基于谱图的联合时频域主用户信号检测技术

多维主用户信号检测是认知无线电系统中需要解决的主要问题之一.传统的主用户检测方法主要集中在频域检测,检测结果仅给出主用户对某频段的占用状态.针对频率-时间域的主用户检测技术,提出了利用AR谱估计方法估计接收信号的距离-多普勒谱图,以谱图的峰值大小作为检测统计量来判断是否有主用户信号,推导出检测概率和虚警概率表达式.利用MATLAB软件进行仿真,得到了ROC曲线,并与常用的能量法进行对比.仿真结果证实了低信噪比条件下AR模型比能量法有更好的检测性能.同时对AR模型的最佳阶数选择进行了初步探讨.

利用平均距离谱法抑制线性调频雷达射频干扰

基于单一载频的射频干扰(RFI)在线性调频雷达中的表现形式,利用平均距离谱法获得了RFI的多普勒分布谱图.提出了利用时频分析精确地确定干扰分布位置的方法,利用去相关及时频滤波滤除了RFI的影响.经过模拟及实测数据的检验,表明基于该模型的上述方法可有效解决线性调频雷达的RFI抑制问题.

基于深度学习的雷达交通目标检测研究

针对将深度学习应用于交通场景下的雷达距离多普勒谱图目标检测任务时,交通目标尺寸小、特征不明显导致目标检测算法出现漏检、误检的问题,提出一种改进的YOLOv5⁃KFCS模型。首先提出基于K⁃means++聚类Anchor生成方法,确定最优Anchor尺寸,实现Anchor与实际目标的精准匹配;然后在模型中添加改进的FCBAM注意力模块,增强模型对于模糊目标和小尺寸目标特征的提取能力;接着将CARAFE作为上采样模块,提升网络对背景噪声的过滤能力以增强小目标特征的表征能力;最后将Swin Transformer模块引入到网络末端C3模块中,改善模型网络末端特征图分辨率低的问题。实验结果表明,改进后的YOLOv5⁃KFCS有效改善了漏检、误检问题,相较基准YOLOv5s平均检测精度提高5.3%,达到了93.5%,检测速度为70 FPS,满足检测实时性,并且综合性能优于其他方法。

基于残差网络的FMCW雷达人体行为识别

现有的基于调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达的人体行为识别方法大多采用深度卷积神经网络完成,但随着网络加深,会出现网络训练难度增大或特征提取不充分的问题。针对此问题,提出一种基于残差网络的FMCW雷达人体行为识别方法。通过对雷达回波数据分析处理得到每种行为的微多普勒时域谱图,将其作为识别模型的分类特征。将卷积块注意模块(Convolutional Block Attention Module,CBAM)引入残差网络的残差块中构建识别模型,CBAM关注谱图的颜色变化情况和谱图中每种颜色的位置信息,同时引入自适配归一化和改变网络输入部分的卷积结构提高模型的特征提取能力。实验验证,该模型的平均识别准确率可达98.17%,对于微多普勒特征相似的行为,识别准确率可达95%,证明了该模型具有较好的识别性能。

电离层侧向散射探测试验研究

随着高频通信、探测技术的发展,开展电离层侧向散射的研究具有重要意义.搭建了电离层侧向散射探测试验平台,基于该试验平台,进行了侧向散射探测试验,获得了群距离-频率-幅度的三维侧向散射电离图和地、海侧向散射来波谱图.试验结果表明,基于该试验平台,能够获取电离层侧向散射探测结果,为后续电离层侧向散射信道特性、地海杂波特性的深入研究奠定了基础.