基于CNN-LSTM的MIMO-OFDM信号盲调制识别算法

无线通信信号的盲调制识别技术作为非协作通信的核心技术之一,在提高频谱利用效率以及未知信号解调中起着至关重要的作用。另外,非协作通信中存在着电磁环境未知,噪声干扰严重,信噪比低等问题,因此在非协作通信下进行未知信号的盲调制识别较为困难。为解决非协作通信中多输入多输出正交频分复用(MultipleInput Multiple-Output Orthogonal Frequency Division Multiplexing, MIMO-OFDM)信号在低信噪比下子载波盲调制识别的问题,本文使用CNN(Convolutional Neural Network,CNN)网络与LSTM(Long Short-Term Memory,LSTM)网络构建一维CNN-LSTM网络进行盲调制识别。鉴于I/Q数据具有很强特征表达能力,该算法选取I/Q数据作为第一输入特征直接输入网络。同时为了弥补噪声对I/Q数据的干扰,本文还选用抗噪声能力强的循环谱作为另一输入特征,为进一步提升循环谱的抗噪声能力,本文对循环谱进行切片累加操作得到抗噪声性能更好的循环谱切片累加序列作为第二输入特征。仿真结果表明,本文所提方法可以在SNR=2 dB条件下实现对{BPSK,QPSK,8PSK,16QAM,32QAM,128QAM}调制方式的识别,并且识别精度达到98%。

DWT-DCT结合SURF与PSO的优化鲁棒水印算法

针对优化水印算法中未最大化水印鲁棒性以及抗几何攻击较差的问题,本文提出了一种结合离散小波变换(Discrete Wavelet Transform,DWT)和离散余弦变换(Discrete Cosine Transform,DCT),并融合加速鲁棒特征(Speeded-Up Robust Features,SURF)与粒子群优化(Particle Swarm Optimization,PSO)的鲁棒水印算法。首先对宿主图像进行DWT以获得其低频图像,接着对低频图像进行分块DCT操作,最后每个DCT块选取两个系数嵌入一位水印。其中,嵌入位置与嵌入强度由PSO优化算法结合多种组合攻击选取。为了避免几何校正中使用原图像,本文利用SURF算法检测嵌入水印后图像的特征信息,并将其用于几何校正。实验表明,本文算法在峰值信噪比达到40 dB以上的情况下,在面临常规信号攻击和几何攻击时均有较好的鲁棒性。

基于卷积神经网络的岩渣分类算法及其FPGA加速

全断面岩石掘进机在道路掘进过程中,刀盘挤压切削岩体容易产生刀盘磨损及损坏,从而造成经济损失,因此需要检测刀盘磨损的理论和技术来指导施工。岩渣是掘进过程的直接产物,携带丰富的信息,能够反映当前的施工状况,因此可以通过岩渣识别利用这些信息间接实现对刀盘的监测。提出了一种基于卷积神经网络的岩渣识别算法,在岩渣数据集上实现了96.5%的分类准确率。随后为了便于FPGA硬件部署,提出一种网络压缩方法,将网络规模压缩到原始网络的2.28%,同时分类准确率相比原网络仅下降了0.9%。最后使用OpenCL技术在Intel Arria 10 GX1150平台上实现了算法部署,达到了224.54 GOP/s的吞吐率以及11.23 GOP/s/W的能效比。

带残余频偏的软扩频信号伪码序列盲估计

针对带残余频偏的软扩频信号伪码序列盲估计难的问题,提出一种奇异值分解(singular value decomposition,SVD)结合全数字锁相环(digital phase locked loop,DPLL)的方法。所提方法首先对待处理信号通过不重叠分段生成数据矩阵,每段信号长度为一倍伪码周期;然后利用其自相关矩阵的右上角元素估计失步点进行同步,并且在重新计算自相关矩阵后根据较大特征值个数估计进制数;最后通过多次快速SVD算法结合DPLL最终实现伪码序列的盲估计。仿真结果显示,所提方法在低信噪比条件下可以有效估计出带残余频偏的软扩频信号的伪码序列,并且性能优于其他对比方法。

