基于有向图的电磁环境复杂度度量算法

以用频装备接收机的信噪比参数和用频网络可用性作为度量依据,定义了用频网络的4级电磁环境复杂度度量标准.在此基础上,通过将用频网络转化成有向图,提出了基于有向图的电磁环境复杂度度量算法,并以此算法为基础定义了战场电磁环境复杂度.通过计算战场电磁环境复杂度使得当前战场电磁环境对作战行动的影响程度定量化,为复杂电磁环境条件下的战场决策提供必要条件.     

电磁环境复杂度等级评估模型

综合考虑靶场复杂电磁环境适应性试验的特点和实际需求,研究了电磁环境复杂度等级分类和评估方法。首先分析了电子装备类型及电磁环境适应性特点。其次提出基于电子装备类型的电磁环境复杂度等级评定方法,即对于雷达类和通信类设备基于信噪比、侦察类设备基于信号脉冲流分别制定复杂电磁环境等级。第三考虑用频装备天线扫描,给出了电磁环境复杂度等级动态统计分析表达式。该研究可为电磁环境适应性试验和作战指挥研究提供重要支撑。     

零中频技术在电磁信号监测中的应用

为保障通信质量,需要对电磁信号环境进行实时的监测。给出了一种基于零中频技术的全景监测分析接收机,可用于对电磁环境进行实时监测和分析。重点介绍了零中频技术及其在全景监测分析接收机中的应用。     

块稀疏贝叶斯模型下的跳频信号时频分析

针对传统时频分析方法存在的时频聚集性差以及交叉项干扰的问题,本文将接收到的跳频信号进行分割,构建时频稀疏模型,利用模型中的统计特性和结构特性采用块稀疏贝叶斯学习算法对跳频信号的时频图进行重构,在不需知道稀疏度和噪声强度的情况下,得到了高精度的时频图。但是由于算法在高维参数空间进行参数估计时复杂度较高,本文采用近似替换的方法对该算法进行改进,将高维参数空间转换到原始参数空间计算,大大减少了算法的复杂度,仿真结果表明改进算法在低信噪比的情况下能有效的得到跳频信号的高精度时频图且复杂度大大降低。      

直扩信号的检测

本文介绍了直接序列扩频信号的倒谱检测方法,该方法适用于各种扩频增益的直扩信号及跳/扩结合信号的检测,具有检测速度快、效率高、设备简单等优点。倒谱检测法利用了直扩信号的自相关特性,采用宽带的压缩接收机及FFT谱分析技术,结合压缩接收机—能量检测法,能够实时地检测、分析及识别工作频段内的空间电磁信号,包括跳频、扩频、跳/扩结合及定频信号。该方法应用于通信对抗系统中,可大大增强通信对抗设备的性能,提高工作效率。通过计算机模拟结果表明,该方法对于低信噪比的直扩信号具有很高的检测概率及检测速度。     

一种新的定量评估电磁环境复杂度方法

针对跳频信号分选提出了采用“复合信息熵”定量评估电磁环境复杂度的方法。“复合信息熵”分三个部分：类型熵、密度熵、分布熵，综合考虑了电磁环境中包含的信号类型数、跳频跳速、跳频电台数目和信道使用是否均匀等因素，合理反映了电磁环境的复杂度。在固定的观测时段内，熵值随着信号种类数增加、跳频跳速加快、跳频电台数目增多、信道使用不均匀度增加而增加。仿真结果表明方法有效。     

稀疏贝叶斯模型在跳频信号电台分选中的应用

当电磁环境更加复杂,现有的跳频信号分选算法,诸如K Means聚类,支撑矢量机（SVM）等,往往面临较低的分选正确率或者较高的计算复杂度等问题。为了解决这两种问题,本文提出了一种基于稀疏贝叶斯学习（SBL）的跳频信号分选算法。在建立跳频信号分选模型之后,引入稀疏贝叶斯学习框架完成后续分选过程,并针对电磁环境中多个跳频电台的情况,建立了多电台跳频信号分选的结构模型。仿真实验环节验证了所提算法的有效性。      

非正交频分复用系统的无干扰分离算法

针对现有的非正交频分复用信号分离算法复杂度高这一问题,提出了对多路非正交频分复用信号可以实现无干扰分离的简化算法,通过建立系统模型和理论推导,使用傅里叶变换降低了非正交频分复用信号接收机的复杂度.系统仿真结果表明,使用非正交频分复用技术可以在更小的带宽内传输与OFDM相同速率的信号;在传输速率相同的情况下,由于传输带宽的减小,引入传输系统的噪声功率得到了降低,最终使得接收机处的误码率变小.     

