基于数据增强的小样本通信干扰识别技术

干扰识别是通信抗干扰过程的前置环节,为抗干扰决策和波形选择提供关键的先验知识,是抗干扰成功与否的关键步骤.在复杂的电磁条件下,对干扰信号进行大量标记往往是困难的,并且对干扰识别的实时性要求很高.针对上述问题,研究了一种基于数据增强的小样本干扰信号识别技术,以解决小样本条件下分类器训练过程的欠拟合问题.小样本条件下,在正...     

MIMO通信模型下的相关矩阵组低复杂度设计

矩阵组常用于无线通信中的数据表示.在多输入多输出(Multiple?Input Multiple?Output,MIMO)通信模型中,基站利用信道数据设计适应信道的最小均方误差(Minimum Mean Square Error,MMSE)均衡器接收矩阵组,以低复杂度地处理来自多用户的上行数据.首先分析了矩阵数据的关联...     

多RIS辅助通信网络协同传输性能研究

研究了多智能超表面(Reconfigurable Intelligent Surface, RIS)辅助的无线系统的传输性能。在无线信道传播环境中部署多个相同几何尺寸的RIS,考虑不同RIS所关联的无线信道是独立非同分布且具有不同的分布和统计特性,基于上述系统模型提出了两种目标导向的多RIS辅助方案,即穷举式(Exhaustive RIS-Aided, ERA)和机会式(Opportunistic RIS-Aided, ORA)方案。利用基于矩量法的端到端信道数学模型,可以将端到端信道系数近似为伽马分布,从中断概率(Outage Probability, OP)和各态历经容量(Ergodic Capacity, EC)两种性能指标分别对两种方案的性能进行评估。通过研究EC的上下界,提供了快速估算可达传输速率的方法。结果表明ORA方案可以优化能量效率,ERA方案在OP和EC方面优于ORA方案。     

基于遗传算法的全索引调制的物理层加密算法

基于带指数调制的OFDM系统(Orthogonal Frequency Division Multiplexing with Index Modulation,OFDM-IM)以其潜在的分集增益而被人们所熟知。随后,一种基于遗传算法的全索引调制的OFDM(GA-OFDM-AIM)方案被提出,与传统的OFDM-IM相比,其采用遗传算法辅助子块设计,通过交叉、变异和选择过程,得到了低误码率的子块实现,但由于窃听者可以通过搜索算法或检测信道中的子块,传输安全无法得到保证,为此提出了基于遗传算法的全索引调制的物理层加密算法。利用无线信道特点,采用密钥生成技术提取初始密钥并且作为混沌发生器的初始值产生混沌序列,再利用该混沌序列对GA-OFDM-AIM中的子块进行星座点映射和星座旋转,打乱了星座阶数和调制类型的特征,使得窃听者难以破解系统的参数。为验证该算法的有效性和安全性,分析了不同的攻击模型,并比较了加密前后星座的误码性能。安全分析和仿真结果表明,该方案能有效地提高系统的安全性和传输性能。     

基于深度学习的HARQ辅助空天地融合网络时延受限容量预测

空天地融合网络（Satellite-Aerial-Terrestrial Integrated Network，SATIN）可以满足未来网络对全时全域全空通信和网络互联互通的需求。为了降低用户端传输时延并满足高频谱利用效率的要求，研究了基于深度学习的混合自动重复请求（Hybrid Automatic Repeat reQuest，HARQ）辅助的SATIN的时延受限容量（Delay-Limited Throughput，DLT）。为了提升性能预测效率和实时性，提出了基于卷积神经网络（Convolutional Neural Network，CNN）的性能预测方法，采用了一种去除池化层的改进CNN模型。预测结果表明，所提出的CNN预测结果较优，较Elman、BP等传统机器学习方法有更好的预测性能，其误差在10浮动，且预测时间较其他方法大幅度减少。     

基于深度学习的空天地缓存中继网络性能评估方法

空天地融合网络(Satellite-Aerial-Terrestrial Integrated Network,SATIN)充分发挥一体化网络架构下全局信息处理、灵活部署、广泛覆盖范围等优势,能够实现多维复杂网络信息的一体化处理和资源利用率最大化。为了降低用户端传输时延并满足高频谱利用效率的要求,将无线缓存融入SATIN中,具体研究了2种典型中继缓存方案,即最多访问业务缓存(Most Popular Content Caching,MPCC)方案和均匀缓存(Uniform Caching,UC)方案,并在此基础上推导了不同的中继缓存方案下网络中断概率(Outage Probability,OP)的闭合表达式。此外,为了提升性能评估效率和实时性,提出了基于卷积神经网络(Convolutional Neural Network,CNN)的性能预测方法。同时,为了避免输入数据重要特征信息的丢失,所提预测方法采用了一种去除池化层的改进CNN模型。仿真并对比了在不同参数条件下3种缓存中继方案的OP性能表现。预测结果表明,所提出的改进后的CNN预测方法能准确预测系统性能,并且较已有方案有更好的实时性。