双分支复频谱下多特征聚合的轻量化语音增强方法

针对目前多种改进的卷积循环网络(CRN)在单掩蔽或单映射的编解码结构下提取特征单一、捕获全局特征不强、参数量较大等问题,提出一种多特征聚合卷积模块与高效Transformer融合注意力机制结合的复频谱联合掩蔽和映射的单通道语音增强高效网络。在编解码层设计一种双分支门控协作单元(DGCU),提取复频谱多层次特征后交互、聚合以弥补特征提取单一问题;中间层设计一种通道时频注意力融合模块,聚焦语音的时频、空间局部细节特征。最后在THCHS30数据集上进行消融和对比实验,实验结果表明,该网络以最低参数量、较低计算量实现了轻量化,在匹配和不匹配噪声下PESQ分别提升了10.5%~50.6%、16.3%~94.5%,客观、主观指标都优于其他对比的网络模型,表现出较高的降噪性能和网络泛化能力。

基于改进型LBP译码的LDPC码稀疏校验矩阵重建

针对LDPC码稀疏校验矩阵重建问题,基于改进型LBP译码的思想提出了一种高误码率下的LDPC码稀疏校验矩阵重建算法。首先,从码字矩阵中随机抽取部分比特构建码字分析矩阵,并对其做高斯消元求对偶空间;其次,通过判定对偶空间向量是否稀疏,提高了后续疑似校验向量判定的效率;最后,在接收码字个数不足时,利用已知校验向量结合改进型LBP译码方法纠正错误码字,加快LDPC码稀疏校验矩阵的重建速度,提高重建性能。仿真结果表明,所提算法在高误码率0.0045的条件下,对于IEEE802.11n协议下的(648,324)LDPC码,相比于现有算法,稀疏校验矩阵重建率提升了52.16%,可达到92.28%。

基于编码矩阵估计的极化码参数盲识别算法

针对当前极化码参数识别算法缺少对码字起点的识别以及识别信息位算法计算复杂的问题,提出一种基于编码矩阵估计的极化码参数盲识别算法。所提算法首先将截获的码字矩阵、相应码长下的克罗内克矩阵以及逆向重排矩阵相乘得到编码矩阵估计,然后通过编码矩阵的分布特征识别出码长和码字起点,最后使用训练好的卷积神经网络对极化码信息位以及冻结位进行识别。实验结果表明,所提方法不仅完成了码字起点的识别,而且在未知码字起点的情况下完成了对码长的识别,且码长的识别准确率优于现有算法,误比特率在0.19时,参数为(32,12)的极化码码长识别率仍然可以达到90%以上。

多分量LFM干扰及动态环境下DBOC信号的捕获

针对双二进制偏移载波(double binary offset carrier,DBOC)信号在多分量线性调频(linear frequency modulation,LFM)干扰和动态环境下捕获算法缺乏的问题,提出布莱克曼窗预处理结合分数阶傅里叶变换(fractionalFouriertransform,FRFT)的干扰抑制算法以及离散多项式相位变换(discretepolynomial-phase transform,DPT)、部分匹配滤波器(partial matching filter,PMF)结合快速傅里叶变换(fast Fourier transform,FFT)加频谱校正的捕获算法。该算法首先对接收信号做布莱克曼窗预处理,抑制干扰谱线输出旁瓣,提高干扰汇聚的精确性;然后利用分级算法快速搜索信号的最优阶数,在保证精度量级的条件下减少了运算量;最后,在对应的最优阶数下做FRFT,结合干扰判断和轮询算法,逐个完成多分量LFM干扰的抑制。对干扰抑制后的信号首先利用定阶算法确定其动态阶数;然后通过DPT对动态信号做降阶处理,去除动态项;最后利用PMF-FFT加频谱校正完成DBOC信号的捕获。仿真结果表明,所提算法能够准确并完全地对三个LFM干扰分量进行逐个抑制,且抑制后的干扰分量不会对其他干扰分量的抑制造成影响。在检测概率达到1时,经过布莱克曼窗预处理后算法的信噪比比经过汉明窗预处理和经过凯塞窗预处理后算法的信噪比分别提升了4 dB和6.4 dB,比未经过预处理算法的信噪比提升了7.2 dB。此外,使用频谱校正可以突出捕获峰值,提高捕获精度。与未经频谱校正算法相比,经过频谱校正后算法的信噪比提升了1.6 dB,且能减少一定的捕获时间。

