一种基于正交失衡的MIMO OFDM辐射源指纹提取方法

在研究发射机和接收机正交失衡对MIMO OFDM系统影响的基础上,提出了基于正交失衡的指纹特征提取方法。通过构造特殊的训练序列,使用最小二乘算法对MIMO信道和发射机正交失衡进行估计,提取出反映正交失衡畸变的指纹特征,采用支持向量机对10个辐射源目标进行身份识别。实验结果表明,其性能优于基于调制域错误的方法。     

基于多域特征融合学习的辐射源个体识别算法

现有的基于专家经验的特定辐射源个体识别（Specific Emitter Identification,SEI）方法和基于深度学习的SEI方法,通常在单一类型辐射源畸变存在的场景下性能较好,然而在多种辐射源畸变同时存在的复杂场景下表现较差。为此,提出一种基于多域特征融合学习的辐射源个体识别算法,将原始接收辐射源信号转换为I/Q眼图、矢量图和Hilbert-VMD时频谱图等多域信号表示作为网络输入,并结合神经网络进行多域特征融合提取。实验结果表明,与现有的基于专家经验的SEI算法或其他单一信号表示输入的基于深度学习的SEI算法相比,该算法在符号信噪比10 dB下的识别增益约10%。     

一种基于相位噪声的MIMO OFDM辐射源个体识别方法

对MIMO OFDM发射机进行分类识别时,针对现有方法识别正确率较低的不足,提出一种基于相位噪声的MIMO OFDM辐射源个体识别方法.首先,对由相位噪声导致的共同相位误差(Common Phase Error,CPE)进行估计;其次,提取CPE的方差和星座点错误矢量平均功率作为指纹特征并进行特征融合;最后,使用支持向...