基于谱图和深度卷积网络的超短波特定信号检测和识别方法

针对超短波通信中特定信号的检测和识别问题,提出一种将时频谱图和深度卷积网络相结合的超短波特定信号检测和识别方法。该方法打破传统信号检测方法的思想,能够同时实现信号检测、时频定位和分类识别。首先对超短波特定信号数据做短时傅里叶变换得到时频谱图,然后使用时频谱图训练改进的SSD网络模型,最后测试网络模型,实现超短波特定信号的检测和识别。实验结果表明,针对超短波特定信号特性对SSD网络模型进行的优化改进是有效的,验证深度卷积网络在特定信号检测和识别领域的可行性,为该领域的后续研究奠定基础。

基于卷积神经网络的超短波特定信号谱图识别

针对超短波通信中特定信号的识别问题,提出一种将时频谱图和卷积神经网络相结合的超短波特定信号识别方法。该方法首先对特定信号进行短时傅里叶变换得到时频谱图,然后使用时频谱图对改进的卷积神经网络模型进行训练,最后测试网络模型,实现超短波特定信号识别。实验结果表明,该方法对特定信号的识别率能达到98%,在信噪比为0dB时仍能达到97%的识别率,并且在混叠50%时识别率达到了90%。相比传统算法,该方法具有更好的抗低信噪比和抗混叠干扰能力,验证了卷积神经网络在特定信号识别领域的有效性,为该领域的后续研究奠定了基础。

基于矢量图的特定辐射源识别方法

发射机的指纹特征具有复杂性,现有的认识水平制约了特定辐射源识别(SEI)的性能。为此,该文提出一种基于矢量图的SEI方法,应用深度学习技术实现了多种复杂特征的联合提取。该文首先分析了多种发射机畸变在矢量图上的视觉表现;在此基础上,以矢量图灰度图像作为信号表示,构建深度残差网络提取图像中的视觉特征。该方法克服了现有认知的局限,兼具高信息完整性和低计算复杂度。实验结果表明,与现有算法相比,该方法能够显著改善SEI的性能,识别增益约为30%。

分布式独特码TDMA信号的检测和频率估计

针对一类新型分布式独特码结构的TDMA信号,本文提出了基于这种新型结构下的独特码辅助的突发检测和频率估计算法,算法主要通过采用延时共轭相乘的方式,消除了频偏对检测性能的影响,并且频率估计具有较低的复杂度。本文同时从实际信号情况考虑,对目前主流的2个符号间隔插入的独特码结构提出了具体的应用建议,提高算法在具体应用背景下的检测性能和估计精度。本文重点分析了信噪比、频偏、独特码长度以及分布结构对算法性能的影响,并对不同条件下进行了仿真实验。仿真结果表明,算法能够实现对较大频偏TDMA信号的高精度突发检测和频率的快速粗估计校正。

TDMA信号的宽范围载波同步译码联合迭代处理

针对时分多址(Time Division Multiple Access,TDMA)信号提出了宽范围的载波同步译码联合迭代处理的方案。该方案主要分为三个部分,首先利用TDMA信号的同步码进行数据辅助同步,对信号中的大频偏和相偏进行粗估计和纠正;然后利用线性调频Z变换(Chirp-Z Transform,CZT)算法针对整突发帧进行非数据辅助同步,精确估计和纠正信号的剩余频偏;最后通过利用译码器输出的软信息进行编码辅助同步,多次迭代得到剩余相偏的精确估计,最终实现载波的精确同步并输出译码结果。实验结果表明,所提方案具有同步捕获范围宽、参数估计精度高、译码输出误比特率低等优点,在低信噪比环境下也能表现出优良性能。