基于深度学习的常规调制信号与跳频调制信号识别

跳频（Frequency Hopping,FH）调制手段是扩频通信方法中的一类,具有很强的抗干扰性能,被广泛应用在军事通信领域。在战场的强电磁环境中,准确分类识别出跳频信号与常规调制信号,在判断敌我目标属性、实施通信干扰与抗干扰方面具有十分重要的意义。传统基于信号特征提取的跳频信号分类识别手段受信噪比影响大,在低信噪比条件下无法实现有效分类识别。对此,本文利用卷积神经网络实现跳频调制信号与常规调制信号的分类识别。首先通过小波变换得到信号的时频图像,之后将时频图像输入卷积神经网络进行分类识别。实验证明,相比于传统人工特征分类模型,基于卷积神经网络的分类识别模型受信噪比影响小,且分类识别准确率高,在信噪比大于-4 dB条件下,识别成功率达到98%以上。     

跳频接收机中调谐高放电路的设计

论文根据开关电容阵调节电容带通滤波器的原理,设计出了能够快速跟踪调谐,并且具有较高灵敏度的快速调谐滤波器。为了保证跳频接收机信号抗干扰的能力,前端采用了两个窄带快速跟踪调谐滤波器,使得跳频接收机前端能够快速跟踪跳频变化从而改善接收机的信噪比,使跳频通信设备更加高效可靠。     

面向一体化应用的电磁信号智能检测方法研究

针对复杂电磁环境中信号检测受限于低信噪比的问题,基于信号与噪声一体化的思路,提出了一种以电磁空间的所有电磁辐射信号为背景,并结合深度学习算法的电磁信号检测方法。首先建立动态场景的电磁环境模型,包括了通信基站信号、雷达信号、干扰信号等,其次使用加高斯窗傅里叶变换提取电磁信号时频域的能量分布特征,最后采用卷积神经网络进行特征选择分类,实现信号检测。仿真结果表明,该方法在一定程度上减轻了信号检测受限于信噪比的问题,克服了传统能量检测方法和基于SVM检测方法的缺陷,提高了低信噪比下电磁信号的检测性能。      

时-空二维信号模型下的目标参数估计

提出一种基于时空二维信号模型下相干信号源参数估计的LS-ESPRIT算法,解决了常规ESPRIT算法不能解相干等问题。和解相干的MUSIC算法相比,该方法不需要在整个空间进行谱峰搜索,运算量小。仿真结果表明,该方法适用于所有信号(包括非相干和相干信号)的目标二维参数与多普勒频率估计。在不同信噪比(SNR)情况下,其估计精度较常规方法有了较大的提高,可以满足工程应用的需要。     

基于软阈值深度学习的自动调制识别算法

自动调制识别是认知无线电、电子侦察、电磁态势生成中重要的环节. 由于电磁环境日益复杂,噪声对能否正确调制识别影响显著. 本文针对低信噪比（signal-noise ratio,SNR）环境条件设计了一种基于软阈值的深度学习模型,在卷积神经网络（convolutional neural networks, CNN）的基础上加入软阈值函数. 将IQ数据转化为幅度相位信息作为模型的输入,CNN用于提取幅度相位数据中的特征,软阈值学习网络可以针对不同特征设置不同阈值,用于滤除样本噪声,提高低SNR条件下的识别率. 在开源数据集RML2016.10a上验证了所提算法的有效性,对比其他网络结构,本文提出的模型识别率更高且效率更高.     

