一种适用于快跳频系统的空域抗干扰算法实现

针对调频系统中频率变化快、信号环境高度动态化等挑战,本文提出了一种适用于FPGA(现场可编程门阵列)实现的改进型对角加载SMI(采样矩阵求逆)算法,以增强系统在复杂环境下的抗干扰能力。改进型对角加载SMI算法相较于传统的SMI算法,能够更有效地应对低快拍数和复杂干扰环境下的信号处理需求,且对角加载因子的计算复杂度较低。本文简要介绍了改进型对角加载SMI算法的基本原理以及对角加载因子的计算方法,详细阐述了其在FPGA实现上的改进和性能分析。首先,利用高层综合(Vivado HLS)技术完成了低复杂度的对角加载因子的估计,实现了最优权矢量计算并简化了设计流程。随后,将HLS生成的IP核打包并集成至工程中实现波束合成。仿真结果表明:对角加载SMI算法在FPGA平台上可以达到70 dB以上的信干比改善,表现出显著的干扰抑制效果算法还可在4734个时钟周期内完成抗干扰权值计算与波束合成更新,速度快,能够满足10000跳每秒以上跳频信号抗干扰的实时处理需求。

基于DVB-S2X协议的低轨卫星通信性能仿真分析

介绍了DVB-S2X标准,重点分析了其中高阶调制技术的基本原理和星座映射,在进行星地链路分析的基础上,构建了DVB-S2X标准低轨卫星通信仿真模型,针对DVB-S2X标准中16APSK、32APSK、64APSK调制信号开展仿真试验,以误码率和丢帧率为指标进行通信性能分析。

通信干扰信道和功率智能决策算法

智能干扰是一种利用环境反馈自主学习干扰策略,对敌方通信链路进行有效干扰的技术。然而,现有的智能干扰研究大多假设干扰机能够直接获取通信质量反馈(如误码率或丢包率),这在实际对抗环境中难以实现,限制了智能干扰的应用范围。为了解决这一问题,该文将通信干扰问题建模为马尔科夫决策过程(MDP),综合考虑干扰基本原则和通信目标行为变化制定干扰效能衡量指标,提出了一种改进的策略爬山算法(IPHC)。该算法按照“观察(Observe)-调整(Orient)-决策(Decide)-行动(Act)”的OODA闭环,实时观察通信目标变化,灵活调整干扰策略,运用混合策略决策,实施通信干扰。仿真结果表明,在通信目标采用确定性规避策略时,所提算法能够较快收敛到最优干扰策略,并且其收敛耗时较Q-learning算法至少缩短2/3;当通信目标变换策略时,能够自适应学习,重新调整到最优干扰策略。在通信目标采用混合性规避策略时,所提算法也能够快速收敛,取得较优的干扰效果。

基于5G电子通信的无人机导航网络信号抗干扰技术

为提升无人机在自主飞行过程中传输导航网络信号时的抗干扰能力,研究基于5G电子通信技术的无人机导航网络信号抗干扰技术。构建无人机通信结构,结合5G电子通信技术与电力线通信技术创建无人机导航网络信号模型;通过频谱感知方法中的能量检测算法建立无人机干扰信号检测模型,利用自适应滤波算法抑制干扰信号以及噪声干扰,实现无人机导航网络信号干扰抑制。实验结果表明,该方法具备不同干扰模式下的信号抗干扰能力。

时滞SMIB混沌系统的同步及其在通信干扰对消中的应用

在实施通信干扰时,为了消除干扰信号对己方通信的影响,研究了干扰信号对消问题。考虑到混沌的类随机性使得混沌信号可以代替高斯噪声作为通信干扰源达到较好的干扰效果,以时滞SMIB混沌系统为干扰源,证明了存在外干扰时,参数失配的两个时滞SMIB混沌系统在线性状态误差反馈控制下达到有误差界的同步的判据,给出了误差界的估计,并进行了仿真验证。结果表明:利用该研究结论,可以在通信接收端对混沌干扰信号进行对消,基本消除混沌干扰对自身的影响。

