基于子载波提取的OFDM无源雷达频率分集方法

为了解决当前正交频分复用(OFDM)无源雷达波束形成无法对分布于同一角度不同距离处的目标信号进行区别处理的问题,提出了一种基于回波信号子载波提取的频率分集新方法。通过对接收阵列不同通道OFDM数据提取不同频率的子载波信号并独立地进行处理,使得接收端波束图具有距离-角度依赖性,从而可实现对同一角度内不同距离处的目标分别处理,同时分析了不同频率分集处理参数对波束图性能的影响。该频率分集处理方式可以提高距离维信号处理自由度,使得接收波束能量可聚焦于期望目标点处从而提升雷达目标检测、定位和杂波抑制等性能。仿真分析表明OFDM无源雷达回波信号经频率分集处理后可获得点状波束图,并通过实测数据分析验证了该方法的有效性与实用性。

基于扰动时空混沌的三维OFDM星座加密方案

无线通信网络的迅猛发展使得传输信息量迅速增加,这对系统的传输效率和通信安全提出了更高的要求。为满足上述要求,提出了一种基于扰动时空混沌的三维OFDM星座加密方案。首先,设计了一种反馈元胞自动机,以提高元胞自动机的周期性和伪随机性。将反馈元细胞自动机的迭代结果进行归一化后,作为扰动加入时空混沌系统中。通过分岔图、李亚普诺夫指数、回归映射分析和随机性测试,证明了添加该扰动的系统具有良好的混沌特性。其次,设计了一种新的三维16-ary星座图,将星座点之间的最小欧氏距离扩大了6.3%,并结合扰动的时空混沌系统实现了三维星座旋转的物理层调制加密。实验仿真结果表明,与其他三维16-ary星座映射旋转加密算法相比,该算法的误码率性能提高了约1 dB。此外,通过密钥空间、密钥灵敏度和统计攻击的安全分析,证明了其良好的安全性能。

可见光通信预编码O-OFDM自适应符号分解技术研究

【目的】符号分解技术是降低峰值平均功率比(PAPR)方法中的一种,其将光正交频分复用(O-OFDM)符号分解为PAPR较小的多个分解符号,以抑制发光二极管(LED)的非线性效应。但当O-OFDM的PAPR较大时产生的分解符号较多,降低了信息速率和误码率(BER)性能。【方法】文章提出了一种预编码O-OFDM自适应符号分解串行传输(PCO-OFDM-ASDST)方案,采用预编码降低O-OFDM符号的PAPR,从而减小了自适应符号分解的平均符号分解次数。在多径信道下推导了理论信噪比(SNR)表达式,并采用蒙特卡洛仿真分析了PAPR、BER和信息速率性能。【结果】结果表明,在非对称限幅光正交频分复用(ACO-OFDM)系统4阶正交幅度调制(QAM)下,PCO-OFDM-ASDST在BER为10-4的情况下,其符号功率比自适应符号分解串行传输(ASDST)低7 dB;64QAM下,当符号功率为20 dBm时,可以提高10 Mbit/s的信息速率。【结论】PCO-OFDM-ASDST比ASDST系统具有更优的BER和信息传输速率等性能。

基于数据失真的雷达通信一体化OFDM波形设计方法

正交频分复用(OFDM)波形设计是实现雷达通信一体化的物理层关键技术之一。OFDM波形通常存在峰均功率比(PAPR)高,以及波形自相关旁瓣电平高的问题。该文针对现有联合降低PAPR和自相关旁瓣方法存在的通信速率下降问题,提出了一种基于数据失真的一体化波形设计方法。该文还将通信数据的误差矢量幅度作为优化目标之一,降低了数据失真引起的通信误码率。首先,构建了PAPR约束下最小化积分旁瓣比和误差矢量幅度的优化模型。其次,根据调制星座图特点,通过外围星座调制的数据失真和所有调制数据失真,将多目标高维非凸优化问题转化为两个单目标优化子问题,分别采取凸松弛操作和交替方向乘子法(ADMM)求解简化后的子问题,得到低积分旁瓣比波形和PAPR约束下的低误差矢量幅度波形。仿真结果表明该方法设计的一体化波形可满足PAPR要求,同时具有良好的感知和通信性能。

