一种变结构抗梳状谱干扰的通信体制

当代的电磁环境对通信抗干扰的要求不断提高,必须不断探索更有效的抗干扰方法以提高通信性能。在此背景下针对高斯信道提出一种变结构抗常见梳状谱干扰的通信体制,该方法主要利用双极性脉冲扩展二元相移键控调制的优势,在不同的信道环境下选择不同的调制方式并调节相应的调制参数。通过仿真分析可以预见,在梳状谱干扰通信信道下,该通信体制能够以较小的代价获得较好的抗干扰效果。     

基于BP神经网络水声通信调制模式识别的研究

介绍一种水声通信模式识别的方法,利用水声通信信号的特征参数,构建基于BP神经网络的水声通信信号调制识别系统,实现水声通信信号的调制识别。在不同信噪比条件下,仿真水声通信信号,建立训练和测试样本。仿真实验结果表明,在一定仿真条件下,该方法的识别正确率可以达到90%以上。     

超短波跳频通信系统抗梳状谱干扰性能分析

当前对付高速跳频通信最有效的干扰方式为梳状谱干扰,为深入分析超短波跳频通信抗梳状谱干扰的性能,分析了梳状谱干扰的基本原理,采用仿真方法重点研究不同干扰带宽、干扰样式条件下的抗梳状谱干扰能力,得到了相应的误码率曲线,为进一步的实装测试提供了仿真数据参考.     

降低频率非等间隔梳状谱干扰信号的峰均功率比研究

在通信对抗中,频率非等间隔的干扰信号可以有效地对敌方跳变频电台实施干扰。针对频率非等间隔梳状谱干扰信号峰均功率比(PAPR)较高的问题,从相位优化的角度出发,提出了一种降低频率非等间隔梳状谱干扰信号PAPR的新方法,通过最速下降法寻找一组能够降低频率非等间隔梳状谱干扰信号的PAPR的最优初始相位组合,仿真结果表明该方法能够有效抑制频率非等间隔梳状谱干扰信号的PAPR。     

新型干扰样式对某型雷达干扰效果研究

在分析了一种新型干扰样式——梳状谱干扰信号产生方法的基础上,建立了梳状谱干扰信号的数学模型,并仿真得到了梳状谱干扰信号波形和功率谱。在分析了某型地面情报雷达接收和信号处理技术的基础上,建立了该雷达的系统模型,以此为平台,仿真分析了梳状谱干扰信号对该雷达的干扰效果,并与传统阻塞式干扰信号对该雷达的干扰效果进行比较分析,得到了有益的结果。研究成果将为我军雷达的合理部署和使用,以及电子对抗装备技术的发展和作战使用提供支持。     

通信语音干扰效果评估方法

通信语音干扰效果评估,是指对语音通信系统接收的受扰语音信号进行分析,确定语音信号被干扰程度的技术。准确地评估干扰效果是研制通信对抗设备、评估电子对抗态势以及了解通信质量等活动的重要依据。针对超短波通信干扰系统,提出了基于梅尔频率倒谱系数(MFCC)特征、小波统计特征和感知特征的统计测度,结合最小二乘、反向传播(BP)神经网络以及支持向量回归(SVR)拟合回归模型的评估系统,其预测值和主观评估值的相关系数达到0.9以上,保障了该干扰评估系统的实用性。研究了基于深度学习的无参考评估方法,并利用实测数据验证了其有效性,准确率达到了87%,高于多测度融合评估方法。     

基于奇异值分解与神经网络的干扰识别

无线通信中的抗干扰技术对通信的稳定性和安全性都具有重要意义,干扰识别作为抗干扰技术的重要环节一直是研究的热点。该文提出一种基于奇异值分解与神经网络的干扰识别方法,该方法只计算信号矩阵的奇异值即完成特征提取,与传统方法相比节省了多个谱特性的计算量。仿真结果表明：基于奇异值分解与神经网络的干扰识别方法与传统方法相比在干信比为0 dB左右的条件下识别准确率有10%～25%的提高。     

