CN109167641A - 窄带信号功率放大器指纹特征提取方法及装置 - Google Patents
窄带信号功率放大器指纹特征提取方法及装置 Download PDFInfo
- Publication number
- CN109167641A CN109167641A CN201810848882.5A CN201810848882A CN109167641A CN 109167641 A CN109167641 A CN 109167641A CN 201810848882 A CN201810848882 A CN 201810848882A CN 109167641 A CN109167641 A CN 109167641A
- Authority
- CN
- China
- Prior art keywords
- signal
- power amplifier
- narrow
- taylor series
- fingerprint characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种窄带信号功率放大器指纹特征提取方法及装置,该方法包含:对接收信号依次进行自动增益控制、匹配滤波、频率补偿和符号同步,获取修正信号;解调接收信号,并依次进行成形滤波和信号恢复,得到恢复后的功放激励信号;建立功率放大器Taylor级数行为模型,根据修正信号和恢复后的功放激励信号,构建放大器指纹特征提取模型,通过最小二乘法提取功率放大器Taylor级数系数作为指纹特征量;通过指纹特征量训练支持向量机;构建信号测试集,通过训练后的支持向量机进行指纹特征的分类和识别。本发明信号接收设备相对简单,易于实现;适应于一般的数字调制方式,通用性强;利用辐射源通用硬件的特征,有效识别不同的辐射源,具有较好实际应用价值。
Description
技术领域
本发明属于辐射源识别技术领域,特别涉及一种窄带信号功率放大器指纹特征提取方法及装置。
背景技术
辐射源指纹特征提取通过分析接收到的射频信号,提取信号中由于不同发射设备硬件差异导致的不同特征。利用辐射源不同的指纹特征识别射频设备的方法就叫做辐射源指纹特征识别。通过指纹特征区分敌我辐射源,确定敌方辐射源的类型、性质、威胁等级等,对电子侦察、电子对抗和军事打击都具有着重要的应用价值。民用领域,辐射源识别在无线网络安全,无线电管理,通信监视等方面也有巨大的应用潜力。现有方法大多针对特定信号和特定设备定性地选择特征,依据分类实验来验证特征提取算法的有效性,仅利用指纹特征机理的现象识别射频设备。这类方法提取的特征容易因信号的调制方式和射频设备的改变而改变,所提方法缺乏通用性。因此,对辐射源建立合适的数学模型,从机理上分析特征的产生并据此设计提取算法,具有重要的研究价值。
发明内容
为此,本发明提供一种窄带信号功率放大器指纹特征提取方法及装置,对辐射源功率放大器建立数学模型,提取其通过用硬件特征,能够在低信噪比下实现对功率放大器的识别。
按照本发明所提供的设计方案,一种窄带信号功率放大器指纹特征提取方法,包含如下内容:
A)对接收信号依次进行自动增益控制、匹配滤波、频率补偿和符号同步,获取修正信号;
B)解调信号,并依次进行成形滤波和信号恢复,得到恢复后的功放激励信号;
C)建立功率放大器Taylor级数行为模型,根据修正信号和恢复后的功放激励信号,构建放大器指纹特征提取模型,通过最小二乘法提取功率放大器Taylor级数系数作为指纹特征量;
D)通过指纹特征量训练支持向量机;构建信号测试集,通过训练后的支持向量机进行指纹特征的分类和识别。
上述的,A)中,对接收信号进行自动增益控制,调整接收信号幅值;通过滤波器对信号进行匹配滤波,调整信号采样率;利用快速傅里叶变换估计信号频偏并补偿,利用锁相环补偿剩余频偏;并通过信号同步,修正信号定时偏差,获取修正信号。
上述的,B)中,解调信号,根据信号匹配滤波时的滤波器设定成形滤波器参数,对信号做成形滤波并恢复出基带信号,得到功放激励信号。
上述的,C)中,对于窄带信号,某一时刻的输出与当前时刻的激励信号有关,功率放大器采用无记忆非线性器件,功率放大器输出信号与激励信号通过非线性函数表示,将该非线性函数作Taylor展开,获取功率放大器Taylor级数行为模型。
优选的,C)中,依据修正信号和恢复后的功放激励信号,获取功放激励信号包络和相位调制函数,估计出功率放大器Taylor级数系数。
