基于条件GAN的无人机智能光通信

首先介绍了无人机激光通信技术的先进性和重要性,然后引入深度神经网络(DNN)来开发无线端到端通信系统,其中DNN被应用于:编码,解码,调制和均衡。准确的信道状态参数(CSI)是计算DNN所必须的,但在激光通信系统中,信道信息很难提前获得或随时间和环境变化很大,本文将使用条件生成对抗网(GAN)来表示信道效应,其中发射机的编码信号和与导频数据相对应的接收信号将用作条件信息。通过对加性高斯白噪声(AWGN)和对数正态信道的仿真结果表示,该方法可以做到无明确CSI情况下完成高质量传输。     

大气激光通信系统中频域反卷积抑制乘性噪声的研究

大气湍流会导致大气激光通信链路误码率性能的恶化,提出了一种频域反卷积方法抑制大气激光通信系统中的乘性噪声。该方法有效地把反卷积技术与大气激光通信相结合,算法中加入快速傅里叶变换(FFT)模块,将信号转换到频域进行反卷积滤波,降低了算法复杂度。利用大气激光通信实测系统在雨天天气下进行实验验证,对比反卷积前后调制信号的星座图并分析系统误码率。实验结果表明,频域反卷积能够降低大气激光通信系统的误码率,是一种抑制大气信道乘性噪声的有效方法。     

一种适用多种空时编码方案的MIMO自编码器通信系统

为提升现有端到端通信系统的适应性与信道估计的准确性,提出了一种适用于多种空时编码方案的多输入多输出(Multiple-Input Multiple-Output,MIMO)自编码器通信系统.该系统将基于卷积神经网络的自编码器引入到MIMO系统中,并结合信道估计网络实现信道均衡,通过端到端的学习方式实现各种空时编码方案下...     

残差膨胀卷积结构下的多模态特征调制方式识别

自动调制方式识别技术在通信领域有着不可或缺的作用,针对传统的卷积神经网络在信号分类问题中特征提取能力不足的问题,本文研究了一种利用多维度特征的端到端双流膨胀卷积神经网络来对调制信号进行分类的方法。该方法不仅利用原始采样信号,还利用输入信号的瞬时幅度和相位信息;原始IQ(In-phase and Quadrature, IQ)数据输入进神经网络后,网络首先通过内置的数据预处理模块对输入的IQ信号进行预处理,提取原始信号的幅度和相位信息,再将原始IQ信号和幅度相位两种特征信息分别通过两个并行的卷积神经网络结构分别进行特征提取;本文所设计的双流卷积神经网络模型中的膨胀残差网络分支利用卷积核的膨胀卷积特性,将膨胀卷积与残差网络结构相结合,在网络参数不变的情况下使得卷积核具有更大的感受野,同时也能够更好地结合上下文信息,另一个网络分支是将卷积神经网络与长短期记忆神经网络相串联,然后将两个并行卷积神经网络的输出特征向量进行矩阵相乘达到两种特征信息融合的目的。整个识别过程是基于端到端的,数据预处理模块内嵌到神经网络内部,由神经网络完成对数据的预处理,只需将原始的IQ数据直接送入神经网络即可;仿真实验...     

离散混沌系统稳健差拍同步方法及其在保密通信中的应用

本文结合自适应信道盲均衡和离散混沌系统差拍同步提出了一种存在信道畸变时的离散混沌系统的稳健关拍同步方法。该方法把混沌误差同步作为能量函数,利用进化算法训练递归神经网络完成自适应信道盲均衡,均衡器的输出作为混沌接收器的激励信号,从而在完成信道盲均衡的同时混沌系统达到同步状态。此外,本文提出了一种利用离散混沌系统稳健差拍同步实现存在信道畸变时的保密通信方法。     

基于卷积神经网络的调制识别新方法

针对通信信号调制方式识别问题,提出了一种基于卷积神经网络的通信信号调制方式识别新方法,利用深度卷积网络实现了通信信号特征的自学习,避免了传统算法中特征提取与选择问题,并设计了基于自学习特征的分类器,实现了通信信号调制方式的识别。仿真结果表明,利用卷积神经网络实现通信信号调制方式的识别是可行、有效的。     

保密通信中稳健差拍同步方法的描述与验证

结合自适应信道盲均衡和离散混沌系统的稳健差拍同步提出了一种存在信道畸变时的离散混沌系统的稳健差拍同步方法.该方法把混沌误差同步作为能量函数,利用进化算法训练递归神经网络完成自适应信道盲均衡,均衡器的输出作为混沌接收器的激励信号,从而在完成信道盲均衡的同时混沌系统达到同步状态.此外,提出了一种利用离散混沌系统稳健差拍同步实现存在信道畸变时的保密通信的方法.     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法。该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知。实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率。     

