基于改进LMS加BP神经网络的二相码旁瓣抑制

研究了BP神经网络在二相码旁瓣抑制中的应用,采用自适应学习速率梯度下降算法对网络进行训练,为了提高网络的抗噪声及多目标背景下的检测性能,训练的样本向量选取理想样本结合含噪声样本混合模式。此外,在将接收到的回波信号送入网络前,使其通过改进的自适应滤波器,以提高输入的信噪比。实验表明,对127位M码调相的不加噪声单目标回波,该算法能够使脉压输出的主旁瓣比达到60dB以上,并且在多目标及噪声环境下具有较好的性能。     

无线光通信下极化码DNN-NOMS译码方法研究

针对无线光通信中大气湍流引起极化码置信度传播译码性能不佳的问题,提出了一种无线光通信下极化码DNN-NOMS （Deep Neural Networks-Normalized and Offset Min-Sum）译码方法。首先,把传统的极化码置信传播译码算法因子图转化为类似于低密度奇偶校验（Low-density Parity Check, LDPC）码的Tanner图,在Tanner图展开并转化为深度神经网络（DNN）图形表示的基础上,将MS（Min-Sum）译码方法同时添加归一化因子和偏移因子来给Tanner图的边赋予权重,简化极化码对数似然比的计算方法,通过限制训练参数的数量,选取在损失函数最小的条件下的因子参数,训练得到最优归一化因子和偏移因子的译码模型。仿真结果表明,在不同的大气湍流强度下,该译码方法以牺牲较小的存储空间为前提的情况下能选取更优的归一化因子和偏移因子参数,从而获得更好的误码率性能,且大幅度降低译码复杂度;在误码率为10?4时,DNN-NOMS译码方法能产生0.21~3.56 dB的性能增益,且将迭代次数的运算次数降低87.5%。     

基于四进制频移键控调制的无线光通信同态滤波技术研究

基于无线光通信链路噪声特性,建立了大气信道等效数学模型。针对大气湍流引起的信号起伏,对通过大气信道的四进制频移键控(4FSK)已调信号采用了同态滤波技术去噪,同态系统中线性滤波器设计了零相位数字滤波器。当信源码字长度取500时,同态滤波去噪后的信号通过过零检测进行解调,在光强闪烁指数s2σ=0.1,信噪比10 dB时,误码率达到7×10-4,滤波效果明显优于传统数字滤波器。仿真结果表明,同态滤波能有效地滤除大气信道中的乘性噪声,能够有效地抑制大气湍流,提高光通信可靠性。     

基于BPSK的低压电力线载波通信系统研究

电力线通信技术是利用电力线传输数据或信号的一种通信方式。针对低压电力线通信易于受到用电设备的启停、切换和负载变化产生噪声的问题,详细分析了低压电力线的噪声源的种类、噪声的频谱特征和噪声模型,构建了一种以240 k Hz正弦信号为载波低压电力线通信系统,设计了基于Kasier窗函数的带通滤波器,分析了BPSK解调算法,并对BPSK接收性能进行了分析。仿真和实测结果表明,在信噪比为-15 d B时,设计的BPSK调制解调器的误码率约为0.3%。     

自由空间光通信中极化码的应用研究

【目的】在自由空间光（FSO）通信中,大气湍流效应会导致通信链路性能下降。【方法】文章提出了一种极化码信道编译码方案,使用蒙特卡洛算法构造了针对FSO通信中常见的Gamma-Gamma分布大气湍流信道的极化码。比较了文章提出的极化码编译码方案与未编码以及相近码长的低密度奇偶校验（LDPC）码在Gamma-Gamma分布大气湍流信道下的误码率（BER）。【结果】仿真结果表明,所提极化码与未编码比较时,在弱湍流强度下,当信噪比>6.7dB时,极化码方案性能相较于未编码更优;在中湍流强度下,当信噪比>10.3dB时,极化码方案性能相较于未编码更优;在强湍流强度下,当信噪比>11.5dB时,极化码方案性能相较于未编码更优。所提极化码与LDPC码比较时,在弱湍流情况下,当信噪比>7.1dB时,极化码整体性能优于LDPC码;在中湍流条件下,当信噪比>10.6dB时,极化码整体性能优于LDPC码;在强湍流条件下,当信噪比>12dB时,极化码整体性能优于LDPC码。此外,在码长短、码率低和译码宽度小时,文章所提出的极化码编译码方案具有更优的性能。【结论】使用所提极化...     

