基于调制卷积神经网络的空地数据链信道估计

针对复杂环境下空地数据链正交频分复用(OFDM)系统信道估计精度不足的问题,提出了一种基于调制卷积神经网络(MCNN)和双向长短时记忆网络(BiLSTM)结合的信道估计算法。利用最小二乘算法(LS)提取初始信道状态信息(CSI);利用MCNN网络提取初始CSI的深度特征,并对网络模型进行压缩;利用BiLSTM网络对最终CSI进行预测,实现信道估计。利用构建的空地信道模型生成信道系数数据集,实现神经网络模型的训练与测试。仿真结果表明:与传统算法和现有深度学习方法相比,所提出的信道估计算法具有更小的估计误差,高信噪比条件下的系统误码率(BER)性能提升接近一个数量级;由于引入了调制滤波器技术,随着神经网络层数增加,网络模型参数量大幅减少。      

非完备信息下的超视距空战双机协同战术识别

针对超视距（BVR）空战过程中,受探测装置性能限制和敌方干扰等原因,导致目标信息易缺失,从而难以实时准确地识别敌方协同空战战术的问题,提出了一种基于动态贝叶斯网络（DBN）与参数学习的超视距空战双机协同战术识别方法。分析了超视距空战条件下的双机协同战术特征,根据长机和僚机的职能分工、当前态势及机动动作,构建了识别网络模型;为提高模型对双机协同战术的识别概率,采用期望最大参数学习方法优化网络参数;基于自回归模型对缺失目标信息进行修补,提出非完备信息下的双机协同战术识别推理算法。通过开展空战对抗仿真实验,验证了双机协同战术识别方法对于非完备信息下的超视距空战双机协同战术具有较高的识别概率和较好的实时性。     

移动Ad Hoc网络中一种支持QoS的多址接入协议

基于随机竞争和冲突解决的思想,为多跳移动Ad Hoc网络提出了一种支持服务质量(QoS)的多址接入(QMA)协议.将业务负载划分为时延敏感的实时业务和非时延敏感的数据业务.按照该协议,节点在发送业务分组前利用预报突发进行竞争接入,节点按照业务分组时延情况确定预报突发的长度,所发预报突发能持续到最后的节点优先获得接入.同时,具有实时业务的节点可以按照其优先级在更早的竞争微时隙中开始发送预报突发,因而可以比发送数据业务的节点更优先接入信道.最后利用OPNET仿真评估了QMA协议的多址性能,通过与带冲突避免的载波侦听(CSMA/CA)协议比较表明,QMA协议可以提供较高的吞吐量和较低的消息丢失率,并能为实时业务提供较低的时延,从而实现了对多媒体业务的QoS支持.      

基于过程神经网络的液体火箭发动机状态预测

提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络（DPNN）预测模型;然后,根据在线更新的数据样本,采用递推极限学习（EL）算法对双并联前馈离散过程神经网络（DPFDPNN）隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。      

一种卫星信道的反馈优化接入机制

提高卫星信道资源利用率，探索高效可行的端站接入机制是卫星通信发展亟待解决的问题之一。当前卫星通信DVB-RCS标准基于带宽预先规划的接入机制与端站随遇接入的需求矛盾凸显，因此提出一套信道反馈优化接入机制，综合考虑各端站数据业务需求，在不改变原有协议信令特征的基础上，探索性地引入谦虚度激励方法，创造性地构造动态协商反馈模型并加以求解，达到提高端站接入数量、满足随遇接入需求、提升信道利用效率、最大化整体带宽通信业务效益的目的。通过试验验证，带宽分配反馈优化机制比传统模式提高近1倍接入率，最大端站数接入时算法耗时约只有0.67s，可为卫星信道使用提供技术参考。     

基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫星组合频谱感知

目前的频谱感知算法以模型驱动为主，其感知性能过于依赖预定的统计模型，这使得其在信道环境复杂的卫星通信场景中的部署变得困难。对LEO卫星过境期间的信噪比波动情况进行分析，结果显示信噪比的波动达到14 dB。针对该复杂场景提出了一种基于双向长短期记忆网络及贝叶斯似然比检验联合的频谱感知算法。该算法不需要任何主信号的先验知识，可自动从主信号中学习隐藏特征并做出决策。基于Neyman-Pearson准则，在神经网络输出端设计了一种基于阈值的检测方案，可方便地控制恒定的虚警概率。仿真结果表明，所提算法在信噪比为–14 dB的情况下，仍能达到83%的检测性能，且始终优于卷积神经网络、多层感知机和基于模型驱动的能量检测算法。     

基于Transformer的深度条件视频压缩

近年来,基于深度学习的视频压缩技术主要基于卷积神经网络(CNN)且采用运动补偿-残差编码的架构,由于常见的CNN只能利用局部的相关性,以及预测残差本身的稀疏特性,难以取得最优压缩性能。因此,提出一种基于Transformer架构的条件视频压缩算法,以实现更优的压缩效果。所提算法基于前后帧之间的运动信息,利用可形变卷积得到对应的预测帧特征;将预测帧特征作为条件信息,对原始输入帧特征进行条件编码,避免了直接编码稀疏的残差信号;利用特征间的非局部相关性,提出一个基于Transformer的深度条件视频压缩编码算法,用来实现运动信息编码和条件编码,进一步提升压缩编码的性能。实验结果表明：所提算法在HEVC、UVG数据集上均超越了当前主流的基于深度学习的视频压缩算法。     

自组织网络中UPMA协议的群间仿真

基于有效竞争预约接入、无冲突轮询传输的思想,结合分层分布式网络结构为自组织网络提出了依据用户妥善安排的多址接入(UPMA)协议,UPMA协议可以支持节点移动性和多跳网络拓扑,并使用网络仿真工具OPNET仿真评估了它的群间通信性能.该协议利用分群算法将多跳网络拓扑形成轮询所需要的两跳分群结构,包括预约接入和无冲突的轮询服务阶段.有分组发送的节点在每帧的竞争接入时隙中竞争接入.如果成功,则进入轮询服务过程;否则,在本帧重新开始的接入阶段中进行冲突避免和分解的预约接入过程.仿真结果表明,UPMA协议显著提高了多跳群间的业务传输效率,可以提供较高的端到端信道利用率、较低的端到端平均消息时延和较小的平均消息丢弃率.      