OFDM水声通信多普勒估计与跟踪方法

水声通信中传统宽带多普勒估计方法难以准确跟踪时变多普勒因子,从而导致正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)在变速运动通信场景中补偿性能不佳。针对该问题,文章提出了一种基于空载波的多普勒估计与跟踪算法。首先对三频信号做线性调频Z变换(Chirp-Z Transform,CZT)得到多普勒先验值,然后利用OFDM符号中的空载波结合载波频偏(Carrier Frequency Offset,CFO)搜索补偿技术,把估计的最优CFO值转换为宽带多普勒因子,进而计算当前符号的加速度并预测下一符号的速度。通过更新加速度对预测值进行修正,实现每个OFDM符号的多普勒估计。数值仿真和湖试结果表明,文中算法不仅能有效跟踪多普勒的变化,在匀速和变速条件下都有较好的补偿性能,而且对帧结构设计要求低,对先验误差不敏感,有利于水声通信系统的工程实现。

智能反射面辅助的OFDM系统稀疏信道估计研究

针对智能反射面(IRS)辅助的宽带正交频分复用(OFDM)系统的信道估计,当前大多数研究都是基于单符号全导频设置,且级联信道系数过多会导致导频开销较大。为此,提出了一种基于时域-角域块稀疏的两阶段信道估计方案。首先,通过分析信道在时域和角域上存在的共同稀疏特性,将级联信道矩阵转换为时域-角域上的块稀疏表示,并将信道估计问题转换为块稀疏矩阵恢复问题。其次,考虑传输导频限制和时域-角域块稀疏特性,提出了一种两阶段稀疏信道估计方案对级联信道进行稀疏恢复。仿真结果表明,相比另外三种基准方案,该方案可以使用较少的导频获得更优的信道估计性能,有效减少了导频开销,且估计准确度更高。

DRFM干扰在OFDM新体制雷达中的研究

新体制雷达以正交频分复用(OFDM)数字调制方式作为雷达信号源,具有高频谱效率、高分辨能力等优点。本文首先介绍了新体制雷达系统的基本组成部分,主要包括OFDM信号源、发射模块、环境模块、接收模块和信号处理模块。其次介绍了数字射频存储器(DRFM)干扰的主要组成部分以及工作原理,其中主要包括假目标干扰。最后将DRFM干扰与新体制雷达结合,在加干扰和不加干扰两种情况下对仿真目标进行测距和测速,结果验证了新体制雷达测量目标的准确性以及DRFM干扰的可行性。对新体制雷达及DRFM干扰研究具有参考意义。

基于混沌序列的MIMO-OFDM雷达通信一体化波形设计

为了解决多输入多输出的正交频分复用(multiple input multiple output orthogonal frequency division multiplexing,MIMO-OFDM)雷达通信一体化信号波形由于通信信息的不确定性导致模糊函数旁瓣水平较高以及系统雷达探测能力较差的问题,提出利用混沌序列对通信信息进行直接扩频。但普通单级混沌序列具有保密性低,可用数量少,容易被破解的缺点。因此采用一种基于加权算法优化的混合型级联混沌序列对通信信息进行扩频调制,然后再通过MIMO-OFDM一体化系统进行传输。由仿真结果可知,加权后的级联混沌序列相关性和误码率性能较m序列和Gold序列更好,经此序列扩频后的一体化信号模糊函数旁瓣水平会更低,故该一体化波形雷达探测性能更佳。且混沌序列越长,信号波形雷达探测能力越好。

深度学习辅助的5G OFDM系统的信道估计

传统的信道估计算法难以满足5G系统中的高速率低时延的需求。针对该问题,将通信信道的时频响应视为二维图像,提出了一种基于图像恢复技术的信道估计方法。首先,设定参数产生基于5G新空口(New Radio,NR)标准的物理下行链路共享信道(Physical Downlink Shared Channel,PDSCH)的信道数据信息数据集,将所产生的信道矩阵看作二维图像;然后,构建基于卷积神经网络的图像恢复网络,并融入残差连接来提高网络的性能;最后,利用训练好的网络模型进行信道估计。仿真结果表明,与最小二乘算法(Least Square,LS)、实际信道估计(Practical Channel Estimation,PCE)和基于图像超分辨率ChannelNet网络相比,所提出的信道估计算法性能提升明显。

NC-OFDM雷达通信一体化设计

雷达通信一体化有利于提高设备硬件资源利用率和频谱利用率,已成为近年来的研究热点。针对目前频谱资源稀缺的情况,结合认知无线电的概念,提出了基于非连续正交频分复用(NC-OFDM)的雷达通信一体化设计,对NC-OFDM雷达通信一体化信号测量目标特征进行了距离及速度的估计,并对基于NC-OFDM雷达通信一体化信号模糊函数、雷达成像的距离分辨率和方位分辨率、自相关性及误码率进行了分析,同时,选取互信息作为指标,利用优化算法进行波形设计。仿真结果表明,NC-OFDM雷达通信一体化信号具有较好的雷达探测性能和更为优良的无线通信性能。

