CN114201990A - 一种基于决策树的通信干扰识别方法 - Google Patents

一种基于决策树的通信干扰识别方法 Download PDF

Info

Publication number
CN114201990A
CN114201990A CN202111461269.6A CN202111461269A CN114201990A CN 114201990 A CN114201990 A CN 114201990A CN 202111461269 A CN202111461269 A CN 202111461269A CN 114201990 A CN114201990 A CN 114201990A
Authority
CN
China
Prior art keywords
interference
noise
signal
broadband
time domain
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
Application number
CN202111461269.6A
Other languages
English (en)
Inventor
邵震洪
李志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Space E Star Communication Technology Co ltd
Original Assignee
Space E Star Communication Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Space E Star Communication Technology Co ltd filed Critical Space E Star Communication Technology Co ltd
Priority to CN202111461269.6A priority Critical patent/CN114201990A/zh
Publication of CN114201990A publication Critical patent/CN114201990A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Noise Elimination (AREA)

Abstract

本发明公开了一种基于决策树的通信干扰识别方法，包括以下步骤：S1根据3dB带宽Bw判断干扰信号属于窄带干扰或宽带干扰；S2当所述干扰信息信号为窄带干扰时，根据时域矩偏度将窄带干扰分为多音干扰SCWI以及单音干扰CWI或噪声调幅干扰NAM；S3根据时域包络起伏度将步骤S2中的单音干扰CWI、噪声调幅干扰NAM分开。本发明针对单音干扰CWI、多音干扰SCWI、宽带梳状谱干扰CSI、扫频干扰LFI、脉冲干扰PI、宽带噪音干扰WBI、噪声调幅干扰NAM、噪声调频干扰NFM这八种干扰信号的特征参数的分布情况，利用决策树方法自上而下，按照顺序执行判决。

