基于快速强化学习的无线通信干扰规避策略

针对无线通信环境中存在未知且动态变化的干扰,该文联合考虑通信信道接入和发射功率控制提出了基于快速强化学习的未知干扰规避策略,以确保通信收发端的可靠通信。将干扰规避问题建模为马尔可夫决策过程,其优化目标为在保证通信质量的前提下同时降低系统发射功率和减少信道切换次数。随后,提出一种赢或学习快速策略爬山(WoLF-PHC)学习方法的干扰规避方案,从而实现快速规避干扰的目的。仿真结果表明,在不同干扰模式下,所提WoLF-PHC算法的抗干扰性能、收敛速度均优于传统的随机选择方法和Q学习算法。     

干扰攻击下基于MAPPO的电视频谱资源分配研究

将认知无线电（Cognitive Radio,CR）与能量采集（Energy Harvesting,EH）进行组合是一种提高电视系统频谱性能的有效方案,但由于CR的开放性,电视网络容易遭受干扰攻击。基于此,研究了干扰攻击下EH-CR网络的联合信道和功率分配问题,考虑网络中存在随机和反应扫描两种干扰攻击,通过信道接入和功率分配,使次用户（Secondary Users, SUs）平均吞吐量最大化。将EH-CR网络建模为部分可观测的马尔可夫决策过程,提出了一个基于多智能体近端策略优化（Multi-Agent Proximal Policy Optimization,MAPPO）的联合信道和功率分配方法。仿真结果表明,提出的方法能够显著提高干扰攻击下SUs的平均吞吐量。     

利用部分重叠信道的多无人机自主协同优化抗干扰

针对多无人机通信网络抗干扰中的功率和信道联合优化问题,考虑多无人机通信网络中的部分重叠信道切换、外部恶意干扰与网络内部互扰问题,通过构建Stackelberg博弈抗干扰模型,设计无人机用户和干扰机的效用函数,并提出了基于次梯度迭代的算法求解博弈的均衡解,获得无人机用户在干扰条件下的部分重叠信道选择和功率选择联合优化结果。仿真结果表明,所提算法能使多无人机用户获得良好的信道选择和传输功率策略,优化多无人机通信网络抗干扰性能。     

一种基于OFDM的多用户认知无线电系统联合资源分配算法

针对频谱共享环境,研究了采用OFDM调制方式的多用户认知无线电系统中,综合考虑自身发射功率约束与主用户干扰功率约束的资源分配问题.基于最大化认知用户和速率的优化目标,给出了连续比特条件下最优的多水位注水功率分配表达式;针对更实际的整数比特要求情况,通过基于相对增益因子RG的子信道选择机制与每个认知用户内多约束的贪婪比特与功率分配策略,来最大限度地提高频谱利用率.仿真结果表明:联合的子信道、功率与比特分配算法在不同的参数设置下均达到了良好的性能,在不影响主用户通信的前提下有效地提高了认知系统的频谱利用率.     

基于小波的变换域通信系统抗干扰性能研究

变换域通信系统通过信道估计在变换域设计信号波形避开干扰,它没有采用载波调制,而是用一个类似噪声的基函数进行信息调制。对高斯白噪声信道下的取不同门限值的基于小波的变换域通信系统与DSSS的抗干扰性能作了比较分析,仿真结果表明基于小波的变换域通信系统相比于DSSS在单音、多音、线性调频、10%部分带宽干扰下误码率平均改进约10dB,在70%部分带宽干扰下误码率平均改进约5dB,并对基于小波的变换域通信系统门限值的选取给出了建议。     

面向无人集群通信的干扰感知及电磁干扰自动规避方法

为提升无人机在复杂电磁环境条件下的通信可靠性，在无人机载通信系统基础之上，研究基于电子战特征的无人机通信干扰感知方法，感知环境电磁特性及干扰信号特征，根据干扰识别结果智能决策自动规避干扰，在最优信道上进行数据通信，能够大幅度提升复杂电磁环境下无人机通信系统的抗干扰传输能力。并构建干扰感知与自动规避的测试验证原理样机，进行外场测试验证，实现无人机（群）对杂波环境的智能化适应，满足日益增长的无人机应用需求。     

