一种电磁频谱管理盲监测技术

复杂电磁环境下对无线电信号进行监测时,基于时频分析的传统监测方式对频谱混叠信号难以进行识别.针对这一问题,提出了一种电磁频谱管理盲监测技术.在分析研究了盲源分离的理论基础上建立了基于最大信噪比算法的盲监测模型,基于该模型仿真实现了6路频谱混叠无线电信号的分离提取.仿真结果表明:应用所建立的模型能够实现频谱混叠无线电信号的监测分析,判明所监测无线电设备的工作频率、信号形式和带宽等主要特征.     

一种新型的认知无线电频谱空穴自适应检测算法

根据认知无线电实际频谱需求,通过对弱信号检测技术的研究,该文首次在认知无线电领域提出了一种基于三重矩阵累积估计的频谱空穴检测算法,该算法将频域块自适应滤波与矩阵重构、累积估计和频域平滑相结合实现弱信号检测。最后以QPSK调制信号为例进行了算法的计算机仿真,给出了性能分析。仿真结果表明该检测算法能够快速有效地实现弱信号检测并具有较高的检测概率,完全可以应用于认知无线电的频谱空穴检测。     

基于扩频的频谱水印嵌入与提取方法研究及实现

针对无线电系统身份识别问题,提出了一种基于扩频的频谱水印嵌入与提取方法,该方法中发射端首先选择一个码片速率高、码长长的扩频码来调制用于标识无线电系统身份的频谱水印信号,然后利用加性准则周期性地将其嵌入到无线电信号中。接收端首先将接收的中频信号分成 N 段,并对每段信号进行解扩和解调,最后利用 N 次解调结果实施综合融合判决来提取频谱水印。同时基于 USRP 平台构建了基于扩频的频谱水印嵌入与提取方法的验证系统,理论分析与实验验证结果表明：提出的方法能够在不对原始信号正常解调产生有害干扰的条件下,可有效提取频谱水印,具有较强的通用性和鲁棒性,为有效标识和识别无线电系统提供技术手段。     

认知无线电中的频谱空洞检测技术

认知无线电是一种基于软件无线电的智能的无线通信系统，它能够认知周围环境。并能够通过一定的方法相应地改变某些工作参数来实时地适应环境，从而达到提高频谱利用率、缓解频谱资源紧张的目的。认知无线电的首要任务是检测频谱的空洞。通常用在认知无线电中的非参数谱估计的方法主要包括多窗谱估计、Welch方法等。多窗谱估计算法在进行干扰温度的估计和频谱空洞的判定时，能够利用设立的多个传感器对环境信号进行接收和监测，并按照多窗谱估计与奇异值分解（MTM—SVD）算法进行处理获得干扰温度估计值，最后将其与干扰温度限比较判决，从而得到适合认知无线电系统应用的频谱空洞。     

一款基于嵌入式的频谱监测软件设计及实现

针对无线电管理部门大规模的频谱监测的应用需求,本文给出了一种便携式、智能化、监测范围宽的频谱监测软件系统设计与实现的方法,系统不仅能够完成一般频谱仪的频谱采集,显示等功能,并且可以对采集的数据分析处理,利用数据库、特征值匹配将信号分类存储,最后自动生成监测报告并报警.     

基于大数据、网格化与云计算的频谱资源决策架构

通过调研国内外对频谱资源利用评价的经验和需求,从频谱资源的物理属性和价值特性入手,建立能够反映频谱资源利用程度的评价指标之后,需要将理论与实际相结合,对频谱资源利用评价体系的实际效果进行检验。宁波地区结合网格化、大数据和云计算技术,对特定范围内频谱资源利用价值开展的动态评估,为有效监管频谱资源利用状态、实现频谱资源科学配置、未来完成频谱资源定价提供了基础数据和参考手段。依托宁波无线电管理一体化平台、北仑网格化智能监测     

一种基于时频相关性的快速频谱感知算法

频谱感知技术是认知无线电的核心和基础,而自从认知无线电技术被提出以来就一直受到极大的关注。通过对无线频谱占用情况的实时采集处理,对频谱占用情况在时域和频域上的相关性进行分析。利用这种时频域的相关性提出一种快速频谱感知算法,通过频繁模式挖掘提取有效模式,使得在只需要对部分频域和时域的频谱进行检测,就可以完成对整个频谱的占用情况的认知。最后通过实时采集数据进行实验分析,表明该算法确实能达到较好的性能。     

