复杂电磁环境中的常规通信信号的实时分选

为了能够从复杂电磁环境中提取常规通信信号的有效参数,研究了一种基于单天线接收的常规通信信号的实时分选方法。该方法由窄带信号检测、参数估计、信号跟踪三部分组成。提出了一种适用于高斯色噪声背景的窄带信号检测与参数估计的方法,给出了一种能够实时跟踪常规通信信号的算法。仿真结果表明,当信噪比高于0 dB时,窄带信号检测方法的正确率为92%以上,分选算法能够从复杂电磁环境中提取常规通信信号的有效参数,具有一定的工程实用价值。     

基于小波包的奇异信号检测方法及仿真

高压电器设备的故障大多与绝缘有关,而局部放电是造成绝缘损坏的主要原因之一。如何有效地从噪声和干扰中准确提取局部放电信号的特征,是绝缘故障在线检测的关键。针对高压电缆中的局部放电信号检测问题,提出了一种基于小波包的奇异信号检测方法。首先,分析后得到窄带信号和奇异的放电信号在小波包变换下会表现出截然不同的特性,然后利用这个特性,采用小波包的方法有效地抑制窄带干扰,并从噪声中提取出奇异的局部放电信号。仿真结果显示出在两项指标中,同步性指标大于99％,相似性指标大于90％,这证明了该算法能够从噪声和干扰中,有效地检测并提取出高压电缆中的局部放电信号。     

一种直扩信号的检测方法

在非协作通信中,基于循环谱理论的检测方法是直扩信号检测的重要方法之一.目前,该方法都是假设背景噪声和干扰为平稳信号.但是实际上,直扩信号面临严重的窄带干扰,特别是在军事领域,更是面临敌方有意的人为强窄带干扰.由于存在调制,人为的窄带调制信号都存在循环平稳特性,这对目前基于循环谱理论的直扩信号检测方法提出了挑战.文中通过理论分析、MATLAB仿真,分析了直扩信号、窄带调幅干扰信号,验证了窄带调幅信号具有循环平稳特性,提出了利用循环谱包络检测存在窄带调幅干扰的直扩信号检测方法,并写出了具体的算法.     

基于改进窄带水平集的三维肝脏肿瘤分割

三维肝脏肿瘤识别是当前研究的热点问题,如何准确快速地从腹部CT序列中分割出肝脏肿瘤是肝部病变诊断的基础。针对水平集方法在进行分割时收敛速度较慢,设置窄带宽度固定不灵活的缺点,先利用分水岭算法,对肝脏图像进行“过分割”,搜索初始轮廓所在的分水岭块作为窄带区域进行标记,在窄带区域内用水平集算法使初始轮廓线收敛至准确轮廓。再以其边缘作为相邻CT序列的肿瘤初始轮廓,找出初始轮廓线所在的分水岭块,构成新的窄带,用水平集算法对轮廓线进行迭代分割出肿瘤。重复该过程,直至完成整个肝脏序列图像的肿瘤图像分割,进行三维重建。     

电子通信系统复合式干扰智能识别技术研究

针对传统方法对电子通信系统复合式干扰信号未能精准识别,导致识别准确度较低,提出了一种电子通信系统复合式干扰智能识别技术.分析电子通信系统的传输速度与距离联合欺骗干扰,得到干扰信号的运作流程,在拖引头坐标系内进行滤波跟踪,并构建系统跟踪模型,初步检测系统内的复合干扰信号,分析系统信号的常规时域特征并提取,完成对复合式干扰进行识别,但未能区分较多的复合干扰信号,添加规则库,并将识别过程分化成若干种划分子流程,每一种子流程都使用相对应的特征,搜索对应的规则库,只需要某种规则的要求得到满足,就能够直接识别出系统内的复合式干扰信号.实验证明,所提方法有着较好的稳定性与鲁棒性,并且效率要比传统方法的效率高更多.     

基于特征参数的BPSK信号调制识别方法研究

研究通信信号调制方式和准确识别技术问题,是信号处理中的关键技术,并在军事和民用领域具有重要的作用,特征参数的调制方式识别方法主要分为特征参数提取和分类识别两个部分.在特征参数的调制识别方法的基础上,针对BPSK信号的特点,采用上述方法对BPSK信号进行调制识别,并在不同参数条件下通过仿真验证方法的有效性.仿真结果表明,特征参数的调制方式识别方法能在不同参数条件下准确识别出BPSK信号,提高了低信噪比条件下BPSK信号的识别准确率.     

