通信信号的单通道盲分离和码元序列盲估计

针对被单根天线接收的多个通信信号的单通道盲分离问题,提出了一种新算法.该算法利用各个通信信号的周期性差异和波形差异,应用过采样技术和高阶统计量分析技术来构造适用于独立分量分析的多通道混合模型,从而将多信号盲分离问题转化成波形和码元序列的估计问题.仿真证实了新算法的可行性和优越性.     

采用MRSSA-ICA的共信道多通信信号盲分离

针对时频域部分重叠的多个跳频通信信号共信道盲分离问题,提出了一种新的共信道盲分离算法SCBSS(Single Channel Blind Source Separation)。首先,重新定义多分辨奇异谱分析(Multi-resolution Singular Spectrum Analysis,MRSSA)算法,利用其冗余性来重构伪多输入输出模型;接着引入独立分量分析算法用于提取感兴趣的独立分量。仿真结果验证了所提算法分离多个正交相移键控(Quadrature Phase Shift Keying,QPSK)调制的时频域部分重叠跳频通信信号的有效性和鲁棒性,且不需要任何先验。     

基于短时分数阶傅里叶变换的谱分割算法

多分量非线性调频信号在现代通信和雷达系统中应用越来越广泛,而对其进行有效分析识别的常用算法就是短时分数阶傅里叶变换（Short Time Fractional Fourier Transform,STFRFT）.文章首先讨论了STFRFT的圆特性,证明了它基于高斯旋转窗的非圆性并给出了修正的圆的STFRFT定义;在此基础上研究了时频变换后不同时频点的谱峭度,进而推导出了区域集的谱峭度,并将该区域谱峭度作为谱图上某区域内是否含有信号点的检测因子;最后基于区域集谱峭度的区域增长算法被用于从谱图中盲分割识别出各个非线性调频分量信号.仿真实验验证了所提算法的有效性和鲁棒性.     

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。     

基于自适应分割算法的多跳频信号盲检测

传统的观点大都将跳频信号盲检测问题视为能量域的门限阈值问题,而从统计域来看,实际接收到的跳频信号是在一些未知时刻突变而在这些时刻之间保持统计平稳性的分段平稳随机信号,那么基于非平稳时间序列的各种突变检测算法就可以引入其中。分析了当前跳频突变通信信号的统计特性,给出了其高阶分段平稳的模型。将Bemaola-Galan（BG）提出的自适应分割算法推导到高阶,并将其成功应用于多个跳频突发信号盲检测和自适应提取中。仿真结果表明,该算法不需要任何先验信息,能够有效检测和提取多个突发通信信号,且性能优于传统的能量检测法。