上述的,C)中,将功率放大器Taylor级数高阶系数与一阶系数的比值作为指纹特征量,其中,高阶系数为大于一阶的系数。
优选的,C)中,指纹特征量表示为:其中,a2M-1为Taylor级数奇次幂系数,M为Taylor级数奇次幂阶数。
一种窄带信号功率放大器指纹特征提取装置,包含:修正模块、恢复模块、提取模块和识别模块,其中,
修正模块,用于通过对接收信号依次进行自动增益控制、匹配滤波、频率补偿和符号同步,获取修正信号;
恢复模块,用于通过解调信号,并依次进行成形滤波和信号恢复,得到恢复后的功放激励信号;
提取模块,用于通过建立功率放大器Taylor级数行为模型,并根据修正信号和恢复后的功放激励信号,提取功率放大器Taylor级数系数作为指纹特征量;
识别模块,用于通过指纹特征量训练支持向量机;构建信号测试集,通过训练后的支持向量机进行指纹特征的分类和识别。
本发明的有益效果:
本发明通过对辐射源进行非线性系统建模分析,探究其指纹特征产生机理;根据射频功率放大器的Taylor级数模型导出辐射源输出信号;然后,根据接收信号重建功率放大器的激励信号;通过最小二乘方法估计出指纹特征量,并由支持向量机分类和识别;本发明通过对信号进行过采样接收,提取出放大器指纹特征,信号接收设备相对简单,工程上易于实现;并且该方法适应于一般的数字调制方式,针对辐射源基本器件提取特征,方法通用性强;为辐射源识别系统设计提供重要的理论支撑和技术参考,能够利用辐射源通用硬件的特征,有效识别不同的辐射源,具有较好的实际应用价值。
附图说明:
图1为本发明的辐射源指纹特征识别系统模型;
图2为实施例中指纹特征提取模型;
图3为实施例中三功放指纹特征量;
图4为实施例中误码率与识别率变化曲线;
图5为实施例中不同采样率下识别率。
具体实施方式:
下面结合附图和技术方案对本发明作进一步详细的说明,并通过优选的实施例详细说明本发明的实施方式,但本发明的实施方式并不限于此。
针对现有针对特定信号和特定设备定性选择特征,依据分类试验来验证其有效性,仅仅只利用指纹特征激励的现象识别射频设备,容易因信号调制方式和射频设备改变而改变,缺乏通用性等的情形。本发明实施例,参见图1所示,一种窄带信号功率放大器指纹特征提取方法,包含如下内容:对接收信号依次进行自动增益控制、匹配滤波、频率补偿和符号同步,获取修正信号;解调接收信号,并依次进行成形滤波和信号恢复,得到恢复后的功放激励信号;建立功率放大器Taylor级数行为模型,根据修正信号和恢复后的功放激励信号,构建放大器指纹特征提取模型,通过最小二乘法提取功率放大器Taylor级数系数作为指纹特征量;通过指纹特征量训练支持向量机;构建信号测试集,通过训练后的支持向量机进行指纹特征的分类和识别。
通过对辐射源进行建模分析,探究其指纹特征产生机理;根据射频功率放大器的Taylor级数模型导出辐射源输出信号,由接收信号重建功率放大器的激励信号并构建放大器指纹特征提取模型;采用最小二乘方法估计出指纹特征量,由支持向量机实现对辐射源的分类和识别;能够在低信噪比下实现对功率放大器的识别,对实际通信辐射源个体识别具有重要意义。
对信号进行自动增益控制,调整接收信号幅值,使后续步骤中无需每次调节频偏估计和符号同步参数,提高估计精度;对信号匹配滤波,调节信号降采样率;利用快速傅里叶变换粗略估计信号频偏并补偿,然后利用锁相环精确地补偿剩余频偏;符号同步,修正信号定时偏差。解调信号,根据匹配滤波器设定成形滤波器参数,对信号做成形滤波恢复出基带信号,即功率放大器激励信号。建立功率放大器行为模型,射频功率放大器为获得较高的效率,通常工作在非线性区,会导致信号失真和无意调制;功放是一个典型的非线性器件,当仅从系统辨识的角度研究功放输出信号与激励信号关系,不需要了解功放内部结构,对功放建立行为模型;射频功放存在记忆效应,但是对于窄带信号,记忆长度与载波周期接近,可以近似地认为射频功放是无记忆非线性器件,即某一时刻的输出只与当前时刻的激励信号有关。一般认为,功放输出信号主要由激励信号幅度决定,与激励信号相位无关,输出信号与激励信号可以由一个非线性函数来表示,将该函数作Taylor展开,就得到功放的Taylor级数模型:
式中,al为Taylor级数系数,L为Taylor级数阶数。
建立功放激励信号模型。窄带条件下,待发送信号(即功放激励信号)s(t)一般为
式中,r(t)为信号包络,为相位调制函数,fc为载波频率。
