基于知识图谱的无线电监测及盲信号识别

针对无线电监测数据未规范化的问题,提出了基于知识图谱的海量无线电监测数据的分析思路,利用盲信号识别等方式,构建了结构化无线电监测数据知识库。可以去除无线电监测所产生的冗余信息,使无线电监测数据的存储更高效,并进一步实现智能可视化的无线电监测平台。实验结果表明,在完备的无线电监测知识库下,基于知识图谱构建的无线电监测平台能够实现盲信号的准确识别。

基于FOLP的STBC-OFDM信号盲识别方法

针对STBC-OFDM信号盲识别中存在着识别所需样本数多、对频偏敏感和不适用于单接收天线等问题,提出一种基于FOLP(Fourth Order Lag Product)的识别方法.根据不同空时分组码元素的相关性,推导了接收信号的FOLP,构造了基于FOLP的峰值检测算法.推导和仿真结果表明,该算法能够在单接收天线下运行,且不需要知道信道信息、噪声信息、调制信息以及OFDM块的起始位置;且该算法不受调制方式的影响,对时延、相位噪声和频率偏移鲁棒性能好,能够应用于认知无线电、频谱监控等工程领域中.

一种基于时频分析神经网络的通信信号盲识别新方法

为解决通信盲侦察中的信号分类识别问题,提出一种新的通信信号盲识别方法,利用时频分析技术提取信号特征,采用神经网络(BP网络)方法对信号进行分类识别。仿真结果表明,该方法在无噪声情况下,平均识别概率在85%以上,相位调制信号的识别率甚至高达98%。如果信噪比比较高,则信号的平均识别率也能达到85%左右。该方法的特点是无需知道信号的任何先验信息,可对宽频带范围内的任何信号进行识别,无需在识别前进行载频同步或进行信号参数估计。

采用USRP、RFNOC和Keras的信号盲识别

随着信号采集设备的带宽越来越宽,大量感兴趣或者不感兴趣信号被捕捉,多信号的盲识别问题是一个难题,更是一个亟需解决的问题。传统的识别大都基于功率、频谱或相位等诸多先验知识进行模板匹配,但在全盲条件下对多信号进行自适应识别是一个更加复杂的问题。为此,提出了一种基于通用软件无线电外设(Universal Software Radio Peripheral,USRP)、片上射频网络(RF Network on Chips,RFNOC)和Keras的自适应信号盲识别算法。首先构造基于深度学习的神经网络,然后使用初始IQ数据、初始功率谱密度数据和快速傅里叶变换(Fast Fourier Transform,FFT)累积算法处理后的谱相关密度数据等三种不同的初始数据去训练它,利用其自适应性实现多信号的盲识别,最后通过基于USRP、RFNOC和Keras的软硬件验证了该算法的有效性和鲁棒性。

AL-OFDM和SM-OFDM空频分组码信号盲识别方法

针对空频分组码正交频分复用(space-frequency block codes with orthogonal frequency division multiplexing,SFBC-OFDM)信号盲识别问题,提出了一种基于互相关函数的空频分组码信号盲识别方法。首先根据不同SFBC-OFDM元素的相关性,推导了发射信号端信号的相关特性;然后根据发射端信号的相关性,推导了接收端SFBC-OFDM信号的相关特性;最后提出了基于峰值检测的识别算法。仿真结果表明,该算法在较低的信噪比(0 dB)下正确识别概率达到95%,且不需要预先知道信道信息、噪声信息和调制信息。该算法在不同调制方式、时延和频率偏移下正确识别概率在90%以上,能够应用于认知无线电、频谱监控等工程领域中。

基于高阶统计特征的空时分组码盲识别方法

空时分组码的盲识别是认知无线电领域一个新的重要问题。多数现有算法在多接收天线下进行识别,然而这些算法并不完全适用于单接收天线条件。针对上述问题,该文提出一种同时适用于单接收天线和多接收天线的空时分组码盲识别方法。利用空时分组码矩阵内元素的相关性,提出四阶统计量作为盲识别的特征参数,并通过最小欧氏距离的方式检验四阶统计量的差异,达到识别的目的。蒙特卡洛仿真表明,算法识别性能较好,且不需要预先知道信道信息、噪声信息和调制信息,对多普勒频移和相位噪声具有一定的适应性。

频率选择信道下的空时分组码盲识别

在单接收天线下,针对频率选择性衰落信道下空时分组码(STBC)的盲识别问题,提出了一种基于Kolmogorov-Smirnov(K-S)检测的有效算法。该算法以经验累积分布函数作为特征函数,通过K-S检测经验累积分布函数之间的距离,达到识别空时分组码的目的。在不同调制方式、采样因子和置信区间的条件下分别对算法进行仿真并讨论其性能,结果表明,该算法性能较好,在信噪比大于6 d B时可达到90%以上的正确识别概率,在非合作通信方面具有一定的实用价值。

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code,STBC)识别中多种编码类型难区分的问题,提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理,输入到卷积神经网络中对信号特征进行提取,全连接层对特征进行映射,实现对6种STBC类型的识别。仿真实验结果表明,在无信道和噪声等先验信息的条件下,所提算法能够有效区分3种相似度高的STBC3码,且将STBC可识别的编码类型由目前的4种扩充到6种,识别准确率能达到96%。该方法的复杂度较低,不需要利用大量样本数据,实时性高,具有较好的工程应用价值。

基于特征序列的时域STBC-OFDM盲识别算法

为有效解决STBC-OFDM信号盲识别过程中存在的低信噪比适应能力弱等问题,在OFDM块大小已知的前提下,提出了一种在时域上构造特征序列的识别算法。该算法推导了空时分组码接收信号的时域特性,以及四阶特征向量,并构造特征序列,通过检测特征序列达到识别4种STBC-OFDM信号的目的。推导和仿真结果表明:所提算法无需信道、噪声、调制方式和OFDM块起始位置等先验信息,在较低信噪比条件下也具有良好的识别性能,且对频偏、多普勒频移和时延的鲁棒性能好,计算量较低,具有较高的实用价值。

基于频域互相关序列与峰值检测的空频分组码盲识别算法

针对复杂电磁环境和非协作通信条件下空频分组码(space-frequency block codes,SFBC)信号识别困难、对先验信息要求高的问题,提出一种基于频域互相关序列与峰值检测的SFBC盲识别方法。首先,通过分析SFBC信号的编码特点,计算得到发送端的互相关函数。然后,考虑频率选择信道、多径传播和噪声的影响,推导了接收信号的互相关函数,并对其进行傅里叶变换得到频域互相关序列。最后,根据频域互相关序列检测其峰值位置识别发射端编码方式。推导和实验结果表明,该算法在低信噪比下的识别性能较好,并且对时间偏差和频率偏差等情况的适应性较强,在复杂电磁环境下具有较好的识别性能,能够应用在认知无线电和频谱检测等场合。该算法不需要知道信道和噪声的先验信息、正交频分复用(orthogonal frequency division multiplexing,OFDM)块大小以及接收端和发射端的同步信息,非常适合于电子侦察等非协作通信场合。