基于CNN-LSTM的MIMO-OFDM信号盲调制识别算法

无线通信信号的盲调制识别技术作为非协作通信的核心技术之一,在提高频谱利用效率以及未知信号解调中起着至关重要的作用。另外,非协作通信中存在着电磁环境未知,噪声干扰严重,信噪比低等问题,因此在非协作通信下进行未知信号的盲调制识别较为困难。为解决非协作通信中多输入多输出正交频分复用(MultipleInput Multiple-Output Orthogonal Frequency Division Multiplexing, MIMO-OFDM)信号在低信噪比下子载波盲调制识别的问题,本文使用CNN(Convolutional Neural Network,CNN)网络与LSTM(Long Short-Term Memory,LSTM)网络构建一维CNN-LSTM网络进行盲调制识别。鉴于I/Q数据具有很强特征表达能力,该算法选取I/Q数据作为第一输入特征直接输入网络。同时为了弥补噪声对I/Q数据的干扰,本文还选用抗噪声能力强的循环谱作为另一输入特征,为进一步提升循环谱的抗噪声能力,本文对循环谱进行切片累加操作得到抗噪声性能更好的循环谱切片累加序列作为第二输入特征。仿真结果表明,本文所提方法可以在SNR=2 dB条件下实现对{BPSK,QPSK,8PSK,16QAM,32QAM,128QAM}调制方式的识别,并且识别精度达到98%。

LDACS系统基于循环谱和残差神经网络的频谱感知方法

针对L波段数字航空通信系统(L-band digital aeronautic communication system,LDACS)可用频谱资源有限且易受大功率测距仪(distance measuring equipment,DME)信号干扰的问题,提出一种基于降维循环谱和残差神经网络的频谱感知方法。首先理论推导分析了DME信号的循环谱特征;然后利用Fisher判别率(Fisher discriminant rate,FDR)提取循环频率能量最大的向量,通过主成分分析(principal component analysis,PCA)进行预处理特征增强;最后给出数据处理后的循环谱向量与卷积神经网络相结合的实现过程,实现了DME信号的有效检测。仿真结果表明,该方法对噪声不敏感,当信噪比不低于-15 dB时,平均检测概率大于90%。当信噪比不低于-14 dB,检测概率接近100%。

基于最优频段循环脉冲指数谱的轴承故障诊断方法

针对滚动轴承多故障冲击共振频带的非一致性及相互交叠影响问题,提出了一种基于循环脉冲指数(CPI)谱的轴承多故障同步诊断方法。该方法引入短时脉冲峰值矩的变异系数对轴承故障冲击进行量化表征,结合冗余提升小波包对轴承故障信号进行频带塔式分解与频带信号CPI计算,构建了故障信号的CPI比值谱图(CPIRgram);根据CPI比值最大原则对轴承故障信号的最优共振频带进行自适应选择,并采用最优频段循环脉冲谱对轴承各故障特征频率进行了统一表征。仿真与故障试验分析结果表明,本文方法无需故障先验知识与分解参数的优化设置,在强噪声及随机瞬态干扰情况下,也能够准确地对多故障特征频率进行同步检测,检测出的故障频率与其理论值误差均小于1.6 Hz,且对故障冲击强度大小及冲击模式变化具有较好的鲁棒性,有较好的应用前景。

基于多带加权包络谱的轴箱轴承故障诊断

为增强复杂噪声干扰下轴箱轴承故障检测的鲁棒性,基于循环谱分析并考虑轴承故障信息分布差异和阈值降噪,对轴箱轴承故障诊断的包络谱构造方法进行了研究.首先,提出频域信噪比作为轴承故障信息量化的新测度,用于评估谱相干中不同谱频带内的轴承故障相关信息;其次,构造以谱频率为变量的故障特征信息分布函数,并自适应确定信息阈值来辨识谱相干中故障信息丰富和干扰噪声主导的谱频率分量,进一步基于故障特征信息分布函数和信息阈值设计权重函数;最后,由谱相干和权重函数生成融合多带信息的多带加权包络谱,通过分析谱中的轴承故障特征频率来检测轴箱轴承的不同故障.铁路轴箱轴承实验数据的分析结果表明:相比于基于谱相干的典型包络谱方法,多带加权包络谱能够在复杂噪声干扰下准确识别轴箱轴承的外圈、滚动体和内圈故障,并能取得更高的性能量化指标(频域信噪比和负熵).

