基于深度学习的卫星信号调制识别算法

为实现卫星信号调制方式的分类,提出的高阶累积量与K最近邻算法(KNN)调制样式识别算法选取对噪声不敏感的5种高阶累积量特征参数用于信号的识别,通过KNN作为分类器对信号分类。实验结果表明,当信噪比(SNR)高于12 dB时,信号的调制方式可以被高效地识别,并且识别率趋近100%,但需要人工设计和提取特征参数。因此,提出了循环神经网络(Recurrent Neural Network, RNN)的卫星调制信号识别算法,以信号的IQ数据作为模型的输入,通过LSTM进行分时特征提取,全连接层进行分类,最终完成识别。在采样长度等于512,SNR大于4 dB时,识别率趋近100%。与KNN相比,LSTM网络的识别性能更为优越,尤其在低SNR的情况下,可以高效识别6种调制方式。     

基于压缩感知的室内多目标无线定位算法

针对现存无线传感器网络定位算法中需要采集、存储和处理大量数据导致运算量较大与能耗过高的问题,提出了一种改进的基于贝叶斯压缩感知的多目标定位算法.该算法利用锚节点对监控区域的划分,结合贝叶斯压缩感知理论将多目标定位问题转换为稀疏信号重构的问题.针对传统观测矩阵难以实现的缺陷,该算法中改进观测矩阵的设计可实现且与稀疏变换基相关性较低,进而使得算法的重构性能较高,从而降低了定位的误差.仿真结果表明,与现有的一些方法相比,所提算法在保证较低的计算复杂度的情况下更加充分地利用了网络节点,有效提高了定位精度,同时具有较强的鲁棒性.