复谱映射下融合高效Transformer的语音增强方法

针对卷积神经网络(Convolutional Neural Network,CNN)过去在语音增强中表现优异但对全局特征捕获不足,以及Transformer近年展现出长序列间依赖优势但又存在局部细节特征丢失、参数量大等问题,该文为了充分利用CNN与Transformer的优势并弥补各自不足,提出了一种在复频谱映射下的新型卷积模块与高效Transformer融合的单通道语音增强网络。该网络由编码层、传输层与双分支解码层组成:在编解码部分设计了一种协作学习模块(Collaborative Learning Block,CLB)来监督交互信息,在减少参数量的同时提高主干网络对复特征的获取能力;传输层中则提出一种时频空间注意Transformer模块分别对语音子频带和全频带信息建模,充分利用声学特性来模拟局部频谱模式并捕获谐波间依赖关系。将该模块进一步与通道注意分支相结合,设计了一种可学习的双分支注意融合(Dual-branch Attention Fusion,DAF)机制,从空间-通道角度提取上下文特征以加强信息的多维度传输;最后,在此基础上搭建一种高斯加权渐进网络作为中间传输层,通过堆叠DAF模块进行加权求和后输出以充分利用深层特征,使得解码过程更具鲁棒性。分别在英文VoiceBank-DEMAND数据集、中文THCHS30语料库与115种环境噪声下进行消融以及综合对比实验,结果表明,该文方法仅以最小0.68×10^(6)的参数量,相比于大部分最新相关网络模型取得了更优的主、客观指标,具有较为突出的增强性能与泛化能力。

基于多特征融合的MIMO-OFDM系统单-混信号调制识别算法

为解决非协作通信中多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing, MIMO-OFDM)系统的单-混信号调制识别问题,提出一种基于多特征融合和决策融合的调制识别方法。首先,利用特征矩阵的联合近似对角化(joint approximate diagonalization of eigenvalue matrix, JADE)算法从接收端恢复发送信号;然后,提取恢复后信号的四次方谱、循环谱和高阶累积量作为输入样本,利用多特征融合网络对输入样本进行训练;最后,使用决策融合策略根据每条支路输出得到最终判决结果。仿真实验结果表明,所提方法可以对MIMO-OFDM系统中的7种信号进行有效识别,在信噪比为10 dB时识别精度可达99.4%。

基于SVD-K-means算法的软扩频信号伪码序列盲估计

针对通信中软扩频信号伪码序列盲估计困难的问题,提出一种奇异值分解(singular value decomposition,SVD)和K-means聚类相结合的方法。该方法先对接收信号按照一倍伪码周期进行不重叠分段构造数据矩阵。其次对数据矩阵和相似性矩阵分别进行SVD完成对伪码序列集合规模数的估计、数据降噪、粗分类以及初始聚类中心的选取。最后通过K-means算法优化分类结果,得到伪码序列的估计值。该算法在聚类之前事先确定聚类数目,大大减少了迭代次数。同时实验结果表明,该算法在信息码元分组小于5 bit,信噪比大于-10 dB时可以准确估计出软扩频信号的伪码序列,性能较同类算法有所提升。