Description

一种基于决策树的通信干扰识别方法
技术领域
本发明涉及通信干扰识别技术领域，具体为一种基于决策树的通信干扰识别方法。
背景技术
公知的，电子通信通常分为军事通信与民用通信两大类，通信对抗技术的研究在这两大场景中都有十分重要的意义。
在军事通信方面，迅速发展的通信技术已经影响着新一代的战争形态。信息战作为一种新型的作战方式，以信息获取不对称作为制胜的关键性因素，其内容包括敌我双方的相互侦查，干扰压制等，目的是为了扰乱敌方通信性能，破坏对方的信息获取，使接收机不能正常工作，同时又尽可能地保证己方通信系统安全可靠，接收机能够稳定的工作。在民用通信方面，通信技术发展迅速，涌现出各种形式的新型业务，人们对通信速度的需求也越来越高，相互之间的干扰也越来越严重，另外，民用通信中也出现越来越多的有意干扰，影响通信传输的安全、可靠性。因此，为了使频谱资源能够更加合理高效地利用，并且提高信息传输系统的稳定性，就需要实现对通信系统传输中的信号准确检测和分析。
如申请公布号为：CN112818891A，申请公布日为2021.05.18，名称为一种通讯干扰信号类型智能识别方法的发明申请，其具体方法包括干扰识别过程分为预处理部分和识别网络部分，在预处理部分对接收机接收到的信号进行时域加窗、功率归一化处理和傅里叶变换，得到时域数据和频域数据；在识别网络部分首先将时域数据输入到时域特征提取支路，通过时域卷积模块和时域 LSTM模块得到时域特征；同时将频域数据输入频域特征提取支路，通过频域卷积模块和频域LSTM模块得到频域特征；然后将时域特征和频域特征送入融合模块进行特征融合；最后将得到的融合特征送入分类模块对干扰信号进行分类识别，得到干扰信号的类型识别结果
针对通信系统中常见的干扰方式，相应地出现了许多抗干扰技术的研究，主要在以下两个方面做出改进：一、改变传输信息的发送形式，如采用扩频，短时通信，跳时通信等隐蔽性更高的方式，使信号难以被检测到，保证信号的安全传输，二、提高系统干扰检测与抑制的能力，对接收到的信号进行干扰检测，若存在干扰则采取相应的处理对策进行干扰抑制与消除，使能最大化地恢复未受干扰前的原始信号，但是在实际应用中，干扰信号的形式往往复杂多变，干扰的方式也各式各样，接收机不可能做到对所有的干扰都有有效的抑制作用，因此，实现对干扰信号的有效区分识别就变得尤为重要，通过对干扰信号的识别可以更有针对性地对干扰信号采取相应的处理措施，从而提高通信系统的稳定性。
发明内容
本发明的目的是提供一种基于决策树的通信干扰识别方法，以解决现有技术中的上述不足之处。
为了实现上述目的，本发明提供如下技术方案：一种基于决策树的通信干扰识别方法，包括以下步骤；
S1：根据3dB带宽Bw判断干扰信号属于窄带干扰或宽带干扰；
S2：当所述干扰信息信号为窄带干扰时，根据时域矩偏度将窄带干扰分为多音干扰SCWI以及单音干扰CWI或噪声调幅干扰 NAM；
S3：根据时域包络起伏度将步骤S2中的单音干扰CWI、噪声调幅干扰NAM分开；
S4：当所述干扰信息信号为宽带干扰时，根据冲击频谱标准差将宽带信号分为宽带梳状谱干扰CSI或扫频干扰LFI、脉冲干扰 PI、宽带噪音干扰WBI、噪声调频干扰NFM；
S5：根据时域峰度系数将步骤S4中的信号分为脉冲干扰PI 或扫频干扰LFI、宽带噪音干扰WBI、噪声调频干扰NFM；
S6：根据时域矩偏度将步骤S5中的扫频干扰LFI、宽带噪音干扰WBI、噪声调频干扰NFM三个信号分为宽带噪音干扰WBI 或扫频干扰LFI、噪声调频干扰NFM；
S7：根据频域包络因子将步骤S6中的扫频干扰LFI、噪声调频干扰NFM两个信号区分开。
作为上述技术方案的进一步描述：所述步骤S1中3dB带宽 Bw为：
Figure RE-RE-GDA0003512613650000031
Tsu取为 0.707；
当小于设定的阈值3dB带宽Bw，则为窄带干扰，否则为宽带干扰。
作为上述技术方案的进一步描述：所述步骤S2中时域矩偏度为：
Figure RE-RE-GDA0003512613650000032
A(n)表示信号的时域包络，μt为信号的幅度均值，σt为标准差；