基于多端CNN的通信信号自动调制识别研究

为有效解决通信信号自动调制识别的调制类型识别率低和调制强度识别误差高的问题,研究了基于多端CNN的通信信号自动调制识别方法。根据不同类型调制方法的作用原理,设置通信信号调制识别标准。考虑通信信号的传输过程,构建通信信号模型,利用带通采样工具采集初始通信信号,通过小波消噪、归一化等步骤,完成初始信号的预处理。利用多端CNN算法构建通信信号识别器,提取幅值、相位、频率等通信信号特征参数,通过特征匹配得出信号调制类型与强度的识别结果,实现通信信号自动调制识别。通过与传统识别方法的对比得出结论：综合考虑有、无干扰两种类型的通信信号,优化设计识别方法的调制类型识别率提高了49.6%,调制强度识别误差降低了约0.0285。     

分数阶Fourier变换在水声信号处理中的应用研究

线性调频（LFM）信号瞬时频率随时间呈线性变化,当干扰噪声与其强耦合时,经典的滤波方法难以有效的滤除噪声。针对水声通信中采用LFM信号作为载体时滤波效果不明显的问题,提出了一种改进的分数阶Fourier变换（FRFT）滤波方法。水听器接收到的LFM信号在最佳变换域经FRFT变换后,同时对期望信号进行FRFT变换,系数修正后再对信号进行窄带滤波处理。仿真结果表明,在信噪比高于-12dB时,新算法能够有效的实现信噪分离,还原出信号。     

多径信道下数字信号调制识别的研究

在通信信号调制方式识别中,目前已有的方法大多是基于高斯白噪声干扰的通信环境.对于多径干扰强的环境下的调制识别难以实现以及识别率低的问题,首先提出基于改进的Liavas算法对信道阶数进行准确估计,在此基础上利用基于子空间的多信道盲辨识和盲均衡来克服多径信道带来的影响,然后对均衡结果进行高阶累积量计算,提取特征参数完成调制识别.与已有的算法相比,适用范围广,实用性强,所需先验知识少.仿真结果证实算法的有效性.     

基于模糊函数三维特征的雷达辐射源信号分选方法

提取并补充新的特征参数,是解决当前复杂体制雷达辐射源信号分选难题的有效途径.由于模糊函数能够很好地展现信号波形的内在信息,从主、侧视角分别提取模糊函数三维图的主岭重心、主峰分布半径作为雷达辐射源信号分选的特征向量.核模糊C均值聚类实验表明,所提出方法在10dB以上的固定信噪比环境下分选6类典型信号的成功率均为100{%     

一种异常无线电通信信号实时检测方法

采用构造型神经网络对大规模通信信号进行聚类,提出了时幅关联比较法快速检测异常无线电信号。聚类中,在初始聚类粒度选择上进行了改进,采用增加初始聚类粒度权系数的方法,提高了聚类效率;异常信号检测中,提出了时间与信号功率谱幅度联合关联的时幅关联比较法,快速地检测异常信号。实验结果验证了该方法的可行性和实效性。     

一种新的未知雷达辐射源聚类分选方法

未知雷达信号的分选一直是雷达对抗情报处理中的难题。因此,提出了一种新的基于数据势场聚类的未知雷达信号分选方法。该方法无需预先指定分类数,利用信号参数之间的关联性自动进行聚类,以此达到分选的效果。同时方法适宜于处理大量数据,对噪声影响不敏感,无需先验知识支撑。最后,通过计算机仿真验证了该方法的可行性和有效性。     

