基于认知无线电的GEO与LEO卫星频谱共存

随着新的宽带多媒体业务的发展，宽带无线频谱的需求日益增长。同时，低轨道（LEO）卫星由于其传输损耗低、传播时延小而被大规模部署。为了更好地利用频谱资源，卫星通信系统普遍采用高轨道（GEO）卫星与LEO卫星频谱共存的方案来提高频谱利用率。在频谱共存的过程中，提出了一种基于动态阈值的能量检测与波束跳跃相结合的算法，以减小LEO对GEO卫星的干扰。首先对LEO卫星的信噪比进行估计并实时选择最优阈值，然后利用基于动态阈值的能量检测算法对GEO卫星信号进行判别，最后根据判断的结果进行波束调整。仿真结果表明，提出的基于动态阈值的能量检测算法的检测误差明显低于传统的基于固定阈值的能量检测算法和基于二阶循环统计量的频谱感知方法。当信噪比低于-10dB的情况下，检测误差低于0.2；而当信噪比高于-5dB时，检测误差趋近于0。     

基于自适应门限的改进BigBand算法

BigBand算法是一种利用信号普遍稀疏特性的欠采样算法。传统BigBand算法依靠经验设置固定门限,在低信噪比和噪声变化剧烈的情况下,频谱混叠会使噪声的值被叠加放大,信号与噪声难以明显区分,频谱感知能力差。针对该问题,提出了一种基于自适应门限的改进BigBand算法,利用预设信号虚警概率获得初始噪声门限和信号门限,并根据感知环境信噪比动态调整门限阈值,再依据经验选择噪声或信号门限作为门限阈值进行信号判决与感知。实验结果表明,相较于传统BigBand算法,该改进算法能适应低信噪比和噪声变化剧烈的环境,抗干扰性较好,具有更好的频谱感知能力。     

基于滑动截获和信号相关的对流层散射频谱感知

为提高对流层散射频谱感知的性能，提出了适应对流层散射多径衰落信道的频谱感知方案。针对对流层散射频谱感知性能低下的问题，在分集接收的基础上，分析对流层散射信道的时域扩散特性，提出滑动截获的方式截获信号，计算其最佳截获长度。同时，为降低噪声对检测性能的影响，利用信号的相关性，求出各截获窗内信号的相关矩阵，构造统计量，分别推导在Nakagami-m衰落信道模型下不同分集数时的检测概率和检测门限。通过仿真实验分析，验证在不同条件下所提频谱感知算法的性能，与传统算法相比，所提算法在对流层散射信道中适应性更好、性能更强。     

卫星接收系统抗干扰的卷积盲分离算法

提出一种新的卷积混合盲分离算法,并把该算法应用到卫星通信抗干扰中,将通信信号和干扰信号分离开,以实现抗干扰的目的。该算法使用基于初等反射矩阵的高阶累积量联合对角化法来分离卷积混合的卫星通信信号和干扰信号。计算机仿真表明,在噪声环境下,信噪比大于10dB时该算法有较好的分离效果,信噪比小于10dB时分离性能有所下降,但基本也能实现分离,且与其他文献中方法相比具有计算复杂度低、分离性能好的特点,因此更适宜用于卫星通信抗干扰。     

基于EfficientDet的无预训练SAR图像船舶检测器

针对多尺度、多场景的合成孔径雷达(SAR)图像船舶检测问题，提出了一种基于EfficientDet的无预训练目标检测器。现有的基于卷积神经网络的SAR图像船舶检测器并没有表现出其应有的出色性能。重要原因之一是依赖分类任务的预训练模型，没有有效的方法来解决SAR图像与自然场景图像之间存在的差异性；另一个重要原因是没有充分利用卷积神经网络各层的信息，特征融合能力不够强，难以处理包括海上和近海在内的多场景船舶检测，尤其是无法排除近海复杂背景的干扰。SED就这2个方面改进方法，在公开SAR船舶检测数据集上进行实验，检测精度指标平均准确率(AP)达到94.2%，与经典的深度学习检测器对比，超过最优的RetineNet模型1.3%，在模型大小、算力消耗和检测速度之间达到平衡，验证了所提模型在多场景条件下多尺度SAR图像船舶检测具有优异的性能。      

无人机复杂电磁环境频谱特征反演测量

针对复杂电磁环境对无人机用频设备的干扰和威胁，本文提出了一种复杂电磁环境信号频谱特征的反演方法。该方法基于小波变换原理对无人机典型用频频段电磁信号进行变换处理，对其频谱特征进行奇异性检测，结合信号降噪处理等技术去除频谱伪奇异点对接收信号频谱特征进行反演测量，并对该方法进行了仿真验证。仿真结果表明该方法反演复杂电磁环境频谱特征满足无人机数据链抗干扰设计要求。     