认知无线电研究综述

认知无线电是一种智能频谱共享技术。它通过感知频谱环境、智能学习并实时调整其传输参数,实现频谱的再利用,可显著地提高频谱的利用率,特别是可让未授权用户使用授权用户的频谱。本文在概述了认知无线电技术的发展之后,重点介绍了认知无线电技术及其应用的研究现状,包括认知无线电的总体概念、相关频谱政策和标准化工作进展、相关关键技术和安全技术的研究,以及它在UWB、Mesh、WRAN中的应用现状。最后对认知无线电技术的发展进行了展望。     

浅谈频谱分析仪性能指标的核查

在无线通信领域的众多测量任务中信号的频域检测是非常重要的项目之一。频谱分析仪就是一种功能众多并被广泛使用的频域测量仪表。它的应用范围很宽，不仅用于测量各种无线电信号的频谱分布．还可以对信号的频率、幅度、调制度和噪声等多项电磁参数进行测量。     

基于频谱模糊匹配的无线电信号异常监测方法

对合法用户信号进行监测,保证其正常运行并合乎法规,是无线电监测的重要内容。本文提出了一种对合法电台信号建立频谱模板,通过综合采用频谱幅度去均值和归一化、频点偏移搜索、采样率变换等手段进行频谱模糊匹配的方法,能够自动监测信号是否异常,及时有效维护无线电监测的权威性。     

一种基于无源射频技术的用户步态识别及认证方法

步态识别作为一种新兴的生物特征识别技术,具有距离远、难伪造的优点,在智能监控等领域中具有广泛的应用前景。现有的步态识别方法存在着算法计算复杂、用户参与度高、设备开销较大等问题。针对这些问题,文中提出了一种基于无源射频技术的用户步态识别方法。该方法使用了门禁系统中已经广泛部署的无源射频标签,通过标签相位数据计算用户行走动态速度,利用多标签信号互补特性进行信号补偿,提取用户步态频率响应特征。实验结果显示,该方法的用户识别准确率高达91.87%,特征提取及比对的时延仅有0.129 s。在训练数据极少、用户参与度低的情况下,实现了高效率、较准确的用户步态识别及认证。     

基于深度学习的蓝牙射频指纹识别系统

蓝牙射频指纹具有难以伪造的优点，基于射频指纹的身份识别能有效提高网络的安全性。文中设计了一种基于深度学习网络的蓝牙射频指纹识别系统。首先，利用Hackrf One软件无线电平台和GNU Radio软件在蓝牙信号广播阶段采集多种蓝牙信标信号。其次，对蓝牙信号进行预处理，将预处理后的数据分为训练集与验证集。然后，使用MATLAB深度学习工具箱来设计长短期记忆网，利用训练数据集对各个网络进行训练，得到蓝牙射频指纹识别网络。最后，利用验证集对上述网络进行测试和分析。当迭代次数为300时，网络对3种蓝牙信标的射频指纹识别的准确率均达到80%以上。     

基于复数网络与注意力机制的信号调制识别

通信信号调制识别作为管理、监测电磁频谱的重要手段,具有重要的研究价值和应用前景。本文利用调制信号的频域信息,提出一种基于复数神经网络的信号调制识别方法。首先将I、Q两路信号组合成复信号,经过快速傅里叶变换(FFT)后把得到的实部和虚部组合起来作为输入网络的数据集。其次,设计了一种复数神经网络结构,并引入了注意力机制对网络结构进行改良。仿真结果表明,本文提出的方法可以有效识别9种调制方式,在信噪比为6 dB时,平均正确识别率达到96.33%。     

同频段混合信号中的无人机信号盲检测识别

无人机信号的探测识别技术是应对无人机黑飞滥用的关键技术之一。在实际信号监测环境中，经常会接收到多个信号的混合信号，它们在时域和频域上混叠且各信号分量调制样式相同。为解决在同频段混合信号中检测识别出无人机信号的问题，提出了一种通过谱特征分析判断无人机信号存在性的方法。分别采用基于二次方谱特征的无人机图传和WiFi混合信号检测识别算法以及基于频谱带宽特征的多无人机混合信号检测识别算法，通过对射频电路采集的信号进行仿真验证，实现了从同频段混合信号中检测识别出无人机信号分量。理论分析和实验测试结果证实了所提检测识别算法的有效性。     