基于随机森林的物联网设备流量分类算法

物联网（IoT）设备流量分类对网络资产管理有重要意义，基于流量统计的分类技术是当前研究热点。已有算法主要基于流信息建立特征向量，而对数据包信息利用较少。改进了基于随机森林的物联网设备流量分类算法，基于流信息和流数据包信息共同建立特征向量。实验结果表明:所提算法与其他算法相比，所提算法的平均分类准确率由56%提高到82%，平均召回率由47%提高到67%，平均F₁得分由0.43提高到0.74，混淆矩阵对比也有明显提升，因此具备更好的分类效果。      

火箭发动机基于神经网络非线性辨识的故障检测

应用神经网络方法，提出了一种液体火箭发动机故障实时检测算法。神经网络采用非线性辨识技术贴近发动机的工作过程，并输出包合发动机故障信息的辨识误差信号。若辨识误差变大超过一定阈值，检测逻辑就预报发动机故障。在发动机启动阶段离线训练神经网络，在发动机稳态过程可以采用离线或在线学习算法。实验研究表明神经网络可以成功地应用于大型泵压式液体火箭发动机的故障检测。     

航空电子系统的光纤网络结构与技术

针对先进航空电子系统对数据网络的高速和混合通信的需求,基于分布式控制、实时存取和故障容忍的设计思想,进行了分布式光纤网络的结构设计和协议选择.重点分析了光纤链路、介质访问控制协议、拓扑、容错技术和网络管理软件.分析结果表明,基于1394b总线的分布式容错光纤网络能提供确定和可靠的通信,同时该吉比特光纤链路满足误码率要求且功率余量达13dB.因此它是具有高带宽、低延迟和易扩展优势的高综合网络结构.      

网络服务性能测量体系结构

网络测量基础设施是网络测量领域研究的关键问题,在Internet网络环境下,网络服务提供商和网络管理员希望能从用户的角度了解其网络服务的服务质量,而用户希望获得定量的指标来选择质量最优的网络服务提供商.为此,在研究现有网络测量基础设施的前提下,提出一种分布式网络服务性能测量体系结构--SPMA.探讨了现有测量基础设施的经验和不足,重点介绍了SPMA的结构及其特点.SPMA采用了一种用户可定制、测量内容可扩展的通讯模型和数据模型,并使用了一种基于测量代理的测量探针自动部署机制.SPMA通过在不同网域部署测量探针收集被测目标的性能指标,从而可以最大限度的反映用户可获得的服务质量;它对外以Web服务模式提供测量服务,易于用户提交测量请求和获得测量结果.     

基于MIMO技术的无线局域网跨层协议设计

多输入多输出(MIMO,Multiple Input Multiple Output)技术可以通过实现空分复用有效地提高无线系统的性能.提出了一个对于站点(station)和无线接入点(AP,Access Point)都装配有多天线的无线局域网的介质访问控制层(MAC,Medium Access Control)协议.此协议利用跨层优化设计的方法解决了将MIMO技术用于WLAN(Wireless Local Area Network)中存在的一些问题.例如,如何在传统的802.11协议中加入训练用的导频序列,以及如何实现数据的并行传输等等.随后,提出一个三维离散马尔可夫模型来分析此协议性能,并与理论值进行比较.最后的仿真结果说明此协议能有效的提高系统吞吐量.     

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。      

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。      

TSK模糊神经网络及其约束优化学习算法

针对非线性动态系统特点,提出了一种基于TSK(Takagi-Sugeno-Kang)模糊模型的动态回归模糊神经网络DRFNN(Dynamic Recurrent Fuzzy Neural Network),该模糊神经网络由静态网络和动态网络两部分组成,其中静态网络用来实现规则的条件部分和解模糊部分的计算,由FIR动态滤波器实现的内反馈回归网络用来实现规则的结论部分,为了加快网络收敛速度,给出了基于约束优化算法的网络参数迭代算法,把网络结构优化和参数学习作为一个约束优化问题来解决.应用于非线性系统的辨识和控制仿真试验说明了DRFNN网络及其算法对解决非线性系统问题的有效性.     

移动Ad hoc网络中的多信道预约MAC协议

移动Ad hoc网络中为有效利用无线信道资源,提出一种多信道预约媒质接入(MRMA, Multichannel Reservation Multiple Access)协议.该协议在公共信道上发送Request-to-Send/Clear-to-Send(RTS/CTS)分组预约信道,采用基于ID的信道选择方案选择无冲突的业务信道传输数据分组,目的节点成功接收完数据分组后在另一个公共信道上回复Acknowledgment(ACK)分组,有效避免了暴露终端问题,使得相邻通信节点对可以同时使用相同的业务信道传输数据分组,空分复用大大提高了无线资源的利用率.采用多信道分别进行不同通信对的业务分组传输解决了在单信道上传输所带来的隐藏终端问题.仿真结果表明,在总信道利用率和平均分组延迟性能上,MRMA协议明显优于IEEE 802.11 RTS/CTS协议.