基于分数阶Fourier变换的宽带干扰识别方法

宽带压制性干扰是直接序列扩频系统面临的主要干扰威胁之一,对宽带干扰样式的识别与参数估计可为直扩通信双方采取有针对性的抗干扰措施提供有益参考。针对直扩系统常见的宽带干扰类型,通过提取5个特征参数值,提出了一种基于分数阶Fourier变换和分层决策分类算法的宽带干扰样式自动识别方法,并给出了仿真结果及其分析。仿真结果表明,该方法可以有效识别无干扰、窄带干扰、宽带噪声干扰、宽带梳状谱干扰和宽带线扫频干扰情况,具有识别率高、算法简单、信号采样时长短、稳定性和鲁棒性好等优点。     

衰减全反射傅里叶变换红外光谱法结合模式识别分析橄榄油中掺杂大豆油的研究

采用衰减全反射傅里叶变换红外光谱(FTIR-ATR)结合模式识别的方法建立橄榄油的快速鉴别模型。实验中测定不同品牌的纯橄榄油样本与纯大豆油样本以及橄榄油中掺入大豆油的混合油样本的FTIR-ATR光谱。将625~4000 cm-1波段的光谱数据作为鉴别研究对象,应用主成分分析法(PCA)对光谱数据进行降维处理,再结合Fisher判别分析和多层感知器神经网络两种模式识别的方法对纯橄榄油、纯大豆油以及三种掺杂有大豆油的橄榄油样本进行鉴别。结果表明:对原始数据所采用的预处理方法中,经小波去噪后的数据的鉴别效果最佳。PCA结合Fisher判别分析建立的判别模型,原始判别的准确率达到100%,交叉验证的准确率达到97.1%;多层感知器神经网络鉴别模型训练集分类准确率为100%,测试集分类准确率为100%。因此,FTIR-ATR光谱技术结合模式识别方法可以实现对纯橄榄油、纯大豆油以及三种掺杂有大豆油的橄榄油样本的鉴别,而且具有操作简便、快速、可靠等优点。     

基于Hilbert信号空间的未知干扰自适应识别方法

针对大样本下未知干扰类型的分类识别问题,该文提出一种基于信号特征空间的未知干扰自适应识别方法。首先,基于Hilbert信号空间理论对干扰信号进行处理,建立干扰信号特征空间,进而利用投影定理对未知干扰进行最佳逼近,提出基于信号特征空间的概率神经网络(PNN)分类算法,并设计了未知干扰分类识别器的处理流程。仿真结果表明,与两种传统方法相比,该方法在已知干扰的分类精度方面分别提高了12.2%和2.8%;满足条件的未知干扰最佳逼近效果随功率强度呈线性变化,设计的分类识别器在满足最佳逼近的各类干扰中总体识别率达到91.27%,处理干扰识别的速度明显改善;在信噪比达到4 dB时,对未知干扰识别准确率达到92%以上。     

基于卷积神经网络的调制样式识别研究

自动调制样式识别分类是解调前的重要步骤,在频谱管理、认知无线电、智能调制解调器、监视和干扰识别等许多应用中发挥着重要作用。深度学习具有强大的分类能力,基于深度学习中的卷积神经网络,将映射成星座图的具有不同调制样式的通信信号馈送进神经网络,从而达到通信信号调试样式识别分类的目的。基于实验目的,提出一种改进的卷积神经网络结构可实现对七种不同的调制样式的分类,在信噪比≥5dB时,识别率可达97.99%,信噪比≥9dB时,识别率可达100%。     

基于自注意力机制的干扰信号检测识别

为了解决卫星通信系统在对抗电磁环境中的干扰实时检测识别问题,提出了一种基于自注意力(Self-attention,SA)机制的高效轻量化网络模型。通过采用DenseNet加速对原始IQ信号的特征提取,并引入自注意力模块代替参数量较大的多重卷积层,实现对卫星通信系统中常见的干扰样式进行分类识别。仿真结果表明,在识别准确率方面达到常规的神经网络模型和算法性能水平的条件下,所提模型在网络复杂度和运算时延方面得到有效压缩。     

卫星通信干扰信号识别技术研究现状及展望

随着通信技术的发展,卫星通信系统面临着日益严重的干扰问题以及干扰识别技术的挑战。针对这一现状,介绍了常见的卫星干扰信号样式及卫星干扰信号的发展趋势,分别从基于特征提取的干扰识别方法、传统机器学习方法以及深度学习方法3个方面介绍了卫星干扰信号分类识别技术的研究现状,分析了其各自的优势与不足。最后对未来卫星干扰信号分类识别技术进行了展望。     

