基于深度神经网络的OFDM系统IQ不平衡补偿技术

正交频分复用(OFDM)是现代移动通信中一项重要的物理层通信技术，并且OFDM系统要求子载波间严格正交。然而在实际系统中，振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase，IQ)不平衡，从而破坏子载波的正交性，严重影响OFDM系统的性能。本文研究了IQ不平衡对OFDM系统的影响，提出了基于并联深度神经网络的IQ不平衡补偿技术。该算法利用了深度神经网络不依赖于模型的特点，直接从接收到的频域信号恢复原输入信号的二进制序列，并利用IQ不平衡的干扰信号来自镜像子载波的先验知识来初始化神经网络，加快其网络优化的收敛速度。仿真结果表明，该算法能有效地补偿IQ不平衡失真，并且在幅度和相位失真的补偿上，其性能都优于传统的导频的最小二乘（LS）估计补偿IQ不平衡的算法，证明了深度学习方法解决物理层问题的优越性。     

OQAM/OFDM系统中基于压缩感知的离散导频信道估计方法

针对多径信道条件下,偏移正交幅度调制的正交频分复用(OQAM/OFDM)系统中采用导频序列方式进行信道估计时导频开销较大的问题,提出一种基于压缩感知的离散导频信道估计方法。该方法利用无线信道的稀疏特性,建立基于压缩感知的OQAM/OFDM系统信道估计模型,对离散导频结构进行了优化设计,使较少的导频符号随机分布在子载波上,在接收端利用信号恢复算法实现信道估计。该方法能够显著减少导频数量,并实现高精度信道估计性能,通过实验仿真对比验证了所提方法在慢时变和快时变的无线信道条件下的有效性。     

OFDM系统中高功率放大器预失真技术研究

针对正交频分复用(OFDM)系统中高功率放大器(HPA)固有的非线性特性导致频谱再生和邻道干扰等问题,介绍了一种高功率放大器的自适应预失真技术,该技术采用查表法对信号进行预失真。本文用M AT-LAB仿真研究分析了基于查表法自适应基带预失真算法的有效性。仿真实验表明:该预失真算法可以有效地降低放大器所带来的OFDM信号频谱再生等非线性失真,提高了系统的性能。     

OFDM雷达信号子载波调制方式识别方法

针对多径信道下传统方法识别OFDM雷达信号子载波调制方式存在识别正确率较低,识别子载波调制方式不完备,判决门限不易确定等问题,提出一种新颖的OFDM雷达信号子载波调制方式识别方法。利用OFDM雷达信号的瞬时幅度绝对值标准偏差,实现子载波多进制正交振幅调制（MQAM）和多进制相位调制（MPSK）的类间识别,利用组合高阶累积量作为识别特征量,对MQAM和MPSK两类调制方式中的子类间进行分类识别,利用递归降价的方法实现子载波调制阶数M>16的MQAM调制方式的识别。仿真实验结果表明,该方法能够有效实现多径信道下OFDM雷达信号多种子载波调制方式的识别,且识别性能更优,可以识别更完备的子载波调制方式类型。     

基于改进NSGA-II的雷达通信一体化信号功率优化设计

为提高雷达通信一体化功率资源的利用率,提出一种OFDM(Orthogonal Frequency Division Multiplexing正交频分复用)一体化信号功率控制方法。根据OFDM分集特性,建立雷达互信息及通信容量与子载波功率间的多目标函数。通过改进初始种群生成及自适应选择交叉算子提高NSGA-II(Non-Dominated Sorting Genetic Algorithm)第二代非支配排序遗传算法）的收敛速度。基于改进算法求解多目标函数的非支配解集,确定下一时刻各子载波功率分配策略。仿真证明,在有限的功率资源下自适应分配子载波功率能够提升一体化系统性能。     

正交频分复用水声通信自适应调制算法

分析预估信道长度对信道估计算法的影响规律,提出利用水声通信均衡恢复信号统计量对信道估计质量评估的方法。通过信道长度自适应修正机制,实现对未知水声信道的高精度估计。针对水声信道造成的正交频分复用子载波特性差异,基于信道估计结果,提出在码元总速率、能量约束条件下,各个正交频分复用子载波速率、功率优化分配的自适应调制算法。与传统的等功率、速率分配算法相比,新算法能够显著提升水声通信系统的误码率性能,通过仿真和实地试验,验证了研究内容的有效性。     

降低OFDM雷达PAPR的SLM改进算法研究

正交频分复用(orthogonal frequency division multiplexing,OFDM)雷达信号具有良好的分辨力和较高的频谱利用率,其中基于混沌二相编码调制的OFDM雷达信号由于具有结构灵活、更优的脉压性能和较强抗干扰能力等优点受到广泛青睐,但是在系统中存在的高峰均比问题使得OFDM雷达在实际应用受到限制。针对各载波不同混沌二相编码序列调制的OFDM雷达信号,提出一种基于混沌粒子群的选择性映射(selective mapping,SLM)算法来降低OFDM雷达信号中的高峰均比问题。实验结果表明:相比于传统SLM算法和基本粒子群SLM算法,基于混沌粒子群的SLM算法在降低OFDM雷达信号的峰均比方面具有更好的效果。     