DCGAN信道下的端到端通信系统设计

针对通信系统中长序列建模存在维度诅咒的问题,提出了一种基于深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks, DCGAN)信道建模的端到端通信系统改进方案。该方案将卷积神经网络(Convolutional Neural Network, CNN)和条件生成对抗网络(Conditional Generative Adversarial Network, CGAN)结合,利用CNN与全连接层(Fully Connected Layer, FC)的局部连接特性对传输长序列的信道进行建模。通过对参数重新设计及网络结构调整,获得了适应不同调制方式和信道类型的学习网络,将其应用端到端通信系统中,作为收发机之间梯度反向传播的桥梁。仿真实验表明,改进的DCGAN能够以减小的网络规模以及计算量成功地实现长序列建模,并且表现出良好的泛化能力。此外,将建模结果运用到端到端通信系统设计中,可以获得与传统数字调制系统相近的误比特率性能。     

基于深度神经网络的短波特定信号识别研究

在时变色散信道和低信噪比下,基于时频图利用深度神经网络的短波信号识别的方法对并行多音信号的识别能够取得一定效果,但常用的相位调制的串行单音短波信号识别难以取得较好效果。由于短波信号帧结构中都含有同步帧和发射电平起控帧等特征数据,提出了一种基于同步帧注意力机制的卷积神经网络结构。测试结果表明,使用卷积神经网络（Convolutional Neural Networks,CNN）、双向长短时记忆（Bi-directional Long Short Term Memory,Bi-LSTM）和注意力机制搭建成的深度神经融合网络模型对短波基带信号直接进行检测识别能够取得较好效果。     

基于深度卷积神经网络的协作频谱感知方法

针对传统卷积神经网络(CNN)频谱感知方法提取特征能力受限于网络结构简单,增加网络结构又容易出现梯度消失等问题,该文通过在传统卷积神经网络中添加捷径连接,实现输入层恒等映射更深的网络,提出一种基于深度卷积神经网络(DCNN)的协作频谱感知方法.该方法将频谱感知问题转化为图像二分类问题,对正交相移键控(QPSK)信号的协方差矩阵进行归一化灰度处理,并作为深度卷积神经网络的输入,通过残差学习训练深度卷积神经网络模型,提取2维灰度图像的深层特征,将测试数据输入到训练好的模型中,完成基于图像分类的频谱感知.实验结果表明:与传统的频谱感知方法相比,在低信噪比(SNR)下、多用户协作感知时,所提方法具有更高的检测概率和更低的虚警概率.     

信噪比自适应Turbo自编码器信道编译码技术

作为通信系统中基本的组成部分,信道编码使信息在传输的过程中能够抵抗信道的干扰。随着人工智能的发展,深度学习(Deep Learning,DL)越来越多地被用到通信领域解决实际问题。近年来,有学者提出将DL应用于端到端的信道编译码系统,并展现出了其良好的性能。现有基于DL的信道编译码方法在特定信噪比(Signal-to-Noise ratio,SNR)下训练网络模型,然而,在部署实际通信系统时,并不能保证信道条件和训练时是一致的,导致对于不同的SNR,需要存储大量模型。基于此,提出了自适应信道SNR的Turbo自编码器信道编译码系统,通过引入注意力机制感知信道变化,生成与信道条件相匹配的编码码字。仿真结果表明,该方法能够有效应对信道条件的变化,大幅降低设备端神经网络参数的存储开销。     

复数Chebyshev神经网络在信道均衡中的应用

首次把Chebyshev神经网络成功地应用在通信系统的信道均衡研究中,并且提出了适合于正交幅度调制(QAM)通信系统的复数Chebyshev神经网络均衡算法.计算机仿真表明,该算法在QAM通信系统的信道均衡中表现出了优良的性能.     

基于卡尔曼滤波的同步盲系统辨识与解卷积方法

在盲信道均衡或盲语音去混响应用中,盲多信道系统辨识通常是信号解卷积的前提条件,即盲辨识过程后跟一个解卷积过程。本文提出一种基于卡尔曼滤波的同步盲系统辨识与解卷积方法,其中卡尔曼滤波的状态矢量由多信道系统参数与源信号矢量组成,过程方程和测量方程则建立在单输入-多输出系统(SIMO)的输入输出关系及信道间交叉关联关系(Cross Relation)基础上。此外,盲系统辨识部分与解卷积部分是可以解耦的,生成两个看似独立的卡尔曼滤波问题,并且这两个卡尔曼滤波问题可以实现并行计算。与级联结构相比,这种并行结构更有利于算法优化和实时信号处理。仿真表明,对于无噪声理想信号模型,本算法可以实现完全系统辨识和解卷积(信号误差比可达到100 dB以上),说明理论正确;对于实测的混响语音信号亦可以实现一定的去混响效果。      