基于最大后验概率准则的天基星座网络多用户检测方法

天基星座网络中用户可以随意进出自由组网，活动用户的数量、身份和发送的数据随机变化，对接收用户的性能造成很大影响。多用户检测是指识别每个活动用户的身份并检测每个活动用户发送的数据。传统方法假设活动用户数等于网络可以容纳的最大用户数，这种方法模型比较简单且误码率性能不够理想。提出了一种基于最大后验概率准则的多用户检测方法，该方法将用户的活动状态建模为马尔科夫链，并将多用户检测转换为在网格图中使用BCJR算法搜索最优路径。仿真结果表明，当活动状态错误概率和符号错误概率达到10^-3时，本文所提方法与对照方法相比分别获得2.6 dB和1 dB信噪比增益。     

时频重叠复用系统的低复杂度序列检测算法

利用时频重叠信号(Overlapped Hybrid-Division Multiplexing, OVHDM)实现高频谱效率数据传输,性能优于多电平调制方案.介绍了OVHDM信号模型以及最佳检测算法.为了降低检测的复杂度,提出了联合软干扰消除的序列检测算法--SIC-SE:软干扰消除后的各子载波数据流,在序列检测前首先通过基于快速矩阵逆的有限冲激响应滤波器.该算法的检测复杂度远低于最大似然检测算法,性能优于传统的软干扰消除算法.仿真表明,基于该检测算法的编码OVHDM系统性能优于使用相同信道编码的QAM-OFDM系统.     

基于神经网络的OFDM信道补偿与信号检测

针对非线性失真和多径效应混合的复杂信道条件，提出一种基于神经网络的正交频分复用（OFDM）信道补偿与信号检测的方法。首先接收端信号利用最小二乘（LS）算法和迫零（ZF）算法做预处理，然后再输入到一层全链接层的神经网络进行进一步的信道补偿与信号检测，并恢复数据流。仿真结果表明，在没有进行输入信号功率回退（IBO）时，所提方法的误比特率（BER）性能比LS算法提升2个数量级，比线性最小均方误差（LMMSE）、最小均方误差（MMSE）提升一个数量级；在进行IBO后，所提方法能避免LS信道估计下至少4 dB的功率损失，能避免LMMSE、MMSE信道估计下至少2 dB的功率损失。所提方法在一定程度上验证了机器学习结合通信的先验知识的这种新的网络结构更能提升系统数据传输的准确率。      

基于MSST及HOG特征提取的雷达辐射源信号识别

针对传统雷达信号识别算法在低信噪比下识别准确率低的问题,提出了基于多重同步压缩（MSST）时频变换及方向梯度直方图（HOG）特征提取的雷达辐射源信号识别算法。所提算法在雷达时域信号短时傅里叶变换（STFT）基础上进行多重同步压缩处理获得信号时频分布图,通过HOG算子对信号时频分布图进行HOG特征提取,将提取的HOG特征通过主成分分析法（PCA）进行降维,将降维后的特征参数送入支持向量机（SVM）对雷达信号进行分类与识别。实验结果表明：所提算法具有较低的复杂度,当信噪比为-8 dB时,仿真实验与半实物仿真实验针对9种典型雷达信号的识别准确率达到90%以上。     

基于SSA和BSS的单通道盲信号分离算法

针对空间侦察中单通道宽带接收机截获到多个独立辐射源信号时的盲源分离问题,提出了一种新的单通道盲信号分离算法。该算法首先利用奇异谱分析（SSA）构建伪阵列信号,进而采用盲源分离算法（BSS）实现信号分离。仿真试验表明：该算法可以有效地分离空间侦察中的几种常用信号,对单频信号和线性调频信号构成的单通道信号,在信噪比大于6dB时,分离前后信号的相似系数大于0.9;对不同的相移键控信号构成的单通道信号,在信噪比大于4dB时,误码率小于0.01。     

低信噪比下分组交织器识别

针对现有的分组交织器识别算法计算复杂高且容错性差缺点，从分组交织后的同步码分布规律出发，提出了一种新的识别算法。首先，利用数据矩阵统计特性，给出了在任意矩阵列数下，同步码和随机业务数据位置上的概率密度分布函数，基于最小错误判决准则，设定了同步码检测门限，同时基于3倍标准差准则，求解出稳健的交织周期识别门限；其次，分析了数据矩阵中每一行与每一列累积量之间的对应关系，提出了一种快速交织周期遍历方法，使得数据矩阵的构建次数大大减少；最后，总结了4个分组交织后同步码分布规律，通过遍历同步码序列，利用同步码之间的位置关系，实现交织同步位置、分组交织列与交织行参数快速识别。仿真结果表明:所提算法具有较强的低信噪比容错性，在信噪比为-6 dB条件下，参数识别率能够达到98%以上，同时与现有的算法相比，其性能提升4~10 dB且计算效率明显提高。      

卷积线性混合模型下的复非高斯信号盲源提取

雷达信号的多径效应导致基于瞬时线性混合模型的盲源分离算法不再适用。为此，提出了一种基于FastICA的复非高斯信号盲源提取方法。该方法将混合系统建模为卷积线性混合模型，使得信号模型中不需要将每个多径信号都看作一个独立的源信号，既节约了接收通道数量，又降低了盲源分离过程的复杂度，利用待提取信号的非高斯性实现高斯背景下复非高斯信源的提取。实验结果表明：在信干比为-30 dB时，所提方法能够快速、有效地处理卷积线性混合模型下复非高斯信源的提取问题，为该场景下的微弱信号提取提供了一种新的方法。     

