一种低信噪比直扩信号的检测方法

针对低信噪比直接序列扩频(DS／SS)信号难以检测的问题，特别是QPSK调制的直扩信号，本文提出了一种新的相关检测方法。该方法将PSK信号的自相关函数能量集中时段提取出来处理，从而提高检测性能。计算机仿真表明，在信号带宽内信噪比为-12dB时，该方法不仅能够有效检测QPSK调制的直扩信号，而且对BPSK调制的直扩信号也有同样的检测性能。     

基于四阶累积量的二次谱法检测DS_SS伪码周期

在二次谱方法提取直扩信号扩频周期的基础上，提出了一种基于四阶累积量一维切片的直扩信号二次谱检测法。这种方法不要任何先验条件，利用接收信号的四阶累积量一维切片代替信号的相关函数做二次功率谱检测。克服了高斯白噪声对信号检测的影响，降低了直扩信号的伪码周期检测的信噪比的门限。理论推导和仿真结果表明，该方法能在极低信噪比的条件下检测直扩信号的扩频周期。     

同步多用户长码直扩信号的盲解扩

针对同步多用户长码直扩信号,该文提出了一种低信噪比条件下的盲解扩算法。该算法通过将多用户长码直扩信号建模为含有缺失数据的同步多用户短码直扩信号,采用SVT算法实现扩频码波形序列子空间估计,并在此基础上利用EM算法完成信号的盲解扩。计算机仿真表明即使在较低信噪比条件下,该算法也具有优良的盲解扩性能,且与合作解扩性能相近。     

基于残差神经网络和注意力机制的频谱感知方法

随着通信技术的发展,频谱感知技术已经成为解决频谱资源稀缺的重要解决手段之一。针对传统的频谱感知方法在低信噪比(Signal to Noise Ratio, SNR)下准确率较低的问题,提出一种基于残差神经网络和注意力机制相结合的正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)频谱感知方法。将频谱感知问题转化为图像二分类任务。通过分析OFDM信号的循环自相关特征,将其灰度处理以生成循环自相关灰度图像。利用改进后的残差神经网络进行训练,提取这些灰度图像的深层特征,使用测试数据验证所得到的频谱感知模型。仿真实验结果表明,在低SNR条件下,所提方法表现出更出色的频谱感知性能,优于传统频谱感知技术。     

基于神经网络的低信噪比直扩信号扩频码的盲估计方法

针对低信噪比直扩信号扩频码的盲估计问题,本文首先用离散卡-洛(K-L)变换的方法对直扩信号进行了研究,得出了在已知信号伪码参数的前提下对低信噪比直扩信号的伪码序列进行盲估计是可行的,并将该问题抽象为一个信号主分量提取问题.然而该K-L变换在伪码序列很长时的计算存储量和计算量都比较大,于是进一步提出了一种主分量神经网络(N. N.或Neural Networks)的解决方法,该方法充分利用了无监督N. N.的自适应主分量提取特性,能较好完成直扩信号伪码序列的盲估计,从而使直扩信号的盲解扩成为可能.理论分析和数值结果都表明本方案能工作在较低的输入信噪比条件下.     

应用增强二次谱估计直扩信号扩谱周期

在二次谱方法提取直扩信号扩谱周期的基础上，提出一种增强直扩信号二次谱的方法。这种方法不利用先验条件，在直扩信号二次谱的基础上，通过二次谱的局部统计分析，克服时域平稳噪声的影响，增强信号扩谱周期的特征谱线。实践证明，这种方法能在极低信噪比条件下快速准确提取直扩信号的扩谱周期。     

直扩信号的相关函数包络检测法

针对未知DS/SS信号的存在提出了一种基于自相关理论的快速检测方法,可以在低信噪比条件下将扩频信号从噪声环境中检测出来。同时该方法还可以较为准确地估计出直扩信号的伪码周期。给出了相关函数的包络峰值提取法理论分析,建立了相应的实验仿真系统并进行了性能测试,能够在较低的输入信噪比下良好地工作。     

基于谱相关的直扩信号检测及噪声抑制分析

直扩信号是二阶循环平稳信号,根据谱相关分析方法,利用直扩信号非零循环频率处的谱线特征,可将直扩信号从噪声背景中检测出来。为消除基底噪声,采用电子测量中的3σ准则对直扩信号的循环谱进行了消噪处理,便于实现检测,仿真论证了该方法在低信噪比条件下的有效性。     

负信噪比直扩信号伪码盲估计方法

给出了一种采用延迟相关积累和信号子空间分析实现对负信噪比直扩（DSSS）信号伪码盲估计的方法。计算机仿真结果表明，该方法可以在-15dB信噪比条件下检测信号并估计出伪码、载波频率等参数，估计结果可以实现非合作解扩解调。     

采用压缩感知的直扩测控信号处理

鉴于扩频测控系统宽带化带来的高速采样压力和高数据率问题,研究了基于压缩感知的直扩测控信号处理方法。通过深入分析直扩测控信号稀疏性,构造了延时-多普勒基字典,提出了基于压缩感知直扩测控信号处理框架,并针对直扩测控信号特点给出了改进正交匹配追踪重构算法,最后针对该信号处理方法的可行性和性能分别进行了仿真实验。仿真结果不仅验证了方法的可行性,同时表明可以在不影响解调性能条件下大幅度降低采样率或数据率,并具有一定的降噪效果,这将为直扩测控通信系统提供一种高效的模数转换和同步解调处理方式。     