采用BP神经网络的智能抗干扰决策引擎研究

在认知抗干扰通信系统中,智能决策是其核心,根据干扰环境,对系统的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息进行最优决策。现有的抗干扰通信系统的智能决策多采用遗传算法、人工蜂群算法等,面对日益复杂的电磁环境,通常这些算法不具有对新干扰的泛化能力。BP神经网络算法简单、具有一定的容错能力和泛化能力,本文设计并分析了一种基于BP神经网络的抗干扰实时决策引擎模型,根据系统性能设计了输入输出数据的预处理方式和判别标准,阐述了决策实现步骤,分析了算法参数;通过系统性能仿真,验证了文中提出的实时决策引擎的强抗干扰性能。与采用遗传算法和人工蜂群算法的决策引擎相比,本文提出的决策引擎决策速度更快且具有泛化能力和容错能力。      

联合时域−波束域非正交多址接入

为了提高系统容纳连接设备的能力,提出了一种适用于毫米波大规模多输入多输出系统的联合时域?波束域非正交多址接入方案。该方案利用用户空间信道的相关性和差异性实现波束域接入,利用稀疏扩频技术实现时域接入,并以提高系统的通信可靠性为优化目标,构造并求解了联合域稀疏接入矩阵设计的优化问题。最后,基于联合域信道质量对接入矩阵进行重构,并在消息传递算法中加入干扰消除操作,降低译码复杂度的同时提高了通信可靠性。     

基于改进人工蜂群算法的认知抗干扰智能决策技术研究

在认知抗干扰系统中,智能决策是其核心,根据干扰环境,对系统的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息进行最优决策。人工蜂群算法（Artificial Bee Colony,ABC）相较于其他群体智能算法全局寻优速度更快,设置参数少、灵活,易与其他技术结合改进原算法,实用性更广泛,但ABC算法同样有其局限性,如局部搜索能力较弱、后期收敛速度慢等。针对复杂干扰环境下对离散参数的决策,本文设计了一种基于改进人工蜂群算法的认知抗干扰智能决策引擎,分析了引擎模型,根据系统效能设计了目标函数和染色体,阐述了决策实现步骤,优化了决策参数,提出了按基因组搜索的改进算法;通过对系统抗干扰性能的仿真,验证了与未采用智能决策的抗干扰系统相比,采用本文提出的智能决策引擎的认知抗干扰系统在干扰环境中不仅具有强抗干扰性能,而且在保证通信传输可靠性的前提下,具有较低的发射功率和高传输效率,与采用传统人工蜂群算法和遗传算法的决策引擎相比,基于改进人工蜂群算法的决策引擎平均收敛代数更少且最优解概率更高。      

基于MADDPG的无人机辅助通信功率分配算法

针对多无人机(unmanned aerial vehicle, UAV)作为空中基站辅助通信的吞吐量和公平性问题,提出了一种基于多智能体深度确定性策略梯度算法(multi-agent deep deterministic policy gradient algorithms, MADDPG)的功率分配算法,该算法通过联合优化UAV基站的功率分配和用户接入以提高系统吞吐量和公平性。本文首先构建了UAV基站为地面建立通信服务的三维场景,然后通过联合功率、用户关联和UAV位置约束,构建了吞吐量和公平性最大化的问题模型。考虑到该问题的复杂性,本文将所构建的优化问题建模为马尔科夫决策过程(Markov decision process, MDP),通过引入深度确定性策略梯度算法(deep deterministic policy gradient algorithm, DDPG)解决该问题。仿真结果表明,本文提出的基于MADDPG的UAV基站功率分配算法与其他算法相比,可以有效地提升系统的吞吐量和用户的公平性,提高通信的服务质量。     

基于多频带陷波的雷达嵌入式通信波形设计

雷达嵌入式通信（radar-embedded communication,REC）系统是一种在雷达回波信号中隐藏通信信息的隐蔽通信方法。但是由于雷达系统所处的电磁波环境极为复杂,以致雷达嵌入式通信系统会受其他通信系统的同频干扰,最终导致接收机无法准确识别回波信号。为了使得雷达系统避免复杂环境的干扰且能保持良好的隐蔽通信性能,本文提出了一种基于多频带陷波的雷达嵌入式通信波形设计。本文首先根据随机雷达波形和理想功率谱密度,并采用功率谱匹配的方法建立目标函数,然后利用拟牛顿优化算法对目标函数进行求解得到多频带陷波,以此来避免其他通信系统带来的同频干扰问题,最后基于多频带陷波,采用一种改进的加权组合方法（improved weighted-combining,IWC）设计通信波形。仿真结果表明,本文所提方法可以保证雷达通信的低误码率（signal error rate,SER）和低拦截率（low probability of intercept,LPI）。      