在窄带干扰里当结果大于设定的阈值时域矩偏度时为多音干扰，否则为单音干扰、噪声调幅干扰类。
作为上述技术方案的进一步描述：所述步骤S3中时域包络起伏度为：
Figure RE-RE-GDA0003512613650000033
μt为信号的幅度均值，σt为标准差；
当结果小于设定的阈值时域包络起伏度时为单音干扰，否则为噪声调幅干扰。
作为上述技术方案的进一步描述：所述步骤S4中冲击频谱标准获取方法为：
S4.1：将信号频谱去掉平坦部分，剩下的冲激部分为
Figure RE-RE-GDA0003512613650000041
Figure RE-RE-GDA0003512613650000042
S4.2：信号的冲激频谱
Figure RE-RE-GDA0003512613650000047
的标准差为
Figure RE-RE-GDA0003512613650000043
Figure RE-RE-GDA0003512613650000044
为归一化频谱，L为平均滑动窗口宽度，取L＝0.03N，N为信号傅里叶变换点数；
S4.3：当结果大于设定的阈值冲击频谱标准差时为宽带梳状谱干扰，否则为扫频干扰、脉冲干扰、宽带噪音干扰、噪声调频干扰类。
作为上述技术方案的进一步描述：所述步骤S5中：时域峰度系数为Rpm＝Amax/Amean，其中Amax是信号时域幅度的最大值， Amean是信号时域幅度的平均值，通过仿真得到当结果大于设定的阈值时域峰度系数时为脉冲干扰，否则为扫频干扰、宽带噪音干扰、噪声调频干扰类。
作为上述技术方案的进一步描述：所述步骤S6中时域矩偏度为：
Figure RE-RE-GDA0003512613650000045
其中A(n)表示信号的时域包络，μt为信号的幅度均值，σt 为标准差；
通过仿真得到扫频干扰、宽带噪音干扰、噪声调频干扰类中当结果大于设定的阈值时域矩偏度时为宽带噪音干扰，否则为扫频干扰、噪声调频干扰类。
作为上述技术方案的进一步描述：所述频域包络因子为：
Figure RE-RE-GDA0003512613650000046
μf为信号的频谱均值，σf为标准差；
通过仿真得到当结果大于设定的阈值频域包络因子时为扫频干扰，否则为噪声调频干扰。
作为上述技术方案的进一步描述：在步骤S1之前还包括以下步骤：
根据叶节点与预先设计好的内部节点设计决策树；
用已知类别的样本训练内部节点的属性阈值；
阈值训练完成的决策树即可用于未知类别样本的分类识别，将样本的属性值输入对应属性的内部节点，在与节点阈值比计较后，决策树会将信号输出到比较结果对应的下一节点，在下一节点进行另一属性值与阈值的比较后再输出，直至样本被输出到叶节点。
在上述技术方案中，本发明提供的一种基于决策树的通信干扰识别方法，针对单音干扰CWI、多音干扰SCWI、宽带梳状谱干扰CSI、扫频干扰LFI、脉冲干扰PI、宽带噪音干扰WBI、噪声调幅干扰NAM、噪声调频干扰NFM这八种干扰信号的特征参数的分布情况，利用决策树方法自上而下，按照顺序执行判决，使得系统能够在八种不同干扰信号下进行识别分类的，实现对干扰信号的有效区分识别，且通过算法实现后准确率也得到保证，提高通信系统的稳定性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于决策树的通信干扰识别方法的决策树的算法流程示意图；
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
请参阅图1，本发明实施例提供一种技术方案：一种基于决策树的通信干扰识别方法，包括以下步骤：
S1：根据3dB带宽Bw判断干扰信号属于窄带干扰或宽带干扰；
S2：当所述干扰信息信号为窄带干扰时，根据时域矩偏度将窄带干扰分为多音干扰SCWI以及单音干扰CWI或噪声调幅干扰 NAM；
S3：根据时域包络起伏度将步骤S2中的单音干扰CWI、噪声调幅干扰NAM分开；
S4：当所述干扰信息信号为宽带干扰时，根据冲击频谱标准差将宽带信号分为宽带梳状谱干扰CSI或扫频干扰LFI、脉冲干扰 PI、宽带噪音干扰WBI、噪声调频干扰NFM；
S5：根据时域峰度系数将步骤S4中的信号分为脉冲干扰PI 或扫频干扰LFI、宽带噪音干扰WBI、噪声调频干扰NFM；
