建筑物墙壁电磁耦合截面建模及应用

电磁波照射下的建筑物室内电磁环境具有混响效果,因此可采用功率平衡法(PWB)快速评估室内电磁环境水平。然而目前PWB方法中电大腔壁耦合截面(CCS)的计算模型建立在腔内电磁波不穿透腔壁的条件下,无法直接用于电磁波可穿透室内建筑物墙壁的耦合截面计算。为此,提出了一种适用于电磁波穿透有限厚度建筑物墙壁的CCS计算新模型。该模型考虑实际建筑物墙体的厚度和材料电磁特性,能够充分反映电磁波因有限厚度墙壁多次反射对室内电磁环境水平的影响。将该模型应用于室内电场水平的快速评估,预测结果与实际测量结果吻合较好,证明了所提有限厚度建筑物墙壁CCS模型的合理性。

基于窗分段延迟相乘的二次功率谱算法

扩频通信方式在现代战争和民用领域有着重要地位,而直扩通信方式因其隐蔽性在扩频通信方式中至关重要。在对直扩信号的研究中要估计其扩频码的码周期。针对常见的二次谱法估计码周期没有单独讨论长码非周期直扩信号的不足以及估计的谱线不明显,统计不到甚至出现负值导致估计结果不准确的问题,提出在做二次谱法之前,对长码非周期直扩信号做加窗分段和延时一个码片宽度相乘的处理步骤,使得自相关峰的幅度相较于噪声环境变得更加明显,并对二次谱做谱线间距频率统计处理。这种改进优化算法提升长码非周期直扩信号码周期的估计精度和信噪比容限,可以在-4dB环境下精确估计。

一种基于卷积神经网络的信号调制方式识别方法

在非协作通信中,调制方式识别是信号进行盲解调的前提和基础。传统的一些调制方式分类识别方法存在准确率低、低信噪比下效果差等问题。为了解决这些问题,提出一种基于卷积神经网络(CNN)的调制方式自动识别方法。卷积神经网络具有特征提取和自学习能力,它能从图像处理的角度把握信号细微特征,无需人为干预或数据统计,达到分类识别的效果。数字调制信号的星座图包含信号重要参数信息,是区分不同调制方式的关键特征。仿真生成七种常用数字调制信号,信噪比从-20dB到+18dB,信号以星座图图片的形式保存。将图片输入到自己设计的网络模型中,实验结果表明该模型能够快速实现分类识别功能,分类准确率高、低信噪比下效果好。

基于高阶累积量与神经网络的调制识别

针对盲解调工作中调制识别部分在低信噪比下识别率不高的问题,利用高阶累积量与BP神经网络的方法进行低信噪比下的调制识别,该方法利用3个高阶累积量C 40、C 42、C 21构造出两个新的特征参数T 1、T 2作为BP神经网络的输入特征,对5种数字调制信号(BPSK、QPSK、8PSK、16QAM、32QAM)在7种信噪比(-10dB、-5dB、0dB、5dB、10dB、15dB、20dB)下进行调制识别。通过MATLAB仿真实验表明,该方法在信噪比大于5dB时,识别率高于98%,由此证明该方法的有效性和稳健性。

基于相位统计图的调相信号的智能调制识别

在通信对抗中,调制样式识别为后续信号进行盲解调提供保障和条件。针对通信中的调相有关信号的调制样式识别问题,提出一种基于相位统计图结合卷积神经网络(CNN)的调制智能识别方法。相位统计图抓住调相的本质特征,并且结合卷积神经网络的特征提取和自学习能力,因此无需人工提取特征,能够在低信噪比时提高调制样式识别的精确率。在信噪比-20dB到20dB的范围,仿真生成五种常用相位调制有关的信号,并以相位统计图的形式保存。将图片输入到卷积神经网络模型中,能够快速进行调制分类,分类精确率高、效果好。仿真实验结果证明,在信噪比等于-6dB时,调制分类识别率能够达到95%以上。

双向DIAL的多智能体交流

差异智能体间学习(DIAL)方法虽然可以很好地解决多智能体交流问题,但是智能体之间信息传递方式是单向的,这使得智能体之间的连接结构不稳定,不能很好地处理复杂的动态环境问题.尤其是当智能体的个数增多,训练情况就变得复杂很多,信息交流的速度也会慢很多,智能体的学习效率会非常低.针对这些问题,提出双向DIAL的方法,该方法是在DIAL的基础上将智能体之间连接方式从单向变成了正反两个方向,信息传递方式也从单向变成双向.这样使得后一个智能体的信息不仅能传递给前一个智能体,同时前一个智能体的信息也能传递给后一个智能体.最后通过仿真实验证明双向DIAL的性能确实更优于DIAL.