战术跳频系统智能抗干扰决策

作为一种有效的抗干扰方法,跳频（Frequency hopping, FH）技术已被广泛应用于战术通信系统来提高在强对抗环境下军事通信网络的可靠性。跳频通信网络面临的主要威胁是具有灵敏的频谱侦察和频率捷变能力的跟踪干扰机。为提高战术跳频通信系统在跟踪干扰攻击环境中的抗脆性和吞吐量,本文提出了一种基于双深度Q网络（Double deep Q-network, DDQN）的功率和跳速联合抗干扰决策方法。该算法将战术电台发射机与跟踪干扰机之间的对抗建模为马尔可夫决策过程（Markov decision process, MDP）,其中干扰器通过调整频谱扫描速率提高干扰效能,战术电台终端则将接收状态反馈信息作为算法输入,根据决策网络的输出调整数据传输的发射功率和跳频速率。该算法模型在未知环境状态和干扰参数的情况下,通过与环境的交互学习更新网络参数,逐渐收敛于最佳功率和跳速联合控制策略,以使跳频通信系统的平均吞吐量最大化。仿真结果表明,相比传统的无模型抗干扰方法,本文所提算法在跟踪干扰环境下能够更有效改善跳频系统的抗干扰性能。     

基于多端特征融合模型的MIMO-OFDM系统盲调制识别

自动调制分类（Automatic Modulation Classification, AMC）在认知无线电中起着提高频谱利用率的重要作用,然而,现有的大多数工作都集中在单输入单输出系统中的单载波通信。针对当前非协作通信中多输入多输出正交频分多路复用（Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing, MIMO-OFDM）系统子载波的盲调制识别问题,本文提出了一种基于多端特征融合模型的盲调制识别方法。首先,利用特征矩阵的联合近似对角化算法（Joint Approximate Diagonalization of Eigenvalue Matrix, JADE）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剖面和同向正交分量作为浅层特征。最后,搭建多端特征融合模型,利用一维卷积网络（One-Dimensional Convolutional Neural Network, 1D-CNN）与通道注意力模块（Channel Attention Module, CAM）的串联模型完成对浅层特征的提取和映射,并使用测试样本对所提出的调制识别算法进行仿真验证。仿真结果表明,本文方法在不需要先验信息的情况下对MIMO-OFDM系统的调制方式可以进行有效识别,在信噪比为4 dB时的识别精度可达到90%。      

面向复杂太赫兹信道的智能调制系统设计

太赫兹通信是未来高速无线通信极具潜能的技术,受到广泛关注。在本文中,提出基于简单、稀疏空域调制的太赫兹通信系统,探索了由硬件缺陷导致的信号失真对系统性能的影响,并结合收发端失真相关性,进行了系统噪声建模,得到了发端噪声、背景噪声和收端噪声的联合模型。在此多维度噪声背景下,依据后验概率最大化准则,本文推导了太赫兹空间调制系统极大似然信号检测算法。此外,考虑到未来太赫兹通信在多域多维度通信的应用场景,传统检测算法匹配度差且复杂,本文提出了利用具有简单结构的极端学习机来实现太赫兹空间调制系统的低复杂度智能算法。仿真结果表明,本文所提出的极大似然检测算法的性能优于传统的极大似然算法,另外本文中所提出的基于极端学习机的接收机方案,其性能接近最优检测方案,并且明显优于基于深度学习网络和支持向量机的方案。      

多小区协作无人机通信感知一体化系统的资源分配

在通信感知一体化系统中,由于通信与感知两者的目的并不完全一致,这使得通信和感知之间的性能折中问题尤为关键。本文研究多小区协作联网无人机网络的通信感知一体化问题,其中基站作为通信感知收发器与无人机用户通信,同时估计感知目标的位置。基于此,联合优化多个基站协作发射功率控制以及无人机用户的轨迹来平衡感知和通信性能,在满足无人机用户的信干噪比需求和感知目标定位的克拉美罗下界需求基础上,最小化基站的能量消耗。该问题是一个非凸优化问题,通常难以直接进行求解。为解决该问题,本文提出基于交替优化的联合基站功率控制与无人机轨迹优化方案,分别利用半正定松弛技术和连续凸近似技术对基站功率控制和无人机轨迹进行优化设计。最后,实验仿真结果验证了所提联合优化方案的性能。      