建立接收信号模型。采用Taylor级数模型分析功率放大器的全部无意调制特性时,需要计算模型所有项;因为功放模型偶次幂项无意调制远离载频分量,可在接收端使用带通滤波器滤除,本发明实施例中,仅分析载频分量附近的无意调制,故忽略偶次幂项,即:
式中,a2m-1为Taylor级数奇次幂系数,M为Taylor级数奇次幂阶数。
功放输出信号
功放输出信号在载频附近的分量:
为简化问题,假定无线信道为一简单信道,信号在载频附近仅有一固定衰落和相位延迟,并叠加高斯白噪声。
式中,y1(t)为接收机前端接收到的载频分量,G为固定衰落,为相位延迟。
定义指纹特征并提取。对接收到的载频分量y1(t)下变频到基带信号并作过采样:
式中,y1(n)为过采样后获得的基带信号,N为采样长度。
接收的基带信号y1(n)与功放Taylor级数系数a2k+1(k=0,1,…,M-1)、功放激励信号包络r(n)和相位调制函数有关。得到信号包络r(n)和相位调制函数就可以估计出功放Taylor级数系数。
写成矩阵形式:
y1=H1f1+v
y1=[y1(1),y1(2),...,y1(N)]T
H1=[c0,s0,c1,s1,...,cM-1,sM-1]
v=[v(1),v(2),...,v(N)]T
式中,
f1为待求值,y1为观测值。功放高阶Taylor级数系数一般很小,可以忽略,在应用时通常对其截断,使H1矩阵列数为有限值;通过调整接收数据段长度使矩阵H1行数大于列数。这样,辐射源基带数字信号经成形滤波和接收机过采样接收时,rank(H1)=2M,采用最小二乘方法可以估计f1,进而提取出功放Taylor级数系数;最小二乘解为:
f1LS=(ATA)-1ATy1
为消除信道衰落G的影响,定义功放高阶Taylor级数系数与一阶系数的比值为指纹特征量:
选取一定数量信号作为训练集,由提取的指纹特征量训练支持向量机;构建测试集,利用训练后的支持向量机进行分类识别,以验证本发明实施例中方法的有效性。
基于上述的方法,本发明实施例还提供一种窄带信号功率放大器指纹特征提取装置,包含:修正模块、恢复模块、提取模块和识别模块,其中,
修正模块,用于通过对接收信号依次进行自动增益控制、匹配滤波、频率补偿和符号同步,获取修正信号;
恢复模块,用于通过解调信号,并依次进行成形滤波和信号恢复,得到恢复后的功放激励信号;
提取模块,用于通过建立功率放大器Taylor级数行为模型,并根据修正信号和恢复后的功放激励信号,构建放大器指纹特征提取模型,通过最小二乘法,提取功率放大器Taylor级数系数作为指纹特征量;
识别模块,用于通过指纹特征量训练支持向量机;构建信号测试集,通过训练后的支持向量机进行指纹特征的分类和识别。
为进一步验证本发明的有效性,下面通过仿真实验做进一步解释说明:
辐射源指纹特征识别系统模型如图1所示,辐射源已调制信号s(t)激励功放,功放输出信号为x(t),经无线信道h(t)并叠加高斯白噪声v(t)到达接收机,对接收到的信号y(t)进行指纹特征提取和识别。并构建如图2所示的实验模型,使用USRP B210软件无线电设备发射433MHz载频的QPSK信号,基带信号带宽为75Hz,以1000个随机数字符号为一段信号。信号依次经功放和10dB固定衰减接入另一USRP B210设备,接收设备中心频率为433Mhz,采样率250kHz,采样带宽250kHz。通过向接收信号添加高斯白噪声来实现不同的接收信噪比。
实验使用三个同一型号、同一批次400~470MHz输入射频功放,提取指纹特征量。
图3给出了不同接收信噪比下指纹特征量对比图,(a)表示指纹特征向量a3/a1,(b)表示指纹特征向量a5/a1,(c)表示指纹特征向量a7/a1,(d)表示指纹特征向量a9/a1。可以看出,低信噪比时,三个功放的各阶指纹特征量均在相对较大的范围内波动,难以区分;随着信噪比的提升,各阶指纹特征量逐渐稳定在一固定值附近,能够区分不同功放。需要指出的是图3(d)中,功放指纹特征量a9/a1非常小,且波动范围接近,难以区分。实验表明9阶Taylor级数引起的指纹特征量已经很小且接近,故不再计算更高的阶指纹特征量。
使用支持向量机对三功放指纹特征量进行分类和识别。在每个信噪比下,以20段信号的指纹特征量作为训练样本,以其余80段信号的指纹特征量作为测试样本,进行分类识别,分类识别正确率与接收信号信噪比如图4所示。容易看出,接收信噪比大于11dB时,识别正确率在90%以上,实现了对功率放大器的识别与分类。信噪比较低时,识别率较低。