大气湍流对激光通信系统的影响分析

大气湍流是影响大气激光通信系统性能的主要因素之一。在忽略光通信系统中的其它噪声且仅考虑 由大气湍流引起的系统误码率的情况下,对激光信号在大气湍流中斜程传输时的通信系统误码率(BER)、信噪比(SNR)与 对数振幅起伏之间的关系进行了研究;依据ITU--R公布的随高度变化的大气结构常数模型,用FORTRAN对信噪比和误码率在 不同波长与不同天顶角的条件下随高度的变化情况进行了数值模拟。结果表明,当传输高度相同时,用长波激光和较小的天顶角 进行斜程传输,可以有效地减小系统的误码率和增加系统的信噪比,从而提高激光的通信质量。     

大气激光通信系统中频域解卷积抑制乘性噪声的研究

大气湍流引起的乘性噪声会导致大气激光通信链路性能的恶化,引起误码率增加.在Gamma-Gamma湍流信道模型下,采用频域解卷积滤除4PSK调制大气激光通信系统中的乘性噪声.通过计算机仿真对4PSK大气激光通信系统的星座图和误码率进行分析,结果表明在不同天气条件下采用频域解卷积可以滤除系统的乘性噪声,有效地抑制了大气湍流对大气激光通信系统的影响,减小了大气激光通信系统的误码率.     

残差扰动网络辅助的BP译码算法

极化码的置信传播(Belief Propagation,BP)译码算法性能相比于其他极化码译码算法并不具有优势。为了改善这一现象,提出了一种基于残差网络和扰动译码算法相结合的BP译码算法。该算法通过在传统BP译码算法的基础上添加残差神经网络对接收信号进行处理,使其更大概率地落在可正确译码区域内,从而达到改善传统BP译码算法的译码性能的目的。仿真结果表明,在误比特率为10－4时,所提算法相比于传统的BP译码算法约有0.7 dB的性能增益,相比于BP-RNND(50)（BP- Residual Neural Network Decoder）译码算法约有0.6 dB的性能增益;同时,在低信噪比时所提算法的平均迭代次数相比于传统BP译码算法约有60%的降低。     

太赫兹波段复合型FSS带通滤波器的分析与设计

利用谱域法对频率选择表面 (frequency selective surface,FSS) 结构进行理论分析,设计了中心频率为0.338 THz工作在大气通信窗口的复合型FSS带通滤波器。该滤波器是对圆环槽单元滤波器进行改进,增加了三极子单元,通过研究结构参数对滤波性能的影响关系,进行结构优化。实验表明,该滤波器综合滤波性能更好,3 dB带宽可以达到69.5 GHz,回波损耗小于-13.46 dB,带内插入损耗小于0.45 dB,带内纹波低到0.1 dB,且通带平坦,有较好的带外抑制和矩形系数,边带比较陡峭。同时该滤波器在不同极化波和相同极化波不同入射角度入射时都有很好的频率稳定性,能有效地用于太赫兹通信。     

太赫兹波段FSS带通滤波器的分析与设计

用HFSS仿真软件设计并分析了太赫兹频段的频率选择表面带通滤波器。其中缝隙滤波器的中心工作频率为0.346THz,透过率达到99.37%,3 dB带宽可以达到75 GHz。3层方环级联带通滤波器的通带比缝隙滤波器通带更为平坦,3 dB带宽达到了100 GHz,矩形系数也有大幅度提高。两种滤波器在不同极化波和相同极化波不同入射角度入射时都有很好的频率稳定性,并且中心工作频率在太赫兹大气窗口,可适用于太赫兹通信。     

基于领域自适应的动态噪声辐射源个体识别

现有基于深度神经网络的辐射源识别算法受训练场景限制,当待测信号与训练数据集的信道环境噪声不一致时,网络的识别性能严重退化.为了克服该问题,本文提出一种基于迁移学习的辐射源个体识别算法.该算法结合领域自适应的思想,建立优化模型将不同信噪比下信号的特征对齐,使在特定信噪比下训练的神经网络学习到与信道噪声无关的射频指纹特征,...     