双基地SAR动目标图像相位误差分析和二维稀疏重聚焦处理

双基地合成孔径雷达(Synthetic Aperture Radar,SAR)系统中,数据采集空间几何关系复杂,动目标回波距离徙动严重,重建图像中往往存在几何失真和散焦现象,需要进一步补偿运动相位误差。为此,分析并推导了双基地动目标极坐标格式图像的二维相位误差谱。根据相位误差模型建立字典,约束动目标回波谱在字典上的投影系数,进而实现杂波和动目标能量的分离和重聚焦成像。点目标仿真验证了算法的有效性。

DroneRFa:用于侦测低空无人机的大规模无人机射频信号数据集

为研究与发展反无人机检测识别技术,该文公开了一个名为DroneRFa的大规模无人机射频信号数据集。该数据集使用软件无线电设备探测无人机与遥控器相互通信的射频信号,包含城市户外场景下运动无人机信号9类、城市室内场景下信号15类以及背景参照信号1类。每类数据有不少于12个片段,每个片段包含1亿个以上的采样点。数据采集覆盖了3个ISM无线电频段,记录无人机多频通信的真实活动。该数据集具有详细的无人机户外飞行距离和工作频段标注,以前缀字符结合二进制编码的形式方便用户灵活访问所需数据。此外,该文提供了基于频谱可视统计特征和基于深度学习表征的两种无人机识别方案,以验证数据集的可靠和有效性。

美军认知电子战关键技术发展方向分析

美军认知电子战相关概念发展迅速,也开展了较多的项目研究。为分析其关键技术发展现状并研判其未来发展趋势,从美高校、智库、军事科研机构、厂商4个角度,通过研究论文、报告等公开文献,对美军认知电子战关键技术发展情况,特别是其在机器学习、人工智能方面的探索进行了深入的分析,对美军认知电子战技术领域研究方向、潜在难题及对应的关键技术思路进行了较为全面的梳理,并从数据、模型、平台、应用等方面给出了启示。

基于特征融合的电磁信号对抗样本检测方法

针对电磁信号调制识别智能模型容易受到对抗样本攻击的问题,提出了一种基于特征融合的电磁信号对抗样本检测方法。该方法首先通过变分模态分解对测试样本进行去噪得到去噪后的电磁信号样本,然后分别将去噪前后的电磁信号样本输入到神经网络模型中,接着计算去噪前后模型输出向量的余弦相似性值和置信度差值,最后将两个特征进行融合,输入到一个神经网络模型中进行检测。与基线方法相比,该方法在实验中取得了更高的检测成功率。本文方法具有时间复杂度低、易于实现的优点,为电磁信号调制识别智能模型提供了一种新颖的对抗样本检测方法。

基于样本信息熵辅助的深度强化学习抗干扰策略

针对深度强化学习驱动的智能化干扰,提出了一种基于样本信息熵辅助的通信抗干扰策略。首先,基于神经网络对抗干扰策略网络和熵预测网络进行设计;接着,利用短时傅里叶变换对接收信号处理所形成的频谱瀑布图作为样本,对抗干扰策略网络和信息熵预测网络进行训练;之后,利用信息熵预测网络对抗干扰策略网络的训练样本进行精细化筛选,以提高训练样本的质量,最终提高抗干扰策略的在线决策能力和泛化性能。仿真结果表明,在干扰方干扰策略更新频率不超过通信方40倍且最大干扰通道数为3的极端条件下,基于样本信息熵辅助的通信抗干扰策略仍可取得至少61%的成功率;同时,与其他几种对比抗干扰策略相比,所提通信抗干扰策略具有更快的收敛速度。