基于栈式自编码机和模糊函数主脊的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征存在提取周期长、特征描述不完备等局限性,提出了一种基于深度学习栈式自编码机和模糊函数主脊的雷达信号识别方法.该方法根据信号模糊函数主脊包含丰富的内在调制信息的特点,从信号中提取用于分类识别的抽象特征.通过对六种雷达辐射源信号进行实验,并对比人工特征提取及其他深度学习方法,结果表明,本文所提方法在信噪比（signal-noise ratio,SNR）为2 dB以上时均能保持100%的识别准确率,SNR为-6 dB时识别准确率仍能保持82.83%以上,明显高于其他方法.即使在包含相同调制类型不同参数的信号环境中,当SNR大于0 dB时识别率均稳定在95.0%以上,SNR降低到-4 dB时识别率也能达到79.0%.证明该方法能有效提取到信号的深层特征,且具有良好的抗噪性能,基本满足实际战场的需求.     

基于ResNet_NSCS的通信信号调制识别

针对通信信号调制识别的特征提取问题,为进一步提高识别准确率,提出了一种基于嵌套式跳跃连接结构的残差网络(ResNet of Nested Shortcut Connection Structure,ResNet_NSCS)调制识别算法。该算法在残差神经网络(Residual Neural Network,ResNet)基础上,通过借鉴ResNet多通路选择思路,引入嵌套式恒等跳跃连接结构,利用提取的特征实现不同调制方式的分类。仿真结果表明,面向RadioML2016.10a数据集,较卷积神经网络(Convolutional Neural Network,CNN)算法和卷积神经网络_长短时记忆网络(Convolutional Neural Network_Long Short Term Memory Network,CNN_LSTM)算法,以增加网络复杂度为代价,ResNet_NSCS算法收敛速度快,识别准确率高。     

CSM neural network for degraded printed character optical recognition

In pattern recognition applications, the classification power of a system can be improved by combining several classifiers. Obviously performance of the system cannot be improved if the individual classifiers make all the same mistakes, thus it is important to use different features and different structures in the individual classifiers. In this context, we propose a two subnets neural network called CSM net. The first subnet, or similarity layer, is operating as a similarity measure neural network; it is based on the complementary similarity measure method (CSM). The second subnet is a competitive neural network (CNN) based on the winner takes all algorithm (WTA) that is used for the classification. In the proposed neural architecture, the statistical CSM method is analyzed, and implemented in the form of a feed forward neural network, it is named “similarity measure neural network” (SMNN). We show that the resulting SMNN synaptic weights are modified versions of the model patterns used in the training set, and that they can be considered as a memory network. We introduce a relative distance data calculated from the SMNN output, and we use it as a quality measurement tool of the degraded characters, what makes the SMNN classifier very powerful, and very well-suited for features rejections. This relative distance is used by the SMNN and compared to a first rejection threshold to accept, or reject, the incoming characters. In order to guarantee a higher recognition and reliability rates for the cascaded method, the SMNN is combined with a second subnet based on the WTA for classification using a second specific rejection threshold. These two submits combination (CSM net) boost the performance of the SMNN classifier. This is resulting in a robust multiple classifiers that can be used for setting the entire rejection threshold. The experimental results that we introduce are related to the proposed method, but the tests are introduced with various impulse noise levels, as well as the tests with broken and manually corrupted characters, and characters with various levels of additive Gaussian noise. The experiments show the effective ability of the model to yield relevant and robust recognition on poor quality printed checks, and show that the CSM net outperforms the previous works, both in efficiency and accuracy.     

基于深度学习的复杂背景图像分类方法研究

复杂背景图像受背景干扰后不易被识别。针对这一问题,文中提出了基于前景分割机制的卷积神经网络图像分类方法。采用全卷积神经网络对图像前景区域进行自动分割,通过图像中前景区域周围的最小边界框对其进行定位。对于定位的前景区域,构建卷积神经网络对其进行处理以区分不同的类别,从而实现复杂背景图像的分类。将提出方法在公开数据集中提取的单一背景和复杂背景图像数据集上进行对比实验,并使用迁移学习与数据增强等方法优化模型。实验结果表明,所提方法使用前景区域分割相比于仅分类CNN具有更高的准确度,且复杂背景图像上的准确度提升幅度要远大于单一背景图像。该结果说明引入前景区域分割对于复杂背景图像分类模型准确度的提升具有一定帮助,能够显著前景区域特征并减少背景因素的干扰。