正交频分复用/偏移正交振幅调制半盲信道估计

非合作通信背景下,针对传统干扰近似法(IAM)进行正交频分复用(OFDM)/偏移正交振幅调制(OQAM)系统信道估计需要导频符号值作为先验信息的问题,提出一种基于OQAM符号特征的IAM(OCBIAM)估计算法。该算法利用IAM导频结构和OQAM实符号的有限集特征,将信道衰落系数幅度和相位分开估计,在仅获得导频位置而未知导频符号值的条件下实现了OFDM/OQAM系统半盲信道估计。并且证明了OCB-IAM算法由于利用接收符号的二阶统计量将高斯白噪声变为非随机的单音干扰,从而在中低信噪比条件下具有优于IAM算法的估计性能。仿真实验验证了理论推导的正确性和OCB-IAM算法的可靠性。     

散射通信中OFDM/OQAM的ICI和ISI分析

散射通信以其特有性能在无线通信领域发挥着重要作用,但存在传播损耗大、多径传输和衰落问题,基于交错正交幅度调制的正交频分复用系统(OFDM/OQAM)无需循环前缀,既具有传统正交频分复用系统(OFDM)抗多径干扰的优势,又利用滤波器组消除多径信道之间的符号间干扰(ISI)和载波间干扰(ICI),而无需保护间隔,提高了频谱利用率。建立了对流层散射信道抽头延迟线信道模型,分析了ICI和ISI的数学统计特性,将OFDM/OQAM系统与CP-OFDM/QAM系统进行对比。仿真分析表明:散射信道下OFDM/OQAM系统较传统的OFDM系统抑制ICI和ISI具有明显优势,误码率(BER)明显降低,为实现散射信道的高速率、大容量可靠通信提供了的方向指导。     

OFDM水声通信自适应调制算法研究

分析预估信道长度对信道估计算法的影响规律,提出了利用水声通信均衡恢复信号统计量对信道估计质量实时评估的方法,通过信道长度自适应修正机制,实现了对未知水声信道高精度、快速估计；针对水声信道造成的OFDM子载波特性差异,基于信道估计结果,提出了在码元总速率、能量约束条件下,各个OFDM子载波局部速率、功率优化分配的自适应调制算法,相比于传统的等功率、速率分配算法,新算法能够显著提升水声通信系统的误码率性能,通过仿真和实地试验,验证了本文研究内容的有效性。     

柔性神经网络滑模主动控制技术

针对复杂激励条件下的振动控制,对Jiles-atherton模型的磁致伸缩作动器在双层隔振系统中的主动控制进行了研究。以传统滑模控制为基础,提出一种柔性神经网络滑模控制算法。用正则化方法设计控制器的切换矩阵,建立神经网络权值和柔性映射参数更新学习公式,并将该控制策略应用于双层隔振系统的振动主动控制中。通过单频、多频及随机信号激励进行仿真研究,结果表明:柔性神经网络滑模控制器具有较强的鲁棒性,具有较好的控制效果。     

面向射频指纹识别的高效IQ卷积网络结构

现有应用于射频指纹识别的卷积网络对时序同相正交(in-phase and quadrature-phase,IQ)信号的处理都是将其简单视为图像进行的,存在识别准确率低和计算量大的问题。针对以上问题,提出了一种基于IQ相关特征的卷积神经网络结构。该网络分步提取了IQ相关特征及时域特征,通过自适应平均池化获得了各通道特征均值,并用单个全连接层进行分类。实验结果表明,较传统卷积网络结构,所提网络在多种场景下的识别准确率更高,并且计算量更小。     

基于滤波与BP神经网络的水下探测信号检测算法

针对水下探测系统探测船舶磁场信号时信噪比较低的问题,首先根据磁异常信号的频域特征,设计了约束最小二乘FIR滤波器,通过对含噪信号进行带通滤波,滤除高频噪声;再采用BP神经网络对低频分量进行学习,提取船舶目标特征信号。将该算法应用于船模实测实验,结果表明:该算法可以显著提高信噪比,增强对船舶磁场信号的检测能力。     

一种新型的OFDM智能天线

根据自适应天线阵列理论,结合给定的参考波束的误差,引入虚拟干扰的概念,对目标波束图形状进行调整,提出一种新的可以应用于任意类型天线阵列的波束综合算法.应用提出的新算法,在主瓣和旁瓣位置都可以对波束进行有效的调节.最终获得阵列的最优权矢量,能够最小化目标波束图与参考波束图间的差异.理论分析与仿真结果表明,与现有的同类算法相比,该算法能更有效地获得与参考波束基本相符的波束.应用于OFDM智能天线系统时,对不同子载波频率上信号进行单独处理,利用该算法进行波束综合,能够在整个有效频段,使所有子载波上获得基本一致的阵列输出.     

基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理；设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力；利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。     

OFDM系统非数据辅助采样频率偏差估计的Cramér Rao界

研究了OFDM系统中非数据辅助采样频率偏差估计性能的衡量问题,推导了其Cramér Rao界(CRB).根据中心极限定理,对接收信号中的子载波间干扰进行近似,推导了在未知调制信息时接收信号的概率密度;根据CRB的定义,对非数据辅助采样频率偏差估计的CRB进行了推导;通过蒙特卡罗积分的方法得到了在不同OFDM基带调制方式...     

基于递归神经网络的C3I系统故障预报系统

阐述了C3I系统故障预测系统的设计要求,分析了带有偏差单元的递归神经网络的相关原理,建立了C3I系统故障的神经网络预测模型并提出了相应的训练算法.提出了把神经网络、预测理论和专家系统有机地结合起来建立故障预报系统的初步设想.并以防空C3I系统的典型故障为例,实现了故障的预测.预测结果证明,给出的神经网络预测模型和训练算法是可行的,且具有较高的精度.