为比较符号样点值对识别性能的影响,调节接收端匹配滤波器降采样率,使符号样点值分别为2,4,8,16,32,并相应地设计成形滤波器。采集数据并进行特征提取和分类识别。识别结果如图5所示。符号样点值过小时,仅能提取一阶Taylor级数系数a1,对于同一型号同一批次放大器十分接近,无法正确分类。符号样点值为16时性能最好,采样率过高时,对噪声敏感,识别率下降。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的各实例的单元及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已按照功能一般性地描述了各示例的组成及步骤。这些功能是以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不认为超出本发明的范围。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如:只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现,相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种窄带信号功率放大器指纹特征提取方法,其特征在于,包含如下内容:
A)对接收信号依次进行自动增益控制、匹配滤波、频率补偿和符号同步,获取修正信号;
B)解调信号,并依次进行成形滤波和信号恢复,得到恢复后的功放激励信号;
C)建立功率放大器Taylor级数行为模型,根据修正信号和恢复后的功放激励信号,构建放大器指纹特征提取模型,通过最小二乘法,提取功率放大器Taylor级数系数作为指纹特征量;
D)通过指纹特征量训练支持向量机;构建信号测试集,通过训练后的支持向量机进行指纹特征的分类和识别。
2.根据权利要求1所述的窄带信号功率放大器指纹特征提取方法,其特征在于,A)中,对接收信号进行自动增益控制,调整接收信号幅值;通过滤波器对信号进行匹配滤波,调整信号采样率;利用快速傅里叶变换估计信号频偏并补偿,利用锁相环补偿剩余频偏;并通过信号同步,修正信号定时偏差,获取修正信号。
3.根据权利要求1所述的窄带信号功率放大器指纹特征提取方法,其特征在于,B)中,解调信号,根据信号匹配滤波时的滤波器设定成形滤波器参数,对信号做成形滤波并恢复出基带信号,得到功放激励信号。
4.根据权利要求1所述的窄带信号功率放大器指纹特征提取方法,其特征在于,C)中,对于窄带信号,某一时刻的输出与当前时刻的激励信号有关,功率放大器采用无记忆非线性器件,功率放大器输出信号与激励信号通过非线性函数表示,将该非线性函数作Taylor展开,获取功率放大器Taylor级数行为模型。
5.根据权利要求4所述的窄带信号功率放大器指纹特征提取方法,其特征在于,C)中,依据修正信号和恢复后的功放激励信号,获取功放激励信号包络和相位调制函数,估计出功率放大器Taylor级数系数。
6.根据权利要求1或4或5所述的窄带信号功率放大器指纹特征提取方法,其特征在于,C)中,将功率放大器Taylor级数高阶系数与一阶系数的比值作为指纹特征量,其中,高阶系数为大于一阶的系数。
7.根据权利要求6所述的窄带信号功率放大器指纹特征提取方法,其特征在于,C)中,指纹特征量表示为:其中,a2M-1为Taylor级数奇次幂系数,M为Taylor级数奇次幂阶数。
8.一种窄带信号功率放大器指纹特征提取装置,其特征在于,包含:修正模块、恢复模块、提取模块和识别模块,其中,
修正模块,用于通过对接收信号依次进行自动增益控制、匹配滤波、频率补偿和符号同步,获取修正信号;
恢复模块,用于通过解调信号,并依次进行成形滤波和信号恢复,得到恢复后的功放激励信号;
提取模块,用于通过建立功率放大器Taylor级数行为模型,并根据修正信号和恢复后的功放激励信号,构建放大器指纹特征提取模型,通过最小二乘法,提取功率放大器Taylor级数系数作为指纹特征量;
