OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,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。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。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,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,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基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。     

干扰抑制类生成式对抗网络

为进一步改善超低频频段的通信质量,在传统改进广义旁瓣抵消算法的基础上,提出新的超低频干扰抑制算法——生成式旁瓣抵消算法。该算法将人工智能研究热点之一的生成式对抗网络模型引入广义旁瓣抵消算法中,通过优化设计生成模型的网络结构及相关超参数,有效地解决了原算法存在的期望信号残留问题,为旁瓣抵消通道中的后级滤波算法提供了与主通道相关性更强的干扰参考信息,从而提高了算法对主通道干扰估计的准确性。为了验证优化后生成模型的有效性以及所提算法对不同类别干扰的抑制能力,在实验室环境下搭建实验平台,设计了多组对照实验。实验结果表明:优化后的生成模型具有较好的生成能力、较好的鲁棒性以及相对较低的运算复杂度;相比于传统改进的广义旁瓣抵消算法,所提算法进一步提高了信号带宽内的信干噪比。     

装甲战车图像跟踪系统技术研究

在高技术条件下的局部战争中,装甲战车应具备精确的打击能力、目标获取能力和态势感知能力,这就需要一个能对抗复杂场景的目标跟踪系统。针对用于装甲战车的目标跟踪系统所存在的关键技术,提出了应用于复杂场景下的目标长时跟踪算法,实现了目标受遮挡情况的自适应判定和目标丢失的重捕获,在目标发生尺度变化、姿态变化、光照变化、遮挡等复杂情况下仍具有良好的跟踪效果;设计了一套视频跟踪器系统,通过实验验证,可实现对比度优于5%,目标像素数大于2×2,部分遮挡及完全遮挡的复杂战场环境下目标的稳定跟踪。