基于软件无线电的无线设备指纹识别

无线局域网由于其开放的信道环境和传统的密钥身份验证机制,安全问题十分严峻。通过射频指纹识别技术,提取无线设备硬件特征进行身份验证,能够大大提高无线网络安全性。本文基于通用软件无线电外设(USRP)和GNU Radio开源平台,提取IEEE 802.11a/g信号载波频偏作为指纹,结合神经网络分类器进行识别。首先接收信号并提取每帧信号载波频偏,然后训练神经网络分类器,最后利用此分类器对无线设备进行识别。在办公室和体育馆2种典型室内环境进行无线设备个体识别实验,识别率均大于90%。实验结果说明,基于软件无线电提取信号载波频偏可以识别出不同的无线设备,检测出非法设备接入,能够提高无线网络安全性。     

基于深度自编码器的辐射源个体开集识别

为实现对城市用频设备的精确管控,针对特定辐射源开集识别问题,构建了一套基于深度学习的辐射源个体开集识别处理流程,核心在于指纹特征有效区间筛选与基于深度自编码器的开集识别模型。一方面,通过使用Grad-CAM实现对深度网络激活可视化,筛选出信号对网络激活贡献较高的部分,在不损失过多指纹信息的情况下进行信号区间筛选;另一方面,建立基于半监督对抗自编码器的辐射源个体开集识别模型,实现对电磁环境中出现的未知辐射源个体的有效识别。实验表明此开集识别模型能够在不损失闭集识别率的条件下实现高精确度的开集识别。     

基于广义LSTM神经网络的宽带射频功放数字预失真线性化

在无线通信系统中,射频功放的非线性是信号失真与频谱增生的主要原因,尤其是对于采用64QAM、256QAM 等高峰均功率比的复杂调制系统,对射频功放线性度的要求越来越高;然而宽带射频功放中存在的强记忆效应严重地降低了基于传统非线性模型的数字预失真器的线性化性能。文章提出广义长短期记忆(LSTM)神经网络模型,通过输入的时序特性,从时间轴上进行模型迭代,利用LSTM模型独特的长短时序结构以更好地表征宽带射频功放的记忆效应,同时引入时间超前项以构建广义的LSTM模型,进一步增强其动态非线性建模能力。在不同超参数下的建模结果表明,该模型的归一化均方误差(NMSE)指标可达-42.2895 dB。最后,使用20 MHz 带宽的4 载波WCDMA信号,对中心频率1900 MHz 的50 W Doherty 功放进行预失真线性化实验验证。实验结果证实了基于广义LSTM神经网络模型的数字预失真器可以使互调分量降低达23.27 dB,大大优于记忆多项式等传统非线性模型的非线性校正性能。     

网格化无线电监测初探

为有效提升频率资源利用率,强化频率使用监管机制,开展频谱管理新技术的研究。网格化无线电监测系统作为下一代无线电监测网络的发展趋势之一,受到无线电管理部门的广泛关注。首先分析了传统无线电监测面临的挑战和网格化监测的特点,进而探讨了网格化无线电监测系统的体系结构、关键技术及其应用。可以发现,将网格技术应用于无线电监测,形成网格化的监测模式,可以有效提高电磁环境监测能力。     

采用深度图像推断的认知无线电频谱预测算法

针对认知无线电频谱预测效率不高的问题,提出了一种采用深度图像推断的频谱预测算法。该算法将序列预测问题转化为图像推断问题,构建深度图像推断网络实现无线电频谱预测。首先,对历史频谱数据进行预处理,提取频谱数据的变化特征;其次,使用双支路多层并联卷积神经网络提取数据的深度特征,经池化、合并操作输出多层次特征信息;最后,融合不同层次提取的特征信息,实现频谱数据的预测和生成。在真实频谱数据的多个频段对算法性能进行验证,实验结果表明算法能够有效地实现电磁频谱数据的预测,具有预测精度高的特点。     

基于时频能量谱特征的跳频电台个体识别

针对于跳频电台的细微特征分类识别问题,提出基于跳频信号时频能量谱的细微特征提取算法。首先,利用跳频信号在时频域的稀疏特性,通过稀疏重构方法得到跳频信号时频能量谱;然后,在不同尺度条件下对时频能量谱进行分割,分别提取时频能量谱瑞利熵、多重分形维数和差分盒维数三种特征;最后,通过支持向量机分类器对提取特征集进行训练、分类和识别,实现跳频电台个体识别。利用四部电台的跳频信号,验证对比了本文算法与另外两种算法的识别性能。实验结果表明,本文方法所提取的细微特征集具有较强的分辨能力,避免了由单一特征的相似性而引起的误判问题,能够在少量训练样本条件下,保持较高的识别正确率。