识别模块,用于通过指纹特征量训练支持向量机;构建信号测试集,通过训练后的支持向量机进行指纹特征的分类和识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810848882.5A CN109167641A (zh) | 2018-07-28 | 2018-07-28 | 窄带信号功率放大器指纹特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810848882.5A CN109167641A (zh) | 2018-07-28 | 2018-07-28 | 窄带信号功率放大器指纹特征提取方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109167641A true CN109167641A (zh) | 2019-01-08 |
Family
ID=64898545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810848882.5A Pending CN109167641A (zh) | 2018-07-28 | 2018-07-28 | 窄带信号功率放大器指纹特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109167641A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948731A (zh) * | 2019-03-29 | 2019-06-28 | 成都大学 | 一种通信电台个体识别方法、系统、存储介质及终端 |
CN110958054A (zh) * | 2019-12-05 | 2020-04-03 | 北京邮电大学 | 一种无线电发射机识别方法及装置 |
CN114024555A (zh) * | 2021-10-28 | 2022-02-08 | 电子科技大学 | 一种射频指纹可重构的前端电路及其重构方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101618701A (zh) * | 2009-08-19 | 2010-01-06 | 河北普华科技有限公司 | 车载警用电子设备集中控制装置 |
CN105261265A (zh) * | 2015-07-20 | 2016-01-20 | 沈阳理工大学 | 一种电子对抗技术实验教学系统 |
CN107092898A (zh) * | 2017-05-31 | 2017-08-25 | 北京邮电大学 | 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法 |
US20180070253A1 (en) * | 2013-03-15 | 2018-03-08 | DGS Global Systems, Inc. | Systems, methods, and devices for electronic spectrum management |
CN108282428A (zh) * | 2018-01-23 | 2018-07-13 | 大连理工大学 | 一种无需先验知识的常用通信信号调制方式的自动识别方法 |
-
2018
- 2018-07-28 CN CN201810848882.5A patent/CN109167641A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101618701A (zh) * | 2009-08-19 | 2010-01-06 | 河北普华科技有限公司 | 车载警用电子设备集中控制装置 |
US20180070253A1 (en) * | 2013-03-15 | 2018-03-08 | DGS Global Systems, Inc. | Systems, methods, and devices for electronic spectrum management |
CN105261265A (zh) * | 2015-07-20 | 2016-01-20 | 沈阳理工大学 | 一种电子对抗技术实验教学系统 |
CN107092898A (zh) * | 2017-05-31 | 2017-08-25 | 北京邮电大学 | 一种基于qpsk信号双谱能量熵和颜色矩的射频指纹识别方法 |
CN108282428A (zh) * | 2018-01-23 | 2018-07-13 | 大连理工大学 | 一种无需先验知识的常用通信信号调制方式的自动识别方法 |
Non-Patent Citations (1)
Title |
---|
