一种减小F-OFDM系统PAPR的改进算法

为了减小5G网络波形中的子带滤波正交频分复用(F-OFDM)系统峰均功率比(PAPR),提出一种新的低复杂度算法(GA-SLM-CM),该算法经过选择性映射(SLM)算法后产生的候选信号,通过生成转换矩阵(CM)取代离散傅里叶逆运算来降低系统的复杂度。为了减小候选信号的相关性,提高系统性能,采用遗传算法(GA)和CM相结合生成最优循环转换矩阵,最后选择PAPR最小的一组作为发射信号。仿真结果表明,与当前SLM-GA算法相比,GA-SLM-CM算法既降低了系统的PAPR又降低了计算复杂度。在此基础上,为了进一步验证该算法,将GA-SLM-CM算法与SLM-GA算法、SLM-CM算法分别从信噪比、误比特率和迭代次数上进行了比较,结果表明,该算法在PAPR减小、系统性能和复杂度计算上明显占优。

MP-WFRFT调制信号星座裂变参数特性研究

多参数加权分数阶傅里叶变换(MP-WFRFT)是一种新的变换域调制方法。通过加权分数阶傅里叶域的信号处理,可将通信信号调制特征改变为其他类型,以提高通信信号的安全性能,为电子对抗中的信号伪装、调制域加密等对抗手段提供了新的解决思路。针对4-WFRFT变换域调制方法,从理论上推导了QPSK信号星座裂变的原理,重点分析了4-WFRFT中的关键参数,并利用Matlab对裂变关键参数取值进行了仿真分析,最后在FPGA+AD9361软件无线电平台上实现了QPSK信号的4-WFRFT调制。仿真及实验结果表明,4-WFRFT调制可以使原有信号的调制星座图产生分裂,改变原有信号的调制特征,从而提高通信信号的安全能力。

一种改进残差神经网络的调制信号识别方法

在无线通信中,调制信号识别分类是非合作通信的重要组成部分,基于特征提取和模式识别的通信信号自动调制识别技术是无线电领域中的重点研究对象,传统的方法无法对各种调制信号进行分类,并且存在计算复杂度高且准确率低的缺点,利用神经网络可以实现多种调制信号的自动识别并取得很好的效果。文中提出一种改进残差神经网络的调制信号识别方法,改进的神经网络通过增大宽度,形成多流结构的残差神经网络,利用多流网络中不同的残差块提取出调制信号的多种特征,进而丰富了提取的信号特征类型,并且避免由于深度加深造成的过拟合现象。仿真实验结果表明,该神经网络框架优于现有的基于深度学习的方法,在信噪比为10 dB时能达到95%以上的准确率,有效地提高了数字调制信号自动识别的准确率。

基于预测编码和矢量编码的语音信号编码算法

为了在保证译码恢复的语音质量良好的前提下,减小编码的压缩率,以减小语音信号的存储空间,文中提出一种将线性预测编码、SOM神经网络矢量编码以及Huffman编码相结合的语音信号编码算法,并利用Matlab软件编程进行了语音信号编解码实验。实验结果表明,该算法既保留了波形编码算法具有的译码语音质量较好和算法简单的优点,又具有较一般的波形编码算法更小的压缩率,该编码算法的码率达到12.8 kbit/s,小于采用ADPCM编码算法的波形编码标准G.721的码率32 kbit/s(波形编码的最小码率)。

WHT联合次优分层迭代PTS算法抑制OFDM信号峰均比

部分传输序列(PTS)算法是降低OFDM系统峰均比的有效方式,但由于其计算量随着相位因子数和分割子块数的增加呈指数级增长,故降低计算量成了PTS算法的重要改进方向。经典改进方法如IPTS算法,虽然大幅度降低计算量,但抑制PAPR性能受到了不可忽视的影响。由此在IPTS算法的基础上进行改进,提出次优分层迭代PTS算法,并利用Hadamard矩阵的正交性提出联合WHT的次优分层迭代PTS算法。Matlab仿真结果表明,该算法在计算量略有增加的情况下,抑制PAPR性能与原PTS算法贴近,和IPTS算法相比有明显提升。

正交化处理对椭圆球面波脉冲组信号特性影响研究

基于椭圆球面波函数(PSWF)的非正弦调制方法利用PSWF信号优良特性,构建时域正交、频域交叠的PSWF脉冲组传输信息,能有效提高系统频带利用率。其中,对PSWF脉冲组信号进行正交化处理是该方法的核心,正交化处理后PSWF脉冲组信号特性的变化与脉冲组性能密切相关。针对正交化处理会影响PSWF脉冲组信号特性的问题,首先分析了基于Schmidt正交化方法的基本原理,重点研究了正交化处理对PSWF脉冲组信号的正交性、频谱特性和时频能量聚集性的影响机理。理论和数值分析表明,正交化处理后PSWF脉冲组信号正交性、频谱特性和时频能量聚集性的变化程度与正交化次数和顺序密切相关。研究结论深化了对正交化处理对PSWF脉冲组信号特性影响的认知,为下一步优化正交化方法,提高PSWF脉冲组性能提供了参考依据。

基于深度神经网络的OFDM抗干扰技术

针对外来电磁干扰导致的正交频分复用(OFDM)系统可靠性降低的问题,研究了一种基于深度神经网络(DNN)的OFDM抗干扰技术。利用一个DNN代替传统OFDM干扰检测、干扰抑制和解调等多个模块,通过对外来电磁干扰的训练使DNN收敛至最佳适应状态,完成对接收信号进行抗干扰和解调一体化处理,直接恢复出解调结果。该技术创新点在于:突破常规通信接收系统多个分立模块级联处理的传统方式,用DNN的大量神经元灵活组合实现对复杂电磁环境的最优拟合,不仅简化了系统结构,而且获得了更优的抗干扰解调性能。仿真结果表明:对于单音干扰和多音干扰,在高信噪比下基于DNN的OFDM系统性能优势逐渐提升;在部分窄带干扰下,基于DNN的OFDM系统性能优势明显,整体比未处理干扰的OFDM系统提升近两个数量级。

基于傅里叶级数的椭圆球面波信号时频分析

基于数值仿真的椭圆球面波(PSWFs)信号时频分析,无法获取PSWFs信号某一频率幅值随时间变化显式表达式。针对这一问题,引入傅里叶级数,将PSWFs信号按傅里叶级数展开,利用Wigner-Ville分布(WVD)分析每一频率随时间的变化情况,并重点研究了PSWFs信号WVD时频中心点、时频峰值点、时频零点等特殊点随自身参数(时间带宽积、阶数)之间的变化规律。理论和仿真结果表明:PSWFs信号WVD具有良好的对称性,其时频中心点幅值极性与阶数有关;PSWFs信号WVD由时频峰值圈(时频峰值点连线)组成,且时频峰值圈位置及个数与阶数、时间带宽积密切相关。时频中心点、时频峰值点、时频零点等特殊点,可作为PSWFs信号WVD重要特征参量,其特性规律能够为PSWFs信号时频检测奠定理论基础。