S6：根据时域矩偏度将步骤S5中的扫频干扰LFI、宽带噪音干扰WBI、噪声调频干扰NFM三个信号分为宽带噪音干扰WBI 或扫频干扰LFI、噪声调频干扰NFM；
S7：根据频域包络因子将步骤S6中的扫频干扰LFI、噪声调频干扰NFM两个信号区分开。
进一步的，步骤S1中3dB带宽Bw为：
Figure RE-RE-GDA0003512613650000061
Tsu取为 0.707；
当小于设定的阈值3dB带宽Bw，则为窄带干扰，否则为宽带干扰，具体的，窄带干扰包括单音干扰CWI、多音干扰SCWI以及噪声调幅干扰NAM，并进入步骤S2，宽带干扰包括宽带梳状谱干扰CSI、扫频干扰LFI、脉冲干扰PI、宽带噪音干扰WBI以及噪声调频干扰NFM，并进入步骤S4。
步骤S2中时域矩偏度为：
Figure RE-RE-GDA0003512613650000071
A(n)表示信号的时域包络，μt为信号的幅度均值，σt为标准差；
在窄带干扰里当结果大于设定的阈值时域矩偏度时为多音干扰，否则为单音干扰、噪声调幅干扰。
进一步的，步骤S3中时域包络起伏度为：
Figure RE-RE-GDA0003512613650000072
μt为信号的幅度均值，σt为标准差；
当结果小于设定的阈值时域包络起伏度时为单音干扰，否则为噪声调幅干扰。
进一步的，步骤S4中冲击频谱标准获取方法为：
S4.1：将信号频谱去掉平坦部分，剩下的冲激部分为
Figure RE-RE-GDA0003512613650000073
Figure RE-RE-GDA0003512613650000074
S4.2：信号的冲激频谱
Figure RE-RE-GDA0003512613650000077
的标准差为
Figure RE-RE-GDA0003512613650000075
Figure RE-RE-GDA0003512613650000076
为归一化频谱，L为平均滑动窗口宽度，取L＝0.03N，N为信号傅里叶变换点数；
S4.3：当结果大于设定的阈值冲击频谱标准差时为宽带梳状谱干扰，否则为扫频干扰、脉冲干扰、宽带噪音干扰、噪声调频干扰类，并进入步骤S5。
进一步的，步骤S5中：时域峰度系数为Rpm＝Amax/Amean，其中Amax是信号时域幅度的最大值，Amean是信号时域幅度的平均值，通过仿真得到当结果大于设定的阈值时域峰度系数时为脉冲干扰，否则为扫频干扰、宽带噪音干扰、噪声调频干扰类,并进入步骤S6。
进一步的，步骤S6中时域矩偏度为：
Figure RE-RE-GDA0003512613650000081
其中A(n)表示信号的时域包络，μt为信号的幅度均值，σt
为标准差；
通过仿真得到扫频干扰、宽带噪音干扰、噪声调频干扰类中当结果大于设定的阈值时域矩偏度时为宽带噪音干扰，否则为扫频干扰、噪声调频干扰类，并进入到步骤S7。
进一步的，步骤S7中频域包络因子为：
Figure RE-RE-GDA0003512613650000082
μf为信号的频谱均值，σf为标准差；
通过仿真得到当结果大于设定的阈值频域包络因子时为扫频干扰，否则为噪声调频干扰。
在步骤S1之前还包括以下步骤：
根据叶节点与预先设计好的内部节点设计决策树；
用已知类别的样本训练内部节点的属性阈值；
阈值训练完成的决策树即可用于未知类别样本的分类识别，将样本的属性值输入对应属性的内部节点，在与节点阈值比计较后，决策树会将信号输出到比较结果对应的下一节点，在下一节点进行另一属性值与阈值的比较后再输出，直至样本被输出到叶节点。
具体的，样本进入的叶节点对应的干扰类别即为判决结果，计算接收信号的特征参数，将其输入内部节点与阈值比较，当结果大于阈值时，判决干扰属于集合A；当结果小于阈值时，判决干扰属于集合B，集合A、B分别对应不同的内部节点，根据信号属于的集合对信号其他属性进行判决，将信号根据判决结果输出到下一级节点对应的集合(A或B的子集)，直到输出的集合对应的是叶节点，此时集合只对应一种干扰，即判决出了干扰信号的类别。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (9)