紫外目标探测弱信号处理方法研究

为了提高紫外探测系统性能,研究具有高灵敏性紫外目标探测弱信号处理方法是关键问题之一。首先,在阐述紫外目标探测原理的基础上,分析紫外目标辐射特性。其次,研究自适应噪声抵消信号处理的一般方法,以及基于最小均方误差LMS准则、递推最小二乘RLS准则和线性神经网络ADALINE的三种具体的自适应噪声抵消算法。再次,提出采用功率信噪比来衡量滤波算法的性能。最后,通过仿真计算比较分析这三种算法的滤波效果。结果表明:采用LMS和RLS算法信噪比提高约12.5 dB,且LMS算法比RLS算法略优,而采用ADALINE算法信噪比至少改善26.6 dB,可实现高性能滤波。对于紫外目标探测弱信号处理方法的发展与深入研究具有一定的作用和意义。     

Modulation recognition method based on multi-inputs convolution neural network

In order to identify the main modulation modes adopted in current satellite communication systems,a signal modulation recognition algorithm based on multi-inputs convolution neural network was proposed.With the prior information of the signals and knowledge of the network topological structure,the time-domain signal waveforms were converted into eye diagrams and vector diagrams to represent the shallow features of the signals.Meanwhile,the modulation recognition model based on multi-inputs convolution neural network was designed.Through the training of the network,the shallow features were deeply extracted and mapped.Finally,the signal modulation recognition task was completed.The simulation results show that compared with the traditional algorithms and deep learning algorithms,the proposed method has a better anti-noise performance,and the overall recognition rate of this algorithm can reach 95% when the signal-to-noise ratio is 5 dB.     

基于1D-Concatenate的信道估计DNN模型优化方法

为提高DNN模型在无线通信中信道估计精度,提出一种基于1D-Concatenate的信道估计DNN模型优化方法。该方法将Concatenate进行一维（1D）数据转换,以跳跃连接的方式引入DNN模型,抑制梯度消失问题,运用1D-Concatenate恢复网络训练过程中丢失的数据特征,提高DNN信道估计精度。为验证优化方法的有效性,选取较典型的基于DNN的无线通信信道估计模型进行对比仿真实验。实验结果表明,本文提出的优化方法对已有DNN模型的估计增益提升可达77.10%,在高信噪比下信道增益提升可达3 dB。该优化方法能有效提高DNN模型在无线通信中的信道估计精度,特别是高信噪比下提升效果显著。     

基于深度学习的水下无线光通信信噪比改善研究与实现

复杂的水下环境造成了水下光信号的质量下降,为提升水下无线光通信系统信号信噪比,结合深度神经网络提出了一种信噪比改善方法,该方法通过信号频谱有效抑制了信号噪声.实验结果表明:针对1m传输距离的水下无线光通信16阶正交振幅调制-正交频分复用(16QAM-0FDM)信号,该方法可以实现约17 dB的信噪比提升同时误码率降低至...     

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。     

基于循环神经网络的卫星幅相信号调制识别与解调算法

针对卫星通信中常用的幅相调制信号,提出了一种基于循环神经网络的信号识别与解调模型.通过循环神经单元直接对信号时序进行深层特征提取,结合全连接神经网络对特征进行维度映射,最终完成目标信号的调制识别与解调.该方法不需要预估目标信号载噪比,克服了人为确定阈值的缺陷,对信号频偏误差、定时误差容忍能力强;且在开发维护和更新拓展方面,克服了传统算法需重新部署判决规则的缺点,符合实际工程需求.仿真实验表明,当网络训练达到稳态时,在信噪比为6dB的条件下,目标信号识别率接近98%,解调误码率接近理论门限.本文所建立的理论形式为当今智能化信号处理提供了新思路,其思想同样可应用于其他通信信号处理领域.     

深度神经网络在无源定位中的应用研究

针对无源定位中噪声统计特性不准确和对多源信息的综合利用,提出一种利用深度神经网络（DNN）的无源定位方法,该方法将训练集数据输入到深度神经网络中进行学习训练,利用随机失活这一正则化方法提高了模型的泛化能力,对模型的超参数选择进行二维搜索,最终得到深度神经网络模型的最优参数设置。将其和传统的无源定位方程解算方法以及单层神经网络模型进行对比,仿真结果表明提出的方法能有效降低噪声对无源定位的精度影响,增强了系统鲁棒性,同时也证明了深度神经网络对多源信息的综合利用能力。     

基于前馈神经网络的非合作PCMA信号盲分离算法

针对非合作接收PCMA混合信号盲分离中高复杂度束缚,提出一种基于前馈神经网络的分离算法,通过搭建神经网络分离平台,规避传统的发送符号遍历思想,实现PCMA混合信号低复杂度高性能盲分离.仿真实验表明,神经网络能够极大挖掘信号内在信息,针对QPSK调制PCMA混合信号,在信噪比7dB时误比特率达到10^-3数量级,并伴随着较PSP分离算法算术平方根级别的复杂度降低.