复杂多径环境下的无人机集群通信波形识别

无人机(unmanned aerial vehicle,UAV)集群通信电磁环境复杂,存在用户干扰、多径衰落与频移等现象,传统加性高斯白噪声信道下的波形识别算法在此场景下性能大幅降低。针对此问题,提出了一种复杂多径环境下的UAV集群通信波形识别算法。首先,建立Alpha脉冲干扰下的UAV集群通信多径衰落信道模型;然后,针对集群用户间存在Alpha脉冲干扰的问题,提取信号广义循环均值和广义循环谱特征,建立复杂多径环境下的UAV集群通信波形特征矩阵;最后,建立稀疏自编码器深度神经网络UAV集群通信波形识别模型。仿真结果表明:提出的算法在Alpha脉冲干扰、多径衰落与频移存在的复杂环境下具有较强的鲁棒性,实现了7种UAV集群通信波形的识别,且在信噪比为-10 dB时仍能保证80%以上的识别准确率。

基于通信域和雷达域融合特征的无人机集群类型识别算法

目前已有无人机类型识别算法仅通过通信域或雷达域的信号特征实现单个无人机类型的识别,存在识别准确率低等问题。提出了一种基于通信信号和雷达信号融合特征的无人机集群类型识别算法。首先,提取集群通信信号的高阶累积量和瞬时特征统计量,并融合雷达航迹特征构建无人机集群特征矩阵。其次,提出一种改进的特征选择算法—二次筛选的近邻成分分析,对融合特征矩阵进行降维。最后,利用稀疏自编码器网络进行集群类型的识别。仿真结果表明,该算法显著降低了集群特征矩阵的维度(仅为原始矩阵维度的27%),同时在信噪比为0 dB时,对5种集群类型识别的正确率可达88%。

NOMA中的SS-CPM卫星信号捕获算法

调制指数大于1的扩频连续相位调制(spread spectrum continuous phase modulation,SS-CPM)信号是一种极具潜力的卫星信号调制方案,然而其多峰特性容易导致非正交多址接入(non-orthogonal multiple access,NOMA)条件下的错误捕获。针对这一问题,本文建立基于NOMA的SS-CPM信号模型,提出一种基于状态转换的碰撞跳跃检测算法,分析所提算法在不同发射功率、用户数、相对时延以及调制指数下的捕获性能。仿真结果表明,所提算法适用于NOMA条件下的SS-CPM信号捕获,且用户数较少、发射功率相近,相对时延较大或调制指数较小时,具有更优的捕获性能。