人工智能辅助的信道估计最新研究进展

作为第六代移动通信发展的主流方向,智能通信正在蓬勃发展中,且初步展示了其与传统通信方法相比的优势。人工智能辅助的信道估计作为智能通信的重要组成,在已有的研究成果中展示了其相比传统信道估计算法的优越性,尤其是基于压缩感知技术、超分辨技术、残差学习等开展的信道估计研究均获得了丰硕的成果。针对人工智能辅助的信道估计技术,结合近来学术界最新研究成果,分别从基于深度卷积神经网络、基于深度循环神经网络、基于超分辨技术、基于压缩感知技术 4 个维度展示了人工智能辅助的信道估计的全貌。最后,对比总结了4类信道估计方法优劣及其未来研究方向,展望了信道估计与深度学习结合的广阔前景。     

融合残差SENet的毫米波大规模MIMO信道估计

在户外光线追踪场景下,针对毫米波大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统受户外环境噪声干扰导致估计精度低的问题,提出了一种融合残差挤压激励网络(Squeeze-and-Excitation Network, SENet)的条件生成对抗网络的信道估计方法。该方法采用条件生成对抗网络将低分辨率接收信号重建为高分辨率的原始信号完成信道估计,同时在生成器网络中引入SENet网络模块来抑制户外场景下显著性噪声干扰,提高估计精度;最后将残差网络中的残差块添加到SENet的放缩操作后,提高条件生成对抗网络的收敛速度。仿真结果表明,相较于正交匹配追踪算法、卷积神经网络、去噪卷积神经网络和条件生成对抗网络算法,所提方法在户外噪声环境下估计精度平均提高了约2.2 dB,且在高噪声强度下估计精度的提高更为显著。     

脉冲噪声环境下水声通信信号调制识别方法

为了提高浅海脉冲噪声环境下水声通信信号调制识别的性能和实用性,提出了基于降噪自编码器和卷积神经网络的调制识别方法。首先,利用降噪自编码器对含噪声信号进行降噪处理,然后,利用卷积神经网络对降噪信号的功率谱图进行分类,从而完成调制识别。此外,采用数据迁移思想构造训练数据集对网络进行训练解决了目标水域数据样本不足的问题。仿真实验和实际信号测试结果验证了本文方法的有效性。与现有算法相比,具有较高的识别率,并且提升了目标信道数据不足条件下的识别性能。      

高频电子远程通信系统的优化设计与实现

针对高频电子远程通信系统失真较大,通信误码率较高的问题,提出基于波特间隔均衡设计的高频电子远程通信系统优化设计方法。首先构建高频电子远程通信系统的信道模型和高频电子信号传输模型;然后采用波特间隔均衡技术进行信道均衡设计;最后进行系统调试和仿真实验,仿真结果表明,该系统的高频电子远程通信的误码率低,信道均衡性能好,系统稳定性高。     

基于Welch功率谱和卷积神经网络的通信辐射源个体识别

针对低信噪比条件下通信辐射源个体识别率低的问题,提出了一种基于Welch功率谱和卷积神经网络的通信辐射源个体识别方法.构建了由20个基于ZigBee协议的物联网设备组成的测试平台,将ZigBee信号前同步码部分的Welch功率谱数据作为辐射源指纹特征送入卷积神经网络进行分类.该方法在低信噪比条件下很好地保留了辐射源的指纹特征,结合卷积神经网络强大的微特征提取能力,对辐射源进行了有效分类.实验结果证明,在瑞利信道及低信噪比条件下,所提方法的识别效果明显优于其他方法.     

基于CNN的毫米波无蜂窝大规模MIMO信道估计

针对小区间干扰导致蜂窝边缘无法满足不断增长的数据速率需求问题,毫米波无蜂窝大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统被认为是一种很有前途的解决方案。然而,毫米波的高频率、大带宽以及接入点配置的大量天线给信道估计带来了较大挑战。将毫米波大规模MIMO信道矩阵视为二维图像,结合图像去噪方法提出一种基于改进去噪卷积神经网络(Improved-Denoising Convolutional Neural Network, I-DnCNN)的信道估计算法。通过具有注意力机制的压缩与激励(Squeeze-and-Excitation, SE)模块,自适应调整提取的全局特征以增强对信道噪声特征的学习,根据接收信号估计出噪声等级图且增添为输入,提升对噪声的鲁棒性。最后,采用残差学习的方式获得估计信道矩阵。利用理论信道模型和基于波束追踪的信道数据集进行的仿真实验结果表明,与去噪卷积神经网络(Denoising Convolutional Neural Network, DnCNN)算法相比,所提算法在两个数据集下的信道估计精度可分别平均提升2.27...