基于残差神经网络和注意力机制的频谱感知方法

随着通信技术的发展,频谱感知技术已经成为解决频谱资源稀缺的重要解决手段之一。针对传统的频谱感知方法在低信噪比(Signal to Noise Ratio,SNR)下准确率较低的问题,提出一种基于残差神经网络和注意力机制相结合的正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)频谱感知方法。将频谱感知问题转化为图像二分类任务。通过分析OFDM信号的循环自相关特征,将其灰度处理以生成循环自相关灰度图像。利用改进后的残差神经网络进行训练,提取这些灰度图像的深层特征,使用测试数据验证所得到的频谱感知模型。仿真实验结果表明,在低SNR条件下,所提方法表现出更出色的频谱感知性能,优于传统频谱感知技术。

基于循环谱的去模糊调制识别算法

针对当前调制识别算法在低信噪比下识别率低和循环谱应用中由于部分信号谱图相似而性能下降的问题,提出基于二维循环谱灰度图的去模糊调制识别算法。针对谱图特征相似的信号构建了二维循环谱灰度图模板库,通过与模板库进行谱图匹配将信号分流成两部分:谱图相似信号和谱图可区分信号。在信号分流基础上提出差异化识别方法,针对谱图可区分信号,通过构建基于二维循环谱灰度图的卷积神经网络(CSG-Net)完成识别;针对谱图相似信号,借助多通道学习深度神经网络(MCLDNN)完成识别。实验结果表明,提出的算法综合了不同网络的优势,提升了网络整体的识别性能,在-10 dB信噪比时依然有接近70%的识别率。

基于多特征融合的MIMO-OFDM系统单-混信号调制识别算法

为解决非协作通信中多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing, MIMO-OFDM)系统的单-混信号调制识别问题,提出一种基于多特征融合和决策融合的调制识别方法。首先,利用特征矩阵的联合近似对角化(joint approximate diagonalization of eigenvalue matrix, JADE)算法从接收端恢复发送信号;然后,提取恢复后信号的四次方谱、循环谱和高阶累积量作为输入样本,利用多特征融合网络对输入样本进行训练;最后,使用决策融合策略根据每条支路输出得到最终判决结果。仿真实验结果表明,所提方法可以对MIMO-OFDM系统中的7种信号进行有效识别,在信噪比为10 dB时识别精度可达99.4%。

基于循环谱的单通道时频混叠信号识别

随着通信技术的发展和电磁环境的日益复杂,通信领域中的时频混叠信号频繁显现。一方面,这类信号会干扰通信系统的正常接收;另一方面,当混叠信号中引入虚假信号时,接收器极有可能接收虚假信号,从而导致获取欺骗信息。因此,有必要对混叠信号做出准确的识别,确保通信的可靠性,从而提出了一种基于循环谱特征的时频混叠信号识别算法。该算法基于非合作方式设计,不依赖于特定的调制参数,具备较优的普适性,并且测试表明,该算法对时频混叠信号的识别准确率优于传统算法。

循环冲击激励下某发动机附件传动系统的振动特性研究

考虑到某涡桨发动机中附件传动系统动力学建模困难的问题,本文基于子结构总体耦合矩阵法,将同轴多转子耦合系统和斜交弧齿锥齿轮耦合多转子子系统的动力学模型加以综合和扩展,建立了主转子与附件传动系统耦合系统的动力学模型,并推导了动力学方程,使用变阶次Adams-Bashforth-MoutlonPECE算法对动力学方程进行求解,获得不同循环冲击载荷谱下,系统的动态响应,研究了该型航空发动机主转子与附件耦合系统的振动特性。结果表明:该下斜附件传动系统由于第三级齿轮副传递扭矩较大,同时斜齿轮副相较于弧齿锥齿轮副运转平稳性差,故两种交变载荷下各级齿轮副的最大法向相对位移、最大动载系数均值及最大法向振动加速度均方根均发生在斜传下斜齿轮副上;各级齿轮副沿法线方向的振动均为周期振动,且一个负载周期中同时包含有多个啮合周期。

循环码的一种构造方法研究

运用循环码生成多项式的性质与定义,对循环码新的构造方法进行研究,确定了构造出的循环码的重量分布、重量谱、最小距离和自同构群。新的构造方法在一定条件下比现有文献中的构造方法更易得出循环码的自同构群等性质。

