新地将深度残差网络与硬件平台结合起来,利用GNU Radio的自定义模块功能,将残差网络嵌入到软件无线电设备中,克服了传统信号部署困难的缺点,证实了残差网络与软件无线电结合的可行性,设计了一种实时信号监测系统,在认知电子战、通信对抗、非协作通信等领域具有重要的应用价值。实验表明,该系统具有实时性强、识别准确率高、易拓展的特点。

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。

基于PSpice仿真的某型飞机导弹发控电路测试性建模

针对某型飞机导弹发控电路测试性建模存在信号流反馈环较多而难以有效区分与故障相关性的问题,论文提出了一种基于PSpice仿真的测试性建模方法。首先,通过PSpice建立某型飞机导弹发控仿真电路并设置测点,同时利用FMECA方法分析选择危害性或先验故障概率较大的故障;然后将故障状态注入仿真电路,通过PSpice仿真获得测点数据;最后,利用整数编码技术获得仿真电路的测试-故障相关性矩阵。仿真实例验证了所提方法的可行性,可为复杂电子设备元器件级测试性建模提供有效指导。