面向异构传输需求的多无人机通信协同抗干扰决策方法

干扰条件下的多无人机通信中,用户根据业务有不同的通信需求,而各个信道质量也不同,对抗干扰通信决策提出了业务需求与资源匹配的新要求。针对外部对抗性干扰场景下,多个用户如何选择适合的信道和功率,在干扰躲避、内部冲突控制以及功率优化的同时实现有限资源的高效利用这一问题进行研究,提出了一种面向传输需求匹配的抗干扰决策方法。首先,利用部分重叠信道的特性进行信道资源复用;然后,运用多用户协同强化学习训练用户信道选择策略,并使用斯坦伯格博弈对功率进行优化,实现对用户异构传输需求进行资源匹配。所提方法能实现干扰条件下的多用户异构传输需求的信道和功率联合优化,提升资源利用合理性,实现传输效果的提升。

面向无人机的通信感知一体化系统自干扰消除技术

在无人机通信场景中,机载通信感知一体化系统受到本地信号发射带来的强烈自干扰影响,导致系统对目标的感知性能降低.针对这一挑战,提出基于正交频分复用(OFDM)的通信感知一体化自干扰消除方法.首先,建立基于OFDM的通信感知一体化系统回波模型,并引入自干扰信号;然后,利用最小二乘算法估计自干扰信号的信道增益,并利用该增益对自干扰信号进行重建和抑制;最后,通过无人机通信场景下的仿真实验验证所提方法的有效性.结果表明,该方法能够将自干扰信号抑制到噪声功率水平,将目标回波信号的信干噪比提升近10.00 dB,从而有效提高系统的感知性能.

基于处理增益优势的雷达嵌入式通信波形性能评价方法

雷达嵌入式通信(REC)是一种使雷达与通信共用频谱的隐蔽通信方式,通过在高功率雷达后向散射回波中嵌入通信波形完成低截获概率(LPI)通信。传统的REC波形性能分析通常将通信可靠性和LPI性能分开考虑,忽略了其综合性能。基于处理增益提出了处理增益优势这一分析指标,对3种REC波形的通信可靠性能、LPI性能以及综合性能进行分析,为满足不同需求下REC通信的波形及参数选择提供了全新参考。仿真结果证实了利用处理增益优势分析REC波形性能的正确性和可行性。

面对分布式多域电磁态势感知的射频传感器设计

射频传感器是电磁态势感知的一种重要手段,通过对射频信号进行探测和分析,为电磁态势感知提供必要的数据支撑。针对现有射频传感器存在的获取信息不全面、集成度差等问题,提出基于分布式架构,以时、频、空、能等多域为切入点,设计一款分布式的多域电磁态势感知射频传感器,对射频信号进行多域协同侦测,为分析和评估战场电磁态势提供重要参考。首先基于Zynq多进程(Zynq multi-processor,ZynqMP)处理器和ADRV9009射频收发芯片,设计了传感器的硬件方案,并完成了系统实物制作与测试,然后在软件算法方面,从时、频、空、能四个方面入手,分别就各域的关键特征指标,设计了相应的提取算法,最后设计了相应的功能和性能对比测试内外场实验。实测结果表明,传感器在时域所获得波形的震荡次数的误差小于1.92%,频域中对信号带宽和中心频率的测量误差分别小于3.2%和0.04%,能域中对能量的计算存在小于5.6%的误差,空域中来波方向角的测量误差小于2.7%,达到了预期设计要求。

Cooperative Anti-Jamming and Interference Mitigation for UAV Networks: A Local Altruistic Game Approach

To improve the anti-jamming and interference mitigation ability of the UAV-aided communication systems, this paper investigates the channel selection optimization problem in face of both internal mutual interference and external malicious jamming. A cooperative anti-jamming and interference mitigation method based on local altruistic is proposed to optimize UAVs’ channel selection. Specifically, a Stackelberg game is modeled to formulate the confrontation relationship between UAVs and the jammer. A local altruistic game is modeled with each UAV considering the utilities of both itself and other UAVs. A distributed cooperative anti-jamming and interference mitigation algorithm is proposed to obtain the Stackelberg equilibrium. Finally, the convergence of the proposed algorithm and the impact of the transmission power on the system loss value are analyzed, and the anti-jamming performance of the proposed algorithm can be improved by around 64% compared with the existing algorithms.

