基于Laurent分解的多指数CPM低复杂度序列检测算法

针对现有的多指数连续相位调制(CPM)信号解调中存在的运算量大,工程实现难度高等问题,本文提出了一种基于Laurent分解的低复杂度序列检测算法。该算法采用两个近似处理过程来有效减少解调中所使用的匹配滤波器的个数以及维特比译码器中所使用的网格状态数,并结合基于判决反馈的减少状态序列检测(RSSD)算法进一步减少后端处理中使用的网格状态。为了估计本文提出的接收机的性能,把该算法应用到一个实际中使用的多指数调制方案。仿真结果给出了与传统的最大似然序列检测(MLSD)相比,该调制方案中译码器的网格状态数从32个减少到4个,匹配滤波器的数目从8个减少到2个,然而仅仅带来0.9dB的性能损失。表明该算法能有效的降低多指数CPM接收机的复杂度,适合于实际应用。      

利用帧同步码的卷积交织器快速盲识别方法

为实现前向纠错,数字无线通信系统广泛采用信道编码技术.信道编码盲识别是对编码参数的逆向识别.已有的利用帧同步码的卷积交织器盲识别方法运算复杂度较高,无法识别交织深度起点参数,并会在某些交织器参数和帧长条件下失效.已有方法的主要运算量存在于对交织序列帧同步码周期的盲识别步骤中.本文通过去除该步骤中存在的大量重复运算,得到了帧同步码周期的低复杂度盲识别方法;在此基础上,提出对交织序列的分段累加序列进行循环解卷积交织,在恢复帧同步码的同时识别交织参数.所提方法可在任意交织器和帧长条件下,实现对全部交织参数的识别.理论分析和仿真实验表明,新方法能够比已有方法节省约50%直至90%以上的运算量,同时抗噪能力显著提升2dB以上,在认知无线电等领域具有重要应用价值.     

Turbo码的距离谱分析

主要提出了从理论上分析Turbo码性能的一种方法,提出了从距离谱的观点对Turbo码进行分析,解释了为什么Turbo码有接近Shannon限的性能,分析了地板效应产生的原因,提出了降低地板效应的途径。     

利用局部密度与距离特征的MFSK识别方法

针对不能在没有先验信息的条件下对任意调制指数的MFSK信号进行调制识别的问题,提出了一种新的利用聚类特征的MFSK信号调制识别方法。该方法利用AR模型的极点提取信号的短时频率峰值;应用改进的聚类算法对峰值序列进行聚类处理;根据不同阶数FSK信号不同聚类中心特征参数的不同,利用支持向量机进行分类,完成了2FSK、4FSK、8FSK和16FSK的调制识别。该算法无需任何先验知识,适用于不同调制指数下的FSK信号,仿真实验验证了算法的有效性和正确性。      

基于多尺度功率谱子带梯度的宽带频谱感知算法与性能分析

为了应对复杂环境下非合作通信、电磁频谱监管等宽带接收中存在的先验信息缺失、信道失真严重以及频域呈现不平坦色噪声的挑战,提出一种基于多尺度功率谱子带梯度的宽带频谱感知算法,该算法不要任何的先验信息,对功率谱进行分段计算梯度,再进行自适应双阈值检测,通过多尺度的技巧提高了宽带频谱感知的稳定性。对该算法在不同信道模型下的统计特性、虚警概率、检测概率以及判决门限的表达式进行了理论推导。理论分析和实验仿真表明,算法适用于高斯噪声信道和平坦衰落信道,能够有效克服色噪声,并且能够实现用户频带范围定位,运算复杂度低、实时性强,对噪声不确定度具有稳健性,能够用于低信噪比场合。     