面向卫星通信的混合多址通信接收方案研究

卫星通信场景中,随着卫星通信的发展,频谱资源日益紧缺,利用率过低。卫星信道的开放性且过长的卫星链路使得卫星传输隐蔽性差,难以保证信号的安全传输。为了应对频谱资源紧张与安全传输的需求,借鉴非正交多址(Non Orthogonal Multiple Access,NOMA)的思想,叠加传输扩频信号与非扩频信号,在接收端设计分离方案,并设计循环迭代消除流程。仿真表明,所提方案可以保证信息的安全传输,且分离后的误码率损失可以通过循环迭代改善,符合实际应用。

考虑循环作用特征的公路桥梁荷载谱疲劳分析方法

为了兼顾疲劳荷载谱的分析精度和实用性,该文提出了适用于单车加载和车流加载的荷载模型损伤效应比例系数和循环作用特征长度指标,通过研究典型疲劳车辆疲劳损伤效应一般规律,构建从单车作用到车流随机作用的疲劳荷载谱损伤分析方法。结果表明:单辆疲劳车引起的疲劳损伤可以在集中荷载效应基础上进行比例换算,由影响线绝对面积换算的循环作用特征长度指标对单车疲劳分析有较好的适用性。随机车流引起的疲劳损伤受到桥梁跨径和车流密度的共同影响,在短跨径桥梁中,损伤效应对车流密度不敏感,车流密度的增加甚至会造成一部分结构内力幅的减小;当跨径超过一定临界值时,车流密度的影响显著加剧;由影响线积分面积换算的循环作用特征长度指标更适用于车流疲劳损伤效应分析。荷载谱等效应力幅应结合交通流状态谱进行分析,多车道损伤效应系数指标的构建应考虑车辆相遇概率、循环作用特征长度指标的影响。

基于NFM-BOK波形的低检测概率通信技术

针对以直接序列扩频(direct sequence spread spectrum,DSSS)和切普扩频(chirp spread spectrum,CSS)为代表,现有低检测概率(low probability of detection,LPD)通信波形变换域聚敛特征明显、影响LPD性能的问题,以满足误码率(bit error rate,BER)需求的信噪比下通信波形变化域聚敛特征最小化为目标,提出一种新型LPD通信方法——以噪声调频(noise frequency modulation,NFM)为波形基、以二进制正交键控(binary orthogonal keying,BOK)为信息载荷方式的NFM-BOK通信技术。以直接序列——二进制相移键控(direct sequence-binary phase shift keying,DS-BPSK)为对比对象,在给出NFM-BOK通信技术方案的基础上,着重研究了所提NFM-BOK的BER性能、功率谱域和循环相关域内的聚敛特征。理论分析和仿真结果表明:相较于DS-BPSK,NFM-BOK通信系统的抗噪性能相近,相同BER对应的信噪比下的功率谱域和循环相关域内的聚敛特征显著降低。

基于循环谱特征的全频段音乐信号抗干扰研究

为解决传统音乐信号抗干扰方法存在的干扰信号滤除效率低、信号捕获率低问题,提出基于循环谱特征分析的全频段连续音乐信号抗干扰方法。利用聚类算法提取干扰信号特征,搭建含干扰全频段连续音乐信号接收模型,并分析其循环谱特征。通过自适应频移滤波器滤除干扰信号,实现全频段连续音乐信号的抗干扰。实验结果显示,相较于传统方法,提出的全频段连续音乐信号抗干扰方法提升了干扰信号滤除效率与连续音乐信号捕获率,充分说明提出的全频段连续音乐信号抗干扰方法具备更好的抗干扰效果。

基于循环谱截面智能分析的混合信号调制识别方法

针对已有混合信号识别方法存在智能化程度低、适应性差等问题,提出了一种基于循环谱截面和深度学习相结合的智能识别方法。理论推导分析了常见混合通信信号的循环谱零谱频率截面特征;利用提出的非线性分段映射和指向性伪聚类新方法对上述截面图进行预处理特征增强,提高了截面特征的适应性和一致性;并将预处理后的特征图与经典残差网络相结合,利用深度学习网络对特征图中调制信息的深层次细节挖掘分析能力,实现了混合信号的有效识别。仿真结果表明,该方法对噪声不敏感,当信噪比不低于-2 dB时,平均识别率大于90%;且该方法对信号参数及信号间能量比变化有较好的适应能力。