通信类课程思政四维建设探索与实践

围绕新时代通信技术人才培养需求,分析了通信类课程的思政核心素养特点和要求,提出课程思政四个维度的思政育人目标,深入挖掘积累了丰富的思政元素。对思政元素加工组合凝练,结合教学实施,采用“双主体”教学模式,利用“多元化”教学方式、拓展“多场景”开展专业课程思政教学,实现了内容、方法和手段全面融合。实践证明,该教学模式实现了课程知识传授、能力培养与价值引领的深度协同共振。

基于LR-ODCNN的物联网设备射频指纹信号识别方法

为了解决物联网环境下设备众多且终端资源有限带来的安全问题,提出了一种基于轻量级全维动态卷积神经网络(LR-ODCNN)的物联网设备射频指纹信号识别方法。首先,设计了LR-ODCNN模型;然后,利用光传输系统采集设备的基带信号,从基带信号中提取I、Q信号作为网络的输入;最后,LR-ODCNN模型根据多维注意力机制来适应不同设备的信号特征,并进行信号特征的提取和识别。实验结果表明,当传输距离为10 m、400 m、1.7 km和8.6 km时,LR-ODCNN模型的平均识别准确率为94.35%,比Mc AFF模型、Oracle模型分别提高了5.35%、10.13%,且具有鲁棒性强、轻量化的优点。

美陆军网络与电子战融合发展分析

美陆军网络空间作战与电子战在作战条令、技术和装备方面都发展较快,但缺少全方位理解和关联关系的深入分析。对其网络建设与电子战发展现状进行深度分析发现,美陆军以数据融合、网络协同等作战需求为牵引,以战略与指南手册为先手,以能力集和项目方式推动关键技术的突破,结合统一、高安全的战术网络发展路线,规划电子战装备并不断更新迭代,支撑网络空间作战与电子战的加速融合。对上述发现进行提炼,得出美陆军新网络建设、新基础支撑、新技术转化、新能力塑造、新战法融合、新装备集成的网络与电子战融合发展趋势与启示。

通信干扰信号分类识别方法综述

通信干扰信号的分类识别作为通信抗干扰的前提和基础,被广泛运用于无线通信和通信电子战等诸多领域。从通信干扰信号分类识别的基本原理出发,将分类识别方法分为基于人工特征提取(Manual Feature Extraction,MFE)和自动特征学习(Automatic Feature Learning,AFL)两大类进行介绍。系统阐述了两类方法的区别,并对比分析了不同方法的特点和性能。最后,分析了该领域面临的挑战,并对未来的研究方向进行了展望。

自动增益控制对非合作干扰对消性能建模分析

自动增益控制(automatic gain control,AGC)可以满足强干扰场景下非合作干扰对消系统对高动态的要求,如何定量表征其对干扰对消性能的影响,是指导多通道AGC方案设计的关键。通过谱分析与特征子空间的方法推导得到AGC的稳态增益与自相关矩阵特征值的映射关系,建立干扰对消权值的瞬态模型。基于干扰对消权值的解析表达式,详细分析稳态增益对干扰对消性能的影响规律,揭示了稳态增益与稳定性、收敛速度以及对消比之间的定量关系。同时,进一步研究AGC的调控过程初始增益、步长、平均步长时间、多通道控制策略对干扰对消瞬态收敛特性的影响,可以有效指导多通道AGC方案设计。仿真结果验证了权值瞬态模型的正确性以及干扰对消性能分析结论的有效性。实验结果表明,理论与仿真的分析结论可以用来指导AGC方案的工程实践。