论文部分内容阅读
电磁频谱监测和无线信号识别是开展无线通信业务、维护空中无线电秩序,提高频谱利用率的重要环节。但是,电磁频谱监测和无线信号识别面临以下挑战:一是受地形地物分布、监测节点部署和发射机功率等因素影响,监测信号的接收信噪比动态范围宽;二是无线信道的时间弥散和多径效应致使监测存在盲区,识别性能低;三是异构多网共存形成的空间相互干扰以及接收机随机噪声存在时空不确定性。本文研究频谱监测系统中的两个主体部分,频谱监测节点部署策略和无线信号识别算法,其中,频谱监测节点部署旨在面向特定监测区域,优化部署频谱监测节点,实现监测区域的电磁频谱数据全覆盖采集;无线电信号识别算法旨在通过对无线电接收信号的分析和特征提取,识别和分类无线电信号的通信模式,为判断干扰类型和干扰溯源提供支持。(1)在频谱监测节点部署策略研究中,通过分析大量文献中的频谱监测节点部署策略,特别针对文献[8-9]提出的基于虚拟力的电磁频谱监测节点部署优化算法存在的不足,提出一类联合覆盖盲区、泰森多边形顶点和边以及监测节点之间虚拟力的电磁频谱监测节点优化部署策略,旨在进一步减小监测覆盖盲区,利用尽可能少的监测节点覆盖尽可能大的监测区域。基于有效覆盖率和监测节点移动距离等评价指标对算法进行了对比仿真分析,验证了算法改进的合理性和有效性。(2)在无线信号识别算法研究中,通过对比分析基于决策树的无线信号识别与基于特征学习的无线信号识别技术的特点,研究基于深度学习的无线信号识别技术。选择和设计了5种深度神经网络结构(CNN2、CNN4、CLDNN、LSTM2和RESNET3),将无线信号的I、Q特征和幅度、相位特征组合,得到8种特征向量组合形式,利用RadioML2016.10a数据集,分别基于5种深度神经网络对11类无线信号进行识别。测试结果表明,不同无线信号特征及其组合顺序、形式和神经网络结构均会影响无线信号的识别率,且将深度神经网络与特征组合进行适当结合能提高无线信号识别算法的准确率。