基于高斯平滑与模糊函数等高线的雷达辐射源信号分选

雷达辐射源信号分选是电子侦察系统、威胁告警系统的关键步骤.针对现有基于模糊函数的复杂体制雷达辐射源信号分选方法信息利用率低、易受噪声影响等问题, 提出一种基于模糊函数等高线的分选新方法; 首先, 对信号的模糊函数进行高斯平滑处理并绘制其等高线作为进一步的特征提取对象; 其次, 从图像处理的角度提取正外接矩和方向角作为雷达信号分选的特征向量; 最后, 用核模糊C均值聚类算法对特征向量进行分选.仿真实验表明, 所提方法在8 dB以上的固定信噪比环境下分选6类典型信号的成功率均为100 %, 即使在0 dB环境下, 分选成功率也保持在89.04 %以上; 在0 ~ 20 dB动态信噪比环境下分选成功率达到96.36 %.实测数据验证, 所提特征提高了5种外场辐射源信号的分选效果, 可作为经典5参数的有效补充. 此外, 所提特征还具备较低的计算量, 提取单个信号特征的耗时仅为0.24 s, 具有一定的工程价值.     

光纤通信网络入侵干扰信号定位检测仿真

针对当前检测方法存在干扰信号定位效果较差、检测时间过长,提出了基于粒子群算法的光纤通信网络入侵干扰信号定位检测方法。对网络入侵信号进行分析,并以此构建网络入侵干扰信号采样和信号传输结构模型,结合时间序列分析法,对序列入侵干扰信号进行FIR滤波进行抗干扰滤波处理,根据模型给出的幅值参数,提取入侵干扰信号特征。将提取的入侵干扰信号特征与LSSVM参数编制为二进制粒子,利用网络入侵检测的正确率和特征子集维数权值构造粒子群目标函数,利用粒子群寻找到最优特征子集以及LSSVM参数,并且引入混沌机制保证粒子群的多样性,并在此基础上,构建最优网络入侵检测模型,将K-means算法引入到入侵检测模型中,将网络入侵干扰信号进行定位,实现光纤通信网络入侵干扰信号定位检测。实验结果表明,所提方法有效减少了检测时间,并且减少了干扰信号定位误差,提高定位精度。     

基于干扰消除的MIMO-OTFS系统信号检测研究

高迁移率条件下正交时频空间(OTFS)调制技术的性能优于正交频分复用(OFDM),而在常规的多输入多输出系统(MIMO)信号检测中,基于干扰消除信号检测技术的复杂度较大.针对此缺点,提出了一种改进的基于信干噪比(SINR)排序的信号检测算法.该算法先算出每一层信号的信干噪比,然后利用信息传递(MP)检测技术检测出每一层信号并通过干扰消除检测出全部信号.最后通过仿真对算法进行了验证,结果表明改进后的算法具有更好的性能.     

基于K-means算法改进的SOM神经网络调制识别分类器

通信过程中,获得情报信息的关键步骤是清楚接收到的调制信号的调制方式.随着现代通信技术的高速发展,人工智能广泛应用于调制方式识别领域.提出将自组织特征映射(Self-Organizing feature Map,简称SOM网络)神经网络用于调制制式的识别.用K均值(K-means)聚类算法来寻找每类特征参数的两个聚类中心...     

Contrastive Clustering for Unsupervised Recognition of Interference Signals

Interference signals recognition plays an important role in anti-jamming communication. With the development of deep learning, many supervised interference signals recognition algorithms based on deep learning have emerged recently and show better performance than traditional recognition algorithms. However, there is no unsupervised interference signals recognition algorithm at present. In this paper, an unsupervised interference signals recognition method called double phases and double dimensions contrastive clustering (DDCC) is proposed. Specifically, in the first phase, four data augmentation strategies for interference signals are used in data-augmentation-based (DA-based) contrastive learning. In the second phase, the original dataset’s k-nearest neighbor set (KNNset) is designed in double dimensions contrastive learning. In addition, a dynamic entropy parameter strategy is proposed. The simulation experiments of 9 types of interference signals show that random cropping is the best one of the four data augmentation strategies; the feature dimensional contrastive learning in the second phase can improve the clustering purity; the dynamic entropy parameter strategy can improve the stability of DDCC effectively. The unsupervised interference signals recognition results of DDCC and five other deep clustering algorithms show that the clustering performance of DDCC is superior to other algorithms. In particular, the clustering purity of our method is above 92%, SCAN’s is 81%, and the other three methods’ are below 71% when jamming-noise-ratio (JNR) is −5 dB. In addition, our method is close to the supervised learning algorithm.