基于深度学习的下行大规模MIMO OFDM系统的1比特预编码算法

大规模多输入多输出(MIMO)系统中通过在基站端配备数百根天线,在提高频谱利用效率的同时,也带来了系统成本的增加。本课题组之前提出了一种适用于下行大规模MIMO正交频分复用(OFDM)系统的收敛保证的多载波1比特预编码算法(CG-MC1bit),能够获得较优的系统性能,但相应的计算复杂度较高,阻碍了其在实时系统中的应用。为进一步解决大规模MIMO系统中的成本和功耗问题,该文提出了一个模型驱动的神经网络,在CG-MC1bit算法的基础上迭代展开(Unfolding)得到了一种更加高效的CG-MC1bit-Net算法。具体而言,将迭代算法展开为一个神经网络,并引入可训练的参数来替代前向传播中的高复杂性操作。实验结果表明,该方法能够自动更新参数,与传统的预编码算法相比,收敛速度更快,计算复杂度更低。

基于深度学习的OFDM半相干水声通信方法

针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)水声通信中常用的相干和非相干通信分别面临的对多普勒敏感和频谱效率低的问题,提出一种高阶幅度键控调制的半相干通信技术,将OFDM符号时频帧结构中全部频点采用高阶幅度键控调制方式,并利用信号幅度信息完成半相干信道估计。通过两种基于深度学习的算法优化半相干信道估计这一非线性过程,较非相干通信有效提高了频谱效率,较一定信噪比下的相干通信提高了鲁棒性,降低了误比特率和系统复杂度,并利用元学习算法降低深度学习算法对训练数据的依赖。最后,提取海试信道数据,完成OFDM半相干水声通信系统仿真,验证了所提方法在频谱效率和系统误比特率性能方面较非相干和相干通信的优势,当信道长度改变时,基于元学习的算法依然可以获得较好的性能。

OFDM叠加导频联合信道估计和检测方法

针对现有正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统信道估计和迭代检测算法中频谱效率低和鲁棒性差等问题,提出了一种基于酉近似消息传递和叠加导频的信道估计与联合检测方法。首先,在软调制/解调中叠加导频对正交幅度调制的星座点进行预处理,检测时将叠加的导频作为频域符号的先验分布,利用置信传播算法进行调制和解调,实现检测模型的简化。然后,应用因子图-消息传递算法对OFDM传输系统和信道进行建模和全局优化,引入酉变换加强信道估计算法的鲁棒性。最后,建立OFDM仿真环境对现有方法进行仿真分析。仿真结果表明,相对于现有的独立导频类算法,所提算法能够以相同复杂度显著提升OFDM系统的频谱效率和鲁棒性。

移动条件下基于容积卡尔曼滤波的短波OFDM信道估计

针对移动短波通信场景下短波信道出现的时变性使得正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统不能精确估计信道状态信息导致通信质量下降的问题,提出了一种基于容积卡尔曼滤波(Cubature Kalman Filter,CKF)的信道估计方法。该方法基于球面径向积分准则,可更好地追踪信道的变化,提升信道估计的精度。建立了基于信道频域响应的非线性状态空间方程,并用容积卡尔曼滤波对每帧符号的信道频域响应进行估计。系统仿真结果表明,在静态短波通信场景到720 km/h的移动短波通信场景中,所提算法对信道有着更精确的估计精度,也可以有效抵抗多径时延所带来的影响。因此,所提算法更适用于移动短波通信场景。

一种模型驱动的深度学习OFDM接收机

针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)接收机解调精度低和计算复杂度高的问题,采用深度学习方法构建了一种新的模型驱动的接收机模型,称为FBLTNet(Fully Connected,Bi-LSTM and Transformer-encoder Neural Network)。该模型分为信道估计和信号检测两个部分,其中信道估计以全连接神经网络(Fully Connected Deep Neural Network,FCDNN)替代线性插值,信号检测则使用深度自注意力网络编码器Transformer-encoder和双向长短期记忆网络(Bidirectional Long-Short Term Memory,Bi-LSTM)的组合网络,实现信号的解调和比特流的恢复。在瑞利衰落信道下测试了不同调制方式的接收机性能,结果表明FBLTNet与基于深度学习的接收机以及传统接收机相比,误比特率性能得到了显著的改善;与数据驱动的无线接收机算法相比,线下训练模型收敛时间和测试时间分别减少了33.0%和25%,网络结构参数减少了29.5%。