基于半监督联合神经网络的调制识别算法

针对基于有监督学习通信信号分类算法需要大量有标签训练样本,而在实际场合大多无法满足数量要求的问题,提出利用数据驱动模型的半监督学习方法,通过对比预测编码无监督算法预训练和有监督学习相结合,利用LSTM (long short term memory)和ResNet (residual network)联合神经网络实现小样本自动提取特征,提高小样本条件下信号识别准确率。在真实通信调制信号集上实验表明,半监督联合神经网络结构较以往方法,识别准确率提升3%-20%,小样本条件下性能提高60%,同时在低信噪比条件下识别能力突出,0dB时对11种调制信号平均识别正确率达到92%,具有明显优势。      

基于SOM网络的DSSS信号扩频序列估计

针对直接序列扩频信号(DSSS)的检测与估计问题,本文提出了一种基于自组织(SOM)神经网络的DSSS信号伪码(PN)序列估计算法。计算机仿真和实验结果表明,该方法与传统的谱相关方法相比,能在较低的信噪比情况下很好的进行工作。     

Non-Supervised Learning for Spread Spectrum Signal Pseudo-Noise Sequence Acquisition

An idea of estimating the direct sequence spread spectrum (DSSS) signal pseudo-noise (PN) sequence is presented. Without the apriority knowledge about the DSSS signal in the non-cooperation condition, we propose a self-organizing feature map (SOFM) neural network algorithm to detect and identify the PN sequence. A non-supervised learning algorithm is proposed according the Kohonen rule in SOFM. The blind algorithm can also estimate the PN sequence in a low signal-to-noise (SNR) and computer simulation demonstrates that the algorithm is effective. Compared with the traditional correlation algorithm based on slip-correlation, the proposed algorithm's bit error rate (BER) and complexity are lower.     

基于LSTM神经网络的频谱感知算法

在频谱感知中经典的能量检测算法在低信噪比时检测性能较低且门限难以估计,基于机器学习的感知算法受限于检验统计量的构造会造成接收信号原有结构信息的丢失。针对这些问题,本文提出一种基于LSTM神经网络的频谱感知方法,首先利用接收信号序列作为神经网络的输入特征向量,然后使用LSTM神经网络进行训练得到分类器,最后使用训练好的模型实现频谱感知。该方法无需估计检测门限值,也无需构造特征向量,仿真结果表明,所提算法在采样点和次级用户更少的情况下仍优于对比算法。      

Modulation classification based on the collaboration of dual-channel CNN-LSTM and residual network

Deep learning has recently been progressively introduced into the field of modulation classification due to its wide application in image, vision, and other areas. Modulation classification is not only the priority of cognitive radio and spectrum sensing, but also the link during signal demodulation. Combining the advantages of convolutional neural network(CNN), long short-term memory(LSTM), and residual network(ResNet), a modulation classification method based on dual-channel CNN-LSTM and ResNe...     

基于LSTM神经网络的卫星频谱多门限感知算法

针对在卫星认知通信场景下传统频谱感知算法感知性能低、受通信时延影响大的问题,提出了一种基于长短期记忆(LSTM)神经网络的卫星频谱多门限感知算法。首先构建卫星认知通信模型,其次将仿真数据送入长短期记忆(LSTM)神经网络进行预测感知,采用动量随机梯度下降(SGDM)算法对网络进行更新,然后提出多门限算法对网络输出进行优化,最后与其他神经网络算法作性能对比。该算法无需构建特征值,实验结果表明:在卫星信道条件下,当面对低接收信噪比及低网络迭代次数时,该算法频谱感知性能要优于其他神经网络算法。      

基于改进ResNet的射频指纹识别方法

在无线网络安全和可能存在的射频设备管理应用范围内,针对多个发射同种射频信号的高度相似射频设备的分类识别问题,提出了一种信号双谱与改进的残差神经网络(Residual Neural Network,ResNet)的射频指纹识别方法.首先,将采集到的不同设备的信号做双谱变换得到双谱等高图并打上设备标签,再使用搭建好的改进残...     

基于随机共振和信息几何的协作频谱感知方法

为提高频谱感知系统在低信噪比环境下对微弱信号的感知性能,提出了一种基于随机共振技术和信息几何理论的频谱感知方法。首先通过随机共振技术增强输入信号的能量,以提高感知信号的信噪比。然后,基于信息几何理论将信号矩阵的协方差矩阵对应成流形上的点,并计算流形上样本点之间的散度距离作为感知信号的特征数据。最后,采用BP神经网络对信号特征数据进行分类,有效避免了决策阈值的计算,快速实现了频谱决策。仿真实验证明,所提方法在低信噪比条件下具有更好的感知性能,有效提高了复杂环境下的频谱检测概率。     

基于信号能量分布拟合优度的长短时记忆网络频谱感知算法研究

传统频谱感知算法性能在低信噪比下不够理想,在高信噪比下较好,算法性能随信噪比降低逐渐变差。本文提出了基于信号能量分布拟合优度的长短时记忆网络频谱感知算法,利用授权用户信号存在时的接收信号为基础,计算接收信号的能量分布,并将通过拟合优度算法得到的距离值作为特征构造特征向量,然后将特征向量输入长短时记忆网络训练得到模型,最后将测试数据输入训练模型进行预测,从而实现频谱感知。仿真结果表明,本文提出的新算法在信噪比为-13 dB,采样点数为28时,检测概率达到96.21%,明显优于传统能量检测算法和传统拟合优度算法。      

基于信任度与信噪比的认知无线电协同频谱检测

无线网络中存在信噪比较高的恶意认知用户的情况,为了有效利用可靠的认知无线电(CR)技术用户的本地感知结果,提出了一种基于信任度的信噪比比较协同频谱感知算法,可有效剔除认知网络中存在的信噪比较高的恶意认知用户。仿真实验表明,在存在恶意认知用户的认知无线电网络中,该算法检测性能优于传统的或准则(OR)数据融合的协同频谱感知算法以及基于信噪比比较协同频谱感知算法。