一种改进的数字信号调制方式自动识别算法

数字调制方式的识别对于通信信号分析有着重要的作用。针对数字信号(2ASK,4ASK,2PSK,4PSK,2FSK和4FSK信号)的调制方式,提出了一种改进的数字信号调制识别算法(DMRA),并且对该算法提出了最佳门限的设置方法,使其适用于信噪比在5 dB-30 dB范围内变化的信号。该算法能够快速、自动地识别出已调数字信号的调制方式。计算机仿真表明:当噪声采用高斯白噪声,该算法在信噪比不低于7 dB时,对实际信号的识别正确率不低于92%。     

基于最大熵法和遗传算法的SMSP干扰对抗方法

线性调频(LFM)信号是现代雷达常用的发射信号,可以有效提高雷达的检测性能,然而频谱弥散(SMSP)干扰应用于主瓣自卫式干扰时,干扰信号强度远大于目标回波信号,能够对目标回波信号形成遮盖,是一种有效对抗LFM信号的干扰样式。利用干扰信号与目标回波信号时频特征的不同,通过广义S变换(GST)凸显时频特征差异。运用最大熵法和遗传算法(GA)求取时频滤波器的分割阈值。通过构造的时频滤波器达到干扰抑制的目的。仿真结果表明:当干信比(JSR)大于10 dB、信噪比(SNR)大于0 dB时, 所提方法具有较好的干扰抑制效果,其中最大信干噪比(SJNR)增益接近25 dB。      

基于特征序列的时域STBC-OFDM盲识别算法

为有效解决STBC-OFDM信号盲识别过程中存在的低信噪比适应能力弱等问题，在OFDM块大小已知的前提下，提出了一种在时域上构造特征序列的识别算法。该算法推导了空时分组码接收信号的时域特性，以及四阶特征向量，并构造特征序列，通过检测特征序列达到识别4种STBC-OFDM信号的目的。推导和仿真结果表明:所提算法无需信道、噪声、调制方式和OFDM块起始位置等先验信息，在较低信噪比条件下也具有良好的识别性能，且对频偏、多普勒频移和时延的鲁棒性能好，计算量较低，具有较高的实用价值。      

基于反相取消结构的全差分微陀螺仪馈通取消电路

由于加工工艺和测试环境的限制,基于MEMS工艺制备的微陀螺仪存在寄生馈通电容,严重干扰信号的检测。而常用的馈通取消方法依赖于微陀螺仪和电路的对称性,难以有效地消除馈通信号。针对以上问题,通过建立包含馈通电容的RLC等效电路模型,分析馈通效应的影响,提出一种结合双边反相取消结构的全差分馈通取消电路,利用反相取消结构调节由差分电路的不对称性所引起的馈通误差,该方法可以在提高驱动力的同时有效消除馈通信号。以方形质量块微振动陀螺仪为研究对象,测试采用该方法取消馈通后的检测信号信噪比(SNR)为25.57dB,相比馈通取消前信噪比提高了13.32倍。测试结果表明该方案能有效地补偿馈通电流并提高微陀螺仪的信号检测性能。     

基于BP神经网络的随机信号筛选算法

在随机信号导航研究中，可接收到的信号数量众多、种类繁杂、特征多样，难以从中选择出适用于导航的信号。针对随机信号的筛选问题，提出了一种基于BP神经网络的随机信号筛选算法。该算法通过输入随机信号的特征信息，对随机信号的定位误差进行了估计，通过定位信息的误差对将信号用于导航的效果进行了评估。仿真结果表明，该算法能够对由随机信号解算而得到的导航信息误差进行估计，可以达到较好的筛选效果。     

卷积神经网络卫星信号自动调制识别算法

自动调制识别是空间认知通信系统的关键技术，有助于实现自适应信号解调。深度神经网络虽然具有特征提取能力强的优势，但也存在参数众多、计算量大的问题，难以实现空间在轨应用。针对以上问题，提出了一种轻量化、高性能的卷积神经网络结构。网络先提取信号的同相正交相关特征，再提取时域特征，最后提取各通道特征均值进行分类。对11种调制方式分类的实验结果表明:当信噪比高于0 dB时，平均识别准确率能达到86.94%，较传统的高阶累积量的方法提高了31.54%;与目前高识别准确率的深度神经网络模型相比，仅使用不到10%的模型参数，在树莓派4B上计算速度平均提高了20倍。      

自适应立方卷积图像插值算法

图像插值是图像处理的一项重要技术,可适用于多个领域,近年来多使用该技术进行图像缩放.针对传统图像缩放算法边缘处理效果较差、边缘检测插值算法复杂度高的问题,提出一种有效增强边缘轮廓的自适应立方卷积插值算法.该算法结合边缘梯度变化和立方卷积插值的特点,使得图像在平坦和纹理区域均能取得理想效果.实验结果表明,与基于边缘检测的插值算法相比,该算法具有较低的复杂度,平均运算时间降低了3.19 s;与立方卷积算法相比,图像峰值信噪比有较大的提高,峰值信噪比增加了0.89 dB.