OFDM系统PAPR和OOB辐射联合抑制算法研究

正交频分复用(OFDM)技术具有频谱效率高和抗多径衰落能力强的优点,但存在高峰值平均功率比(PAPR)和高带外(OOB)辐射的固有缺点。部分PAPR抑制算法会导致OOB辐射升高,因此需要一种联合抑制OFDM系统的PAPR和OOB辐射的算法。本文提出了一种新的结合线性压扩和简化限幅滤波的混合式PAPR和OOB辐射联合抑制算法,该算法采用连续分段线性压扩(CPLC)算法抑制信号PAPR,并对压扩后的信号进行频域滤波;然后采用简化限幅滤波(SCF)算法降低频域滤波导致的峰值再生,保证信号的OOB辐射不再升高。接收端采用迭代接收算法提高系统的误码率性能。仿真结果表明,与CPLC、SCF方案相比,所提算法可以达到更好的PAPR和OOB辐射联合抑制性能,同时通过迭代接收算法获得与原始信号相近的误码率(BER)性能。

一种适合太赫兹通信的新波形方案:GFB-OFDM

太赫兹通信是未来6G中业界关注的重要场景之一。太赫兹频段可以支持超大带宽和超高速率的无线通信,目前3GPP协议中的正交频分复用(Orthogonal Frequency Division Multiplex, OFDM)技术使用支持的最大子载波间隔和最大快速傅里叶逆变换(Inverse Fast Fourier Transform, IFFT)点数不足以满足太赫兹场景超大带宽的需求。提出了一种新的波形方案:广义滤波器组-正交频分复用(Generalized Filter Bank Orthogonal Frequency Division Multiplexing, GFB-OFDM)波形,可以将原有的大点数IFFT分解成两级小点数的IFFT,以支持更大的传输带宽。GFB-OFDM还可以灵活地支持不同子载波间隔、不同数据类型的联合处理,以实现不同业务类型的传输。GFB-OFDM在接收端仍然可以采用传统的循环前缀正交频分复用(Cyclic Prefix Orthogonal Frequency Division Multiplexing, CP-OFDM)接收方法,仿真结果表明GFB-OFDM的综合性能优于CP-OFDM。

基于深度学习的多用户MIMO-OFDM-IM系统符号检测技术

MIMO-OFDM-IM是将MIMO-OFDM(多输入多输出正交频分复用)和IM(索引调制)结合的一种新颖的多载波调制技术。为解决目前多用户MIMO-OFDM索引调制的符号检测技术仍存在的复杂度高和误码性能受用户数量影响严重的问题,提出一种基于深度学习的符号检测框架,在该框架中,编码器与解码器都由DNN(深度神经网络)构造,采用监督式学习训练数据。实验结果表明,该框架有效地解决了以上问题。

基于复合索引的MM-OFDM-SFCIM系统设计与检测算法

空间调制(Spatial Modulation, SM)技术和OFDM多模子载波索引调制(OFDMMulti-Mode Index Modulation, MM-OFDM-IM)技术分别在能量效率(Energy Efficiency,EE)和频谱效率(Spectral Efficiency,SE)上有着很大的优势。多维度索引调制技术相结合能够应用多种物理资源,应对无线通信系统对数据传输和系统容量的高需求,由此将SM与MMOFDM-IM系统灵活结合,构建基于空频结合的多模复合索引调制(OFDM-Multiple-Mode Space Frequency Composite Index Modulation,MM-OFDM-SFCIM)系统,保留传统子载波索引调制技术中的静默子载波,拓展新的复合系数维度,提高系统的SE和EE。针对系统的复杂特性,提出了基于符号能量及对数似然的联合检测算法(REML based on symbolic Energy and LLR,EL-REML)。仿真结果表明,MM-OFDM-SFCIM系统比传统的空频结合系统在SE上提高了约30%,并且MM-DFDM-SPCIM系统中提出的EL-REML算法比LLR算法在误码率上提高了3~4 dB,相比传统的ML算法,其计算复杂度更低。

基于排序码本的水声自适应OFDM通信中信道状态信息反馈研究

水声(UWA)信道时延扩展大等特点导致信道频响(CFR)快衰落,水声通信(UWAC)技术发展受到挑战。发射端获取有效可靠的信道状态信息(CSI)是自适应通信的前提,针对水声自适应正交频分复用(OFDM)通信的需求,该文提出基于排序码本的信道状态信息分组排序拟合反馈算法(CSI-GSFF),包括分组、排序、数据拟合3个步骤。该算法首先将相邻导频子载波分组,以组为反馈单元;然后对各组内的导频子载波按照信道增益值进行排序,以减轻水声信道频响快衰落造成的反馈开销大等不利影响;最后进行多项式拟合,排序操作有效地降低了拟合阶数。通过实测海试时变信道数据仿真,结果表明,该文提出的信道状态信息反馈算法能够基本达到完美信道状态信息情形下的水声自适应OFDM通信系统误码率性能,同时可以有效地减少反馈开销。