基于深度学习的通信对抗信号识别与干扰技术

本研究旨在探索一种基于深度学习的通信对抗信号识别与干扰技术。文章将研究如何设计并训练深度神经网络以自动识别不同的通信信号类型,并在此基础上开发有效的干扰策略。在对大量实际通信信号数据的学习后,发现本研究所提出的技术能够自动适应各种复杂的通信环境,提高信号识别的准确性和抗干扰能力。

一种连续符号速率数字调制器设计

提出一种新型的调制器,使用纯数字处理方法在FPGA中实现,以固定采样率产生符号速率连续可变的数字调制信号。介绍了整个调制流程,重点介绍了成形滤波器的设计,并给出了硬件仿真及测试结果。该调制器资源消耗少,参数控制灵活,成本低。应用于某通信对抗系统中,实现了1ksps^30Msps连续可变符号速率的多种调制样式信号产生。

基于FPGA的3 GHz宽带信号产生器设计

为适应通信对抗装备的发展,设计了能产生3GHz带宽任意波形的信号产生器。现场可编程门阵列(FPGA)产生数字波形信号,通过高速数/模转换(DAC)芯片输出模拟信号。在FPGA中采用多路并行处理算法,利用内部集成的并串转换器以及专用的复用芯片(MUX),实现DAC数据速率8Gsps,输出信号瞬时带宽3GHz以上。最后测试了信号产生器的技术指标。

基于广义旁瓣相消的新降维方法

针对阵列信号中部分自适应信号处理问题,提出了一种新的基于广义旁瓣相消的降维方法。该方法利用波束形成无法对加性白噪声进行抑制的特点,根据广义旁瓣相消器的结构,设计出一种新的阻塞降维矩阵,使辅助通道内仅存干扰信号,从而增强主辅通道关于干扰信号的相关性,更有利于抑制干扰,同时也达到了降维的效果。另一方面,在存在阵列误差的情况下,借助稳健的波束形成算法,对阻塞降维矩阵进行校正,既使算法对模型误差不敏感,又便于进行降维后的部分自适应处理,降低运算量。最后通过大量的计算机仿真验证了所提方法的有效性和优越性。

移动用户目标系统网络架构及性能分析

移动用户目标系统(Mobile User Objective System,MUOS)是美军新一代战术卫星通信系统,用于替代UHF频段后继星系统(UHF Follow-on,UFO)。介绍了移动用户目标系统的网络架构、系统组成和空中接口等,对其星上载荷、通信链路、业务流程和通信容量等进行了详细分析。通过对比核算,MUOS系统提供的容量是UFO系统的16倍。对移动用户目标系统的发展现状进行了分析。最后通过总结MUOS的特点说明了对我国发展卫星移动系统的有益启示。

实时LZW压缩算法的FPGA实现

为降低数据传输的数据量提高传输速度,提出了一种用FPGA实现LZW无损压缩算法的设计方案。字典存储形式是LZW算法中的关键,用内容可寻址存储器构建字典可大大提高字典查询速度。仿真分析了字典容量与压缩率间的关系,使用较少的FPGA资源就能达到较好的压缩效果。