基于MeanShift的短波跳频信号快速盲检测

在复杂的短波信道环境下,为了降低各种干扰信号和噪声对跳频信号的影响,实现低信噪比下跳频信号盲检测,结合时频分析技术,提出一种基于MeanShift算法的连通域标记跳频信号快速盲检测算法。首先,对信道环境灰度时频图进行二次灰度形态学滤波得到二值化时频图。其次,通过连通域标记算法,计算信号最大持续时长。再次,利用MeanShift算法对信号最大持续时长进行聚类分析。最后,结合自适应双门限对聚类结果进行二次判决。仿真结果表明,在无任何先验信息的情况下,所提算法能够在低信噪比下快速分离各种干扰信号与尖锐噪声,实现跳频信号快速盲检测,检测概率较高,在短波信道环境下抗干扰能力较强,计算复杂度较低,具有较高的工程实用价值。     

误码条件下LDPC码参数的盲估计

针对非合作信号处理中LDPC码（Low-Density Parity-Check）的盲识别问题,提出了一种容错能力较强的开集识别算法.该算法通过对码字矩阵进行高斯约旦消元找到汉明重量较小的"相关列",并根据"相关列"中所包含的约束关系求得LDPC码的校验向量,然后剔除"相关列"中为"1"位置对应的错误码字.若根据高斯约旦消元求校验向量和剔除错误码字进行迭代无法得到更多校验向量,则对得到的这些校验向量进行稀疏化,再进行译码纠错.最后,综合利用校验向量的求解,错误码字的剔除,校验向量稀疏化,LDPC码译码进行迭代,实现LDPC码校验矩阵的有效重建.仿真结果表明,对于IEEE 802.16e标准中的（576,288）LDPC码,在误比特率为0.0022时,本文算法仍可以达到较好的识别效果.     

多尺度形态学滤波下的宽带信号检测方法

由于阻抗失配和器件非线性等原因,宽带侦察接收机捕获信号的噪声基底并不平整,易引起弱信号漏检,因此需要对噪声基底进行估计。在噪声基底变化较快时,以往基于形态学滤波的噪声基底估计算法存在基底估计精度和大带宽信号漏检的矛盾。本文提出多尺度的形态学滤波,通过检测不同滤波尺度下噪声基底估值的变换,实现不同频点使用不同尺度的结构元素,在快变噪声基底频谱中提高了噪声基底估计的精度。通过实验仿真验证,该算法能够有效的估计噪声基底,使修正后的频谱能够更好的检测信号。      

高误码率下基于随机抽取的LDPC码校验矩阵重建

为改善高误码率下LDPC码稀疏校验矩阵重建算法的性能，提出了接收码字个数充足和不充足条件下容错能力较强的校验矩阵开集识别算法。首先，通过多次随机抽取码字的部分比特构建新的码字空间，在较低维度下利用高斯消元法求解对偶向量并还原出校验向量；其次，利用该校验向量，采用“剔除错误码字”或“翻转最低不可靠位”的方法不断提高接收数据内无误码码组的比例进行迭代处理。仿真结果表明，所提算法在不同误码率、不同码长、不同码率、不同码字个数下均优于对比算法。对于IEEE 802.11n协议下的(648,324)LDPC码，当接收码字个数充足时，所提算法在误码率为0.003的条件下，其校验矩阵重建率能达到95%以上；当接收码字个数不足（码字个数为450）时，所提算法在误码率为0.001 5的条件下，其校验矩阵重建率能达到90%以上。     

复杂环境下基于联合特征聚类的多跳频网台分选

为了从混叠信号中去除干扰并分选出各个跳频网台信号,提出一种基于联合特征聚类的多跳频网台分选算法。首先,对混叠信号进行短时傅里叶变换得到时频矩阵,并根据时频矩阵能量分布直方图进行自适应阈值去噪；其次,通过形态学滤波处理,去除扫频干扰；再次,进行连通域标记,计算各段信号的持续时长和平均能量,以此去除定频干扰和短突发干扰并组成各跳频段的联合特征向量；最后,利用MeanShift算法对各段信号的联合特征向量进行聚类分析,完成各个跳频信号的分选。仿真结果表明,相比传统跳频网台分选算法,所提算法对混叠信号具有更高的分选率、更强的抗干扰能力和更广泛的适用性。