随机相位循环叠加梳状谱干扰实验设计

基于Zedboard开发板,以雷达梳状谱干扰波形合成设计为出发点,提出了一种基于随机相位多频点循环叠加的梳状谱干扰波形设计方法,使用单个DDS IP核生成完成叠加任务,并通过Zynq-7000系列FPGA对该方法进行编程设计与算法实现。同时使用MATLAB仿真与FPGA硬件实现对实验效果进行测试,结果表明,该实验能够成功生成宽带梳状谱干扰波形,干扰频率范围为0~600 MHz,有4、8、16三种干扰频点模式,同时其干扰频点误差不超过0.1%,由此验证了方法的有效性。实验中提出以m序列作为干扰信号的相位控制,改善时域叠加条件下梳状谱干扰信号峰均比。该方案可用于实际被动侦察干扰设备,为其提供一种遮盖式干扰方式。

基于改进变分模态分解及循环相关熵谱的轴承故障诊断

针对强背景噪声下非高斯脉冲噪声和高斯噪声对滚动轴承故障诊断产生严重干扰的问题,提出了一种基于改进变分模态分解(variational mode decomposition,VMD)并与循环相关熵谱(cyclic correntropy spectrum,CCES)相结合的故障诊断方法。首先,针对VMD传统重构指标易受噪声影响的问题,引入相关熵峭度(correlation entropy kurtosis index,CEK)指标对VMD分解后的模态分量进行选择与重构,去除高斯噪声;然后针对重构后信号仍存在的脉冲噪声影响问题,对重构信号进行CCES投影融合去除非高斯脉冲噪声干扰并增强特征;最后对融合结果进行分析与故障诊断。经仿真测试与实验表明,所提出的方法可以在高斯噪声和非高斯脉冲噪声背景下有效提取滚动轴承故障特征频率并实现故障诊断。

基于联合特征参数和一维CNN的MIMO-OFDM系统调制识别算法

针对当前非协作通信中多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing,MIMO-OFDM)系统子载波的调制识别问题,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)的调制识别方法。首先,利用特征矩阵的联合近似对角化(joint approximate diagonalization of eigenvalue matrix,JADE)算法从接收端的混合信号中恢复发送信号;然后,提取恢复信号的循环谱切片和四次方谱作为浅层特征;最后,利用1D-CNN对特征进行训练,使用测试样本对所提出的调制识别方法进行仿真验证。仿真结果表明,所提方法对MIMO-OFDM系统中的5种信号可以进行有效识别,在信噪比为10 dB时的识别精度即可达到100%。

一种循环谱特征提取的直扩信号智能识别方法

为解决传统信号识别方法对直接序列扩频信号识别率低、智能化程度不高等问题,提出一种基于循环谱特征提取的直扩信号智能识别算法。在深入分析直扩信号循环谱特征基础上,以直扩信号循环谱独特的稀疏特性为依据,设计一种稀疏滤波-卷积神经网络模型对提取的循环谱等高线图进行识别,采用无监督预训练和有监督训练微调的方式对网络参数进行更新,提升网络对信号整体特征的表达能力和对小数据量信号样本的学习能力。仿真结果表明:本文算法能够有效识别直接序列扩频信号,在不低于-10 dB高斯噪声条件下对采用正交相移键控调制的直扩信号识别准确率达到98%以上;在混合其他调制信号条件下,相较于常见的几种深度学习算法,本文提出的算法具有更高的识别准确率和鲁棒性。

新型直接序列扩频通信方法

针对传统直接序列扩频通信复杂多径环境下性能受限且频谱利用效率低的问题,提出了一种时频混合直接序列扩频接收机结构的循环前缀(CP)块传输结构扩频系统,采用频域最大比合并(MRC)同时实现均衡和解扩过程,在获得最佳接收性能的同时,省略了IFFT过程,显著降低了计算复杂度。在此基础上,提出了利用恒包络零自相关(CAZAC)序列取代m序列作为扩频序列,在不增加计算复杂度的同时显著提升系统的性能。最后,提出了一种基于循环码移位键控(CCSK)的高速扩频通信方法,解决了传统直接序列扩频频谱利用效率低、传输速率受限的问题,并利用傅里叶变换时域循环移位的性质,设计了一种低实现复杂度的CCSK解扩方法,将CCSK解扩所需的乘法次数由O(N^(2))降为O(Nlog N),极大减少了资源消耗。仿真结果表明,相较于已有直接序列扩频方法,所提方法无论是在高斯还是复杂多径信道环境下均获得了3 dB左右的性能增益。