通信干扰样式识别与参数估计算法研究

发布时间：2020-10-10 04:41

　　作为无线通信对抗系统中的关键技术,通信干扰信号的检测与识别技术扮演着越来越重要的作用,在实际应用中有着迫切的需求。基于此研究背景,本文以通信干扰信号的检测与识别技术为切入点进行研究,针对干扰信号的检测算法、参数估计和样式识别三个层次的关键技术进行了分析与探索。首先,本文对现有的两种干扰检测算法CME、FCME算法进行分析。针对现有方案中对非空闲带干扰检测考虑不足的问题,设计了一种适用于非空闲带的干扰检测改进方案,通过对接收信号进行频域分块处理的方法,对信号的通带与过渡带分别进行干扰存在性检测。仿真结果表明,在相同条件下,本文方法比现有方法表现出更优的检测性能,且适用范围更广。其次,本文对干扰信号的关键参数,包括干扰中心频率,干扰带宽进行估计。针对干扰信号功率谱毛刺过多,起伏变化大的问题,采用先对功率谱进行降噪平滑,再进行参数估计的方式,从而能够获得更好的估计精度。本文基于EMD算法去除高频分量保留低频分量进行分解重构的思想,运用低通滤波降噪法,直接在功率谱域进行滤波降噪处理,从而获得平滑的功率谱。接着给出基于频域分析的干扰信号参数估计方法,仿真结果表明,本文方法在低干噪比下表现出良好的估计精度,而且性能稳定,复杂度低。最后,对于通信干扰信号的样式识别方法,本文采用统计模式识别的方法,对通信系统中六种典型的干扰信号包括单频干扰、多频干扰、扫频干扰、射频噪声干扰、噪声调幅干扰、噪声调频干扰进行分类识别。首先对数据进行预处理,随后分别在时域、频域提取干扰信号共九个特征参数,并通过仿真分析各个特征参数随干噪比的变化趋势。同时研究了传统的决策树与BP神经网络的算法原理,并分别建模给出干扰信号的识别方案。针对决策树方法性能容易受阈值的影响,以及BP神经网络复杂度高,参数设置无理论依据的缺陷,本文采用XGBoost算法与贝叶斯优化算法结合的方法,利用XGBoost算法训练模型,采用贝叶斯优化对模型参数进行优化,相比传统的参数组合搜索方法,贝叶斯优化算法能更快找到全局最优参数组合。通过仿真表明,相比决策树与BP神经网络,本文方法在低干噪比下表现出更好的识别性能,而且在小数据集上表现稳定,复杂度低。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN975
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
    1.3 论文主要研究内容及章节安排
第二章通信干扰识别系统
    2.1 干扰系统概述
        2.1.1 通信干扰的特点
        2.1.2 通信干扰的过程
        2.1.3 干扰效果的评价方式
    2.2 干扰信号模型
        2.2.1 音频干扰
        2.2.2 扫频干扰
        2.2.3 噪声调制干扰
    2.3 干扰识别系统
    2.4 本章小节
第三章干扰检测与参数估计
    3.1 干扰检测基本理论
        3.1.1 干扰检测技术原理
        3.1.2 干扰检测影响因素
    3.2 干扰检测算法
        3.2.1 CME检测算法
        3.2.2 FCME检测算法
        3.2.3 本文改进的算法
        3.2.4 仿真分析
    3.3 干扰参数估计
        3.3.1 功率谱预处理
        3.3.2 干扰中心频率估计
        3.3.3 干扰带宽估计
    3.4 本章小节
第四章干扰样式识别
    4.1 数据预处理
        4.1.1 归一化
        4.1.2 中心化
    4.2 特征提取
        4.2.1 时域特征提取
        4.2.2 频域特征提取
    4.3 干扰识别
        4.3.1 基于决策树的干扰识别
        4.3.2 基于BP神经网络的干扰识别
        4.3.3 基于改进XGBoost的干扰识别
    4.4 本章小节
第五章总结与展望
    5.1 论文总结
    5.2 下一步研究方向和展望
参考文献
致谢
作者简介

【相似文献】