高频雷达中射频干扰的RD图表现机理与建模仿真

射频干扰对于高频超视距雷达是一大威胁。本文研究射频干扰的距离-多普勒图表现机理和建模方法,分析了射频干扰频域特性与距离-多普勒图表现的关系,讨论了雷达信号处理中的射频干扰信号频谱变化。根据高斯白噪声通过线性滤波器的特性,设计滤波器响应函数来产生不同频谱和距离-多普勒图形态的射频干扰。基于以上研究,本文将射频干扰分为单频、窄带和宽带3类,归纳出射频干扰的距离-多普勒图表现机理,并提出了基于卷积的射频干扰新型建模方法。实测数据和仿真表明:本文对射频干扰距离-多普勒图表现机理分析合理,建模方法能很好地模拟多数实测干扰距离-多普勒图形态。

基于深层神经网络的信道编码类型盲识别

为了解决当前识别算法只能识别一种或者两种码字类型以及人工提取特征复杂的问题,提出了两种基于深层神经网络模型的信道编码类型识别器,即卷积神经网络(convolutional neural network,CNN)识别器和递归CNN(recursive CNN,RCNN)识别器,用于识别接收数据中不同类型的信道码字。将待识别的软解调序列作为自然语言处理中文本分类问题的句子向量进行处理,输入到预先训练好的深层神经网络识别器中进行识别,并分析了字长度对识别准确率的影响,得出了最合适的字长度。实验结果表明,两种识别器都能够有效识别接收数据中多种类型的信道编码,且在信噪比为3 dB时CNN识别器的识别准确率能够达到99%以上,而RCNN识别器在1 dB时就能够达到99%以上的识别准确率。

基于特征融合的UFMC系统调制识别算法

非协作通信通用滤波多载波(UFMC)系统子载波所存在的调制识别问题有待解决,对此,提出一种基于特征融合的UFMC系统调制识别算法。首先得到UFMC系统接收端信号,并提取同相正交序列和幅度相位序列作为输入特征;接着构建神经网络模块,构建方法如下:将卷积神经网络与长短时记忆网络串联,并将门控循环单元与上述模块并联;最后,对UFMC系统子载波进行调制识别。实验结果表明,构建的神经网络能够有效识别5种信号(BPSK、4QAM、8QAM、16QAM、64QAM),并且在信噪比≥6 dB时识别的准确率达到100%。

低信噪比长伪码直扩信号伪码周期的估计方法

针对低信噪比长伪码调制直扩(DS-SS)信号的伪码(PN码)周期参数估计的难题,提出了一类基于信号功率谱二次处理的新方法。该方法首先对信号的功率谱进行估计,接着将估计出的功率谱作为输入信号再来求取功率谱,最后得到的二次谱就会在长伪码调制DS-SS信号PN码周期的整数倍处得到一列尖锐的二次谱线,通过估计这些谱线的间距就可以获得其PN码的周期估计。为了在低信噪比情况下增强二次谱线和估计效果,采用了由多个接收信号矢量计算得到的二次谱结果进行平均累积的办法。理论分析和计算机模拟表明,该类方法在较低的输入信噪比条件下能良好地工作。

直扩信号伪码周期及序列的估计算法

为了解决直扩信号伪码周期和序列估计的难题,提出了功率谱二次处理结合信号子空间分解的方法。该方法首先利用功率谱二次处理手段估计出直接序列扩频(DS-SS)信号的伪码周期,在此基础上采用信号子空间分解对DS-SS信号伪码序列进行盲估计。为了用信号子空间分解法对伪码序列实施精确估计,在其后加上了r1校正方法。计算机模拟结果表明,该方法在输入信噪比小于-14 dB时还能良好地工作。