许丹等: "窄带信号中的放大器"指纹"特征提取:原理分析及FM广播实测实验", 《电子学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948731A (zh) * | 2019-03-29 | 2019-06-28 | 成都大学 | 一种通信电台个体识别方法、系统、存储介质及终端 |
CN110958054A (zh) * | 2019-12-05 | 2020-04-03 | 北京邮电大学 | 一种无线电发射机识别方法及装置 |
CN110958054B (zh) * | 2019-12-05 | 2021-04-09 | 北京邮电大学 | 一种无线电发射机识别方法及装置 |
CN114024555A (zh) * | 2021-10-28 | 2022-02-08 | 电子科技大学 | 一种射频指纹可重构的前端电路及其重构方法 |
CN114024555B (zh) * | 2021-10-28 | 2022-07-29 | 电子科技大学 | 一种射频指纹可重构的前端电路及其重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
O'Shea et al. | Learning approximate neural estimators for wireless channel state information | |
CN106130942B (zh) | 一种基于循环谱的无线通信信号调制识别及参数估计方法 | |
CN105678273B (zh) | 射频指纹识别技术瞬态信号的起始点检测算法 | |
CN109167641A (zh) | 窄带信号功率放大器指纹特征提取方法及装置 | |
CN103716262B (zh) | 基于时域参数提取的信道估计方法 | |
CN103475602B (zh) | 一种考虑同频干扰的mimo‑ofdm信道估计方法 | |
CN104486267B (zh) | 一种短波信道下基于小波去噪的sc‑fde信道估计方法 | |
CN111884685A (zh) | 数字通信信号同步解调方法及其装置 | |
CN110690931B (zh) | 一种基于多小波基联合的数字信号自适应码率估计方法和装置 | |
CN110138459A (zh) | 基于基追踪去噪的稀疏水声正交频分复用信道估计方法及装置 | |
Zhendong et al. | Modulation recognition based on constellation diagram for M-QAM signals | |
CN104320369B (zh) | 一种基于信道估计误差和数据检测误差的迭代方法 | |
CN103428153B (zh) | 卫星移动通信中gmsk信号接收方法 | |
CN104852876A (zh) | 一种航空无线突发通信系统 | |
CN111935046B (zh) | 一种低复杂度的频移键控信号符号率估计方法 | |
CN110247867A (zh) | 水声多普勒估计方法及装置、水声通信方法及系统 | |
CN104868962B (zh) | 基于压缩感知的频谱检测方法及装置 | |
CN106330792A (zh) | 一种基于dft变换域的带内滤噪信道估计算法及系统 | |
CN103037402A (zh) | 天线校准链路的时延检测方法及装置 | |
CN110048982A (zh) | 不同符号速率的成对载波多址信号的盲分离方法及装置 | |
CN115664905A (zh) | 基于多域物理层指纹特征的Wi-Fi设备识别系统及方法 | |
CN112600784B (zh) | 一种基于二次差分相关的大频偏位同步方法 | |
CN109167744A (zh) | 一种相位噪声联合估计方法 | |
CN109495195A (zh) | 无线电通信pcma信号幅度的联合估计方法及装置 | |
CN106603131A (zh) | 一种用于mimo系统的帧同步方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |
|
RJ01 | Rejection of invention patent application after publication |