基于卷积神经网络联合多域特征提取的干扰识别算法

干扰识别技术是智能抗干扰通信系统中的关键技术,通过对接收信号中干扰类型的准确判别,可为无线通信系统生成最佳的抗干扰方式提供决策依据。针对无线通信系统中典型压制式干扰的识别问题,本文提出了一种基于卷积神经网络联合多域特征提取（Convolutional Neural Network-based Joint Multi-Domain Feature Extraction,CNN-JMDFE）的干扰识别算法,通过CNN同时对两种预处理增强的数据对象:时频图像与频域序列提取干扰特征,有效利用了两种数据对象的优势,提升了干扰识别性能。仿真结果表明,在对于包含动态和参数随机的干扰识别场景下,CNN-JMDFE算法在干噪比（Jamming-to-Noise Ratio,JNR）≥-2 dB时可准确识别14种类型的干扰,识别性能明显优于基于时频图像或频域序列单一数据对象的基于卷积神经网络自动特征提取（Automatic Feature Extraction-based Convolutional Neural Network,AFE-CNN）算法;与传统的人工特征提取的深度神经网络（Manual Feature Extraction-based Deep Neural Network,MFE-DNN）相比,本文算法显著提升了在低JNR下分类准确率,增强了干扰特征的抗噪性能;对于复合干扰,本文算法同样可取得良好的分类效果,当JNR≥0 dB时可准确分类10种复合干扰。      

变换域通信系统：原理、技术与发展趋势

变换域通信系统（TDCS）是指能适应快速变化的无线通信环境,主动避开干扰,具有低截获（LPI）传输信号波形的一种智能无线电技术,它以其良好的自适应性和兼容性受到越来越广泛的关注,有望成为实现认知无线电（CR）的一项潜在的候选技术。TDCS的提出为解决不断增长的无线通信应用需求与日益紧张的无线频谱资源之间的矛盾提供了一种有效的途径。简述了TDCS的基本原理,对TDCS涉及的变换域技术、频谱估计和数据调制等关键技术进行了总结分析,并结合当前的发展状况对该技术未来的发展趋势进行了预测。     

Optimal modulation for known interference

We present a symbol-by-symbol approach to the problem of canceling known interference at the transmitter in a communication system. In the envisioned system, the modulator maps an information symbol (taken from a finite alphabet) and an interference symbol (from the complex field) onto a transmitted constellation point. Our scheme is based on joint optimization of a modulator and demodulator, subject to a constraint on the average transmit power. The demodulator picks the information symbol (as a function of the received symbol) that minimizes the average error probability. We emphasize that our focus is on transmission in a single (complex) dimension, and hence the proposed technique is a ?modulation? rather than a ?coding? scheme. We illustrate that the new scheme outperforms Tomlinson?Harashima precoding, which is a classical but suboptimal solution to the one-dimensional known-interference precoding problem. In our simulations, the new approach is able to perform close to the no-interference bound.     

调频斜率捷变联合BFT抑制密集假目标干扰算法

为实现相参雷达有效抑制密集假目标干扰,提出一种调频斜率捷变联合双正交傅里叶变换的干扰抑制算法。在自卫式干扰条件下,雷达发射调频斜率捷变线性调频信号波形并接收1个相干处理间隔回波进行处理。首先,通过匹配相关运算法估计受干扰段回波的平均时延,并根据时延截取受干扰段回波;然后,利用双正交傅里叶变换将回波信号转换至调频斜率域,利用调频斜率差异分离真实目标回波与干扰信号,并设计遮盖窗对干扰峰值位置进行遮盖;其次,通过双正交傅里叶逆变换恢复真实目标回波;最后进行脉冲压缩、相参积累进一步抑制干扰。通过仿真实验验证了方法的可行性以及在不同场景下的有效性。效能分析结果表明经干扰抑制后真实目标检测概率大幅提高,且算法在应对假目标数量较多场景时具备优势。     

无线网络多用户干扰下智能发射功率控制算法

针对无线网络多用户互相干扰的问题,通过对发射功率进行智能控制,实现干扰管理,保证多用户通信服务质量。首先,考虑复杂动态无线信道环境,建立以无线通信系统加权数据速率最大化为目标的发射功率控制模型。其次,设计以深度强化学习"行动器-评判器"为基本架构的智能发射功率控制算法,缩短功率控制决策时间。仿真验证表明,所提算法收敛速度快,在10对收发机场景下,计算时间缩短到传统最优算法的1/4。