基于幂函数型双稳随机共振的故障信号检测方法

在实际的故障诊断中,有用信号经常淹没在噪声中,特征信息提取非常困难。为了提取强噪声背景中的微弱信号,将幂函数型单势阱模型与Gaussian Potential模型相结合提出一种新型的双稳随机共振系统,称为幂函数型双稳随机共振系统。首先,以平均信噪比增益为衡量指标,提出一种寻找最优系统参数组合的算法,使微弱信号、噪声及系统产生最佳的共振效果;然后,基于幂函数型双稳随机共振系统对Levy噪声背景下的仿真信号进行检测;最后提出一种基于小波变换和幂函数型双稳随机共振的微弱信号检测方法并应用于轴承故障信号检测中。仿真实验表明,幂函数型双稳随机共振模型在故障信号检测中是有效和可靠的。

多反复结构模型的精确音乐分离方法

针对基本反复模型音乐分离方法自适应性差的问题,提出一种基于美标度倒谱系数(MFCC)的多反复结构模型的音乐分离方法。首先,提取出音乐信号的MFCC系数矩阵(39维的数据构成);然后利用余弦特性得到其相似矩阵,进而将相似度一致的片段划分到一起,建立不同的反复结构模型;之后结合理想二元掩蔽(]BM)分离出背景音乐及歌声的频谱,相应的时域信号则由傅里叶逆变换获得;最后,在不同类型、长度的音乐文件上测试了算法性能,将提出的算法与Rafii的反复算法和Ozerov的灵活窗非负矩阵分解方法进行对比。实验结果表明,改进方法在分离性能上最高提高3 dB左右,并且对于曲调变换大的音乐提高效果更为明显,从而证实了改进方法是一种有效的音乐分离方法,并且更具稳定性。

低信噪比长伪码直扩信号的盲估计方法

为了解决低信噪比长伪码直扩信号的盲估计难题,提出了一种长伪码直扩信号的相关矩阵累加平均结合特征分析的新方法。本方法是在已知长伪码直扩信号的扩频码周期、码速率等参数,并且信息序列不相关的前提下,将接收到的长伪码直扩信号以一随机确定值为起点进行周期分段形成连续多个观察向量,求其相关矩阵并累加平均,并实施特征分析以得到相关矩阵的特征值和信号所含主成分,由相关矩阵的特征值可以估计出信号所含的噪声方差、信号信噪比和信号分段时随机确定的起点,由主成分特征向量还可以进一步估计出观察信号的扩频码序列。本文所提出的方法充分分析和推导了长伪码直扩信号的特征结构,提出了对长伪码直扩信号盲估计的核心基础算法,该算法可以有进一步应用于长伪码直扩信号盲解扩的潜力。本文提出的方法并不象已经提出的其他算法,其对长伪码扩频信号的盲估计性能可以随着观察向量个数的增加逐步得到改善,而且该方法可以应用于任意类型的扩频码、信息码,在理论上能工作在任意强度的加性高斯白噪声环境下,并且不需要事先提取任何定时同步信息。理论分析和数值结果表明了本方法较为鲁棒不易受到噪声影响。

一种K-means改进算法的软扩频信号伪码序列盲估计

针对软扩频信号因采用了编码技术使得伪码序列难以估计的问题,该文提出一种基于K-means聚类改进的软扩频信号伪码序列盲估计方法。该方法首先以单倍伪码周期的窗长对接收信号进行数据分段以构造观测数据矩阵,其次利用相似测度的理论从观测数据中寻找出K-means算法最优的初始聚类中心点,然后通过搜索平均轮廓系数(Silhouette Coefficient,SC)最大的绝对值以完成伪码集合规模数的估计,最后找到估计的伪码集合规模数所对应的聚类中心点集合,进一步完成对软扩频信号伪码序列的盲估计。通过仿真实验表明,在伪码序列估计错误概率低于0.1的情况下,该文方法比未改进方法提高信噪比约4 dB;而且在同一条件下,该文方法对信号的盲解扩性能优于未改进的方法。