基于人工智能的卫星通信干扰信号识别方法研究

卫星通信系统面临着日益严峻的电磁干扰环境,急需一种高效可靠的干扰信号识别方法。文章提出了一种基于人工智能技术的识别方法,融合了卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)等深度学习算法,能够自适应地提取干扰信号的时频特征和动态特性,实现高精度、低虚警的实时识别。仿真实验表明,文章所提方法在复杂电磁环境下具有显著的性能优势,对各类干扰信号的平均识别准确率高达97.6%,为卫星通信系统的安全防护提供了有力支撑。

基于知识图谱和Softmax回归的干扰信号识别方法

随着信息技术的发展,未来移动通信系统将是地海空一体化的综合性网络,因此通信系统所面临的干扰情况将异常复杂,这将导致干扰信号的识别与抑制任务更具有挑战性。针对此问题,文中提出一种基于知识图谱和Softmax回归的干扰信号识别方法。该方法首先构建干扰信号识别的专家知识图谱并利用TransR算法将其嵌入到低维向量空间中;然后,提取出每个干扰信号的多维特征并做归一化处理,将这些归一化特征值作为Softmax回归模型的输入,从而提高Softmax回归算法对干扰信号识别的准确率。仿真结果表明,对于典型的干扰样式,文中方法比基于Softmax回归和基于BP神经网络的干扰信号识别方法具有更好的识别性能。

基于深度学习和时频分析的引信干扰信号识别研究

针对传统引信干扰识别计算速度受限、干扰情况复杂的问题,提出一种谱图自动生成网络,基于引信回波模型利用卷积神经网络对引信回波信号进行特征提取,并利用长短期记忆网络对干扰信号进行识别。首先根据弹目交会过程的引信回波模型获取回波信号数据,并使用Wigner-Ville分布对信号模型进行谱图变换得到真实标签,其次引入条件变分自动编码器(CVAE)网络生成回波信号的谱图,然后使用卷积神经网络对该谱图进行特征提取,得到的特征参量进入长短期记忆网络进行识别。实验测试结果表明:所设计的方法能够针对含噪引信信号进行识别,并具备良好的抗干扰能力。

基于同源性检验的干扰信号识别方法

针对强干扰背景下管道泄漏声波检测产生的误报和漏报,提出一种基于同源性检验的干扰信号识别方法。将干扰信号和泄漏信号均作为异常信号,在基于迭代计算的异常信号自适应提取和一对一互相关延时估计的基础上,找出定位在站点的上下游异常信号并计算出相应的传播衰减特性。以同源信号的传播衰减频域特征和互相关系数为特征向量,建立异常信号同源性检验的支持向量数据描述(SVDD)诊断模型,实现站上干扰信号的识别和分离。对实际原油输送管线历史数据的离线测试结果表明:提出的方法能够可靠识别与分离干扰信号,有效减少系统的误报和漏报,并提高泄漏检测的可靠性和定位精度。

卫星干扰信号识别与测量系统设计

针对卫星应用系统频带日益拥挤、自然和人为干扰日益增多的问题,文章给出了一种卫星干扰信号识别与测量系统的方案设计,首先给出该系统工作原理,其次介绍了系统的组成,然后对系统的软件设计进行详细分析。系统能在一定程度上检测出卫星信号中存在的干扰信号,并对干扰信号进行测量。

基于FPGA的干扰信号识别研究

基于现场可编程门阵列(FPGA)设计了一种信道化接收模块,用于干扰信号的时频分析,为雷达抗干扰过程中干扰特征的识别提供时频谱数据。采用多相滤波方法,实现了对干扰信号的检测。

基于CNN网络的通信干扰信号识别

在现实生活中,通信干扰模式越来越复杂,要想有效抗干扰,干扰识别是关键。为了提高干扰信号的识别率,文章提出了一种基于卷积神经网络和短时傅里叶变换的干扰信号分类识别方法。首先利用短时傅里叶变换算法对干扰信号与二进制相移键控(Binary Phase Shift Keying,BPSK)通信信号的叠加信号进行时频分析,生成时频图像,将时频图像作为卷积神经网络的输入,卷积神经网络会自动对图像进行特征的提取和训练,实现对常见的通信干扰信号(连续波干扰、多音干扰、线性调频干扰、噪声调频干扰)的识别。仿真结果表明,文章算法对四种干扰信号的综合识别率达到了97.8%,在信干噪比为[0 d B,10 d B]的识别率为99.5%,与传统的识别算法相比,效果良好。

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。

TETRA通信与干扰信号智能识别技术

陆上集群无线电(Terrestrial Trunked Radio,TETRA)数字集群通信系统因其开放性易受到内外部电磁干扰。干扰信号的类型多种多样,针对不同的干扰样式,采取的抗干扰措施也各不相同,因此干扰信号的识别具有重大意义。基于此,提出了一种干扰信号智能识别技术。该技术首先对受到不同干扰后的TETRA音频数据进行特征提取,并筛选出具有分类能力的特征,其次使用决策树、支持向量机和随机森林3种分类模型对特征提取后的待测试信号进行智能分类识别。实验结果表明,使用的这3种模型能够有效判断TETRA系统中的信号是否受到干扰,以及受到何种样式的干扰,可为后续TETRA系统中的信号干扰识别提供参考。

基于AlexNet的雷达干扰识别方法研究

针对复杂电磁环境下雷达对干扰信号的分类识别问题,研究了射频噪声干扰、噪声调幅干扰、噪声调频干扰、匀速距离波门拖引干扰、速度波门拖引干扰的Choi-Williams Distribution(CWD)时频图像,采用深度学习中的AlexNet卷积神经网络模型自动提取图像各种特征细节,从而实现雷达干扰信号的分类识别。仿真结果表明:在干噪比为-10~0 dB的范围内,网络的识别率随干噪比的增加而迅速提高,干噪比为0 dB以上识别率基本接近100%;在全干噪比范围下,网络的识别正确率为99.25%,识别效果良好。

基于联合估计的无线通信网络干扰抑制算法

为解决无线通信网络信号不稳定导致的信息传递错误问题,提出无线通信网络干扰信号识别抑制联合估计算法消除无线通讯网络中的干扰信号。通过建立基于支持向量回归的干扰信号识别模型,有效的识别干扰信号类型,再构建基于网络抑制的干扰信号抑制模型,消除干扰信号带来的噪声。联合仿真结果表明,基于支持向量回归的干扰信号识别抑制联合估计模型对四类干扰信号识别准确率超过99%,且针对四类干扰信号,网络干扰抑制算法明显优于传统干扰抑制方法。基于干扰信号识别抑制联合估计算法有效地提高了无线通信网络的抗干扰能力,增强信息传递的稳定性。

基于二维DFT变换的调频引信信号处理方法

针对无线电调频引信信号处理难以对目标距离-速度信息进行联合估计,提出了基于二维DFT(离散傅里叶变换)变换的调频引信信号处理方法。该方法把无线电调频引信的一维差频信号变换为二维矩阵,然后对二维矩阵数据进行二维DFT变换。通过二维DFT变换后的二维频域信息联合估计差频信号中的距离,速度信息。仿真试验表明,该方法能够利用无线电调频引信差频信号进行运动目标距离-速度联合估计,为无线电调频引信实现高精度分档装定,干扰信号识别提供了一种技术途径。