一种神经网络结合NIC的PN码估计方法

针对网络电磁对抗环境中直接序列扩频信号的伪随机码的估计,这里提出了一种基于神经网络结合信息更新法则的方法,对过去基于神经网络的方法进行改进,构建了新的运算模型。理论分析和计算机仿真结果表明,该方法能在较低的信噪比容限下,正确地估计出扩频信号的伪随机码序列,该方法的性能优于原有的基于神经网络模型的码估计方法,为今后能够解决低信噪比条件下扩频码序列盲处理问题提供了一种更有效的途径。     

一种应用于深空通信的微弱信号捕获算法

针对低信噪比、高动态条件下深空测控通信信号捕获概率低以及复杂度较高的问题,首先分析了深空测控通信信号捕获的难点以及信号循环平稳特性,然后在此基础上提出了一种基于循环相关的新算法。计算机仿真结果证明新算法捕获门限达24 dBHz,适应频率动态达800 Hz/s;新算法较传统的捕获算法,在相同门限条件下的频率动态适应范围提升了约两个数量级。该方法已被应用于我国第一个深空测控站的建设,工作性能稳定可靠,有效地解决了低信噪比下深空站抑制载波信号的捕获问题。     

卫星导航信号异常对信噪比的影响

研究了卫星导航信号异常对导航接收机信噪比的影响。根据卫星导航异常信号3个2OS(Second-Order Step)模型,即TMA(ThreatModelA)、TMB(Threat Model B)和TMC(Threat Model C),分析了其相关峰特性,然后推导得到了3个模型下异常导航信号信噪比与正常信号信噪比之差,并在模型参数取值范围内进行了数值分析。结果表明,TMA模型信号异常会造成信噪比损失,而TMB和TMC模型信号异常在某些情况下则对信噪比有增强作用,因此信噪比不能作为2OS模型卫星导航信号异常的监测手段。     

基于时间序列分解的信号挖掘与预测

随着电磁信号环境日趋复杂以及通信设备数量的不断增加,电磁信号受到干扰问题逐渐加剧。因此,对于信号在不同噪声环境下的接收与处理技术的研究以及在复杂的电磁环境中对信号各项数据指标及其携带信息的利用十分关键。为了解在不同电磁环境下含噪信号的性能表现,提高信号的利用质量及可靠性,本文提出一种基于时间序列分解的电磁数据处理方法。建立了基于加法季节性时间序列分解的含噪信号处理模型,并利用该模型对信号在有噪环境下的表现与规律性、趋势、误码率等性能进行分析与评估,对原始信息、载波信息进行挖掘预测。与传统方法相比,本文提出的基于时间序列分解的信号挖掘与预测模型在高噪环境下对信号预测更为准确。     

比特谱相关改进循环谱的单通道混合信号参数估计快速算法

为了应对复杂环境下非合作通信、电磁频谱监管等宽带接收中存在的先验信息缺失,针对单通道混合信号的参数盲估计问题,提出了一种基于比特谱相关算法改进循环谱估计的快速算法。针对信号集{BPSK、QPSK、OQPSK、8PSK、8QAM、16QAM、16APSK、32APSK、CPM},系统给出整套参数估计算法流程,通过高阶累积量以及功率中心方法确定信号个数以及载波频率,然后利用改进循环谱提取符号速率谱线,完成单通道混合信号参数估计。论文对改进算法的统计特性进行了理论推导。理论和实验表明:算法不需要同步码等先验信息,适用于高斯噪声信道和多径平坦衰落信道,同时降低了计算复杂度、存储空间、估计方差以及数据量的需求,当混合信号等功率混合时,且信噪比分别为-4 dB和-1 dB时,算法对载波频率和符号速率的估计正确率可以达到90%,验证了算法的有效性和可行性。      

基于二维GFVC卡尔曼滤波的遥感图像信噪比分析

提出了一种基于二维GFVC卡尔曼滤波的遥感图像信噪比分析方法,分析表明，该方法与传统的二维随机信号估计方法相比，在算法复杂度和实时性上均有明显的优势，并已成功应用于航天遥感器实时在轨评价系统。     

应用符号相关性的认知OFDM系统信噪比盲估计

针对认知无线电系统中OFDM(orthogonal frequency division multiplexing)信号信噪比估计算法适用范围受限、复杂度高的问题,提出一种新的基于符号相关性的信噪比盲估计算法,算法首先通过扩展前缀相关性检测区间得到一个特征序列,然后通过小波消噪去除多径信道的影响,最后通过序列极大值极小值与信号功率及噪声方差的关系得到信噪比的估计值。仿真结果表明,本文算法能够实现对ZP-OFDM(zero-padding OFDM)信号信噪比的准确估计,同时在应用于CP-OFDM(cyclic-prefix OFDM)信噪比估计时适用范围更广、运算更为简便,更加适用于认知无线电系统。