1.一种基于决策树的通信干扰识别方法，其特征在于，包括以下步骤；
S1：根据3dB带宽Bw判断干扰信号属于窄带干扰或宽带干扰；
S2：当所述干扰信息信号为窄带干扰时，根据时域矩偏度将窄带干扰分为多音干扰SCWI以及单音干扰CWI或噪声调幅干扰NAM；
S3：根据时域包络起伏度将步骤S2中的单音干扰CWI、噪声调幅干扰NAM分开；
S4：当所述干扰信息信号为宽带干扰时，根据冲击频谱标准差将宽带信号分为宽带梳状谱干扰CSI或扫频干扰LFI、脉冲干扰PI、宽带噪音干扰WBI、噪声调频干扰NFM；
S5：根据时域峰度系数将步骤S4中的信号分为脉冲干扰PI或扫频干扰LFI、宽带噪音干扰WBI、噪声调频干扰NFM；
S6：根据时域矩偏度将步骤S5中的扫频干扰LFI、宽带噪音干扰WBI、噪声调频干扰NFM三个信号分为宽带噪音干扰WBI或扫频干扰LFI、噪声调频干扰NFM；
S7：根据频域包络因子将步骤S6中的扫频干扰LFI、噪声调频干扰NFM两个信号区分开。
2.根据权利要求1所述的一种基于决策树的通信干扰识别方法，其特征在于，所述步骤S1中3dB带宽Bw为：
Figure FDA0003389854430000011
Figure FDA0003389854430000012
Tsu取为0.707；
当小于设定的阈值3dB带宽Bw，则为窄带干扰，否则为宽带干扰。
3.根据权利要求1所述的一种基于决策树的通信干扰识别方法，其特征在于，所述步骤S2中时域矩偏度为：
Figure FDA0003389854430000013
A(n)表示信号的时域包络，μt为信号的幅度均值，σt为标准差；
在窄带干扰里当结果大于设定的阈值时域矩偏度时为多音干扰，否则为单音干扰、噪声调幅干扰类。
4.根据权利要求1所述的一种基于决策树的通信干扰识别方法，其特征在于，所述步骤S3中时域包络起伏度为：
Figure FDA0003389854430000021
μt为信号的幅度均值，σt为标准差；
当结果小于设定的阈值时域包络起伏度时为单音干扰，否则为噪声调幅干扰。
5.根据权利要求1所述的一种基于决策树的通信干扰识别方法，其特征在于，所述步骤S4中冲击频谱标准获取方法为：
S4.1：将信号频谱去掉平坦部分，剩下的冲激部分为
Figure FDA0003389854430000022
Figure FDA0003389854430000023
S4.2：信号的冲激频谱
Figure FDA0003389854430000024
的标准差为
Figure FDA0003389854430000025
Figure FDA0003389854430000026
为归一化频谱，L为平均滑动窗口宽度，取L＝0.03N，N为信号傅里叶变换点数；
S4.3：当结果大于设定的阈值冲击频谱标准差时为宽带梳状谱干扰，否则为扫频干扰、脉冲干扰、宽带噪音干扰、噪声调频干扰类。
6.根据权利要求1所述的一种基于决策树的通信干扰识别方法，其特征在于，所述步骤S5中：时域峰度系数为Rpm＝Amax/Amean，其中Amax是信号时域幅度的最大值，Amean是信号时域幅度的平均值，通过仿真得到当结果大于设定的阈值时域峰度系数时为脉冲干扰，否则为扫频干扰、宽带噪音干扰、噪声调频干扰类。
7.根据权利要求1所述的一种基于决策树的通信干扰识别方法，其特征在于，所述步骤S6中时域矩偏度为：
Figure FDA0003389854430000027
其中A(n)表示信号的时域包络，μt为信号的幅度均值，σt为标准差；
通过仿真得到扫频干扰、宽带噪音干扰、噪声调频干扰类中当结果大于设定的阈值时域矩偏度时为宽带噪音干扰，否则为扫频干扰、噪声调频干扰类。
8.根据权利要求1所述的一种基于决策树的通信干扰识别方法，其特征在于，所述频域包络因子为：
Figure FDA0003389854430000031
μf为信号的频谱均值，σf为标准差；
通过仿真得到当结果大于设定的阈值频域包络因子时为扫频干扰，否则为噪声调频干扰。
9.根据权利要求1所述的一种基于决策树的通信干扰识别方法，其特征在于，在步骤S1之前还包括以下步骤：
根据叶节点与预先设计好的内部节点设计决策树；
用已知类别的样本训练内部节点的属性阈值；
阈值训练完成的决策树即可用于未知类别样本的分类识别，将样本的属性值输入对应属性的内部节点，在与节点阈值比计较后，决策树会将信号输出到比较结果对应的下一节点，在下一节点进行另一属性值与阈值的比较后再输出，直至样本被输出到叶节点。
CN202111461269.6A 2021-12-03 2021-12-03 一种基于决策树的通信干扰识别方法 Pending CN114201990A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111461269.6A CN114201990A (zh) 2021-12-03 2021-12-03 一种基于决策树的通信干扰识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111461269.6A CN114201990A (zh) 2021-12-03 2021-12-03 一种基于决策树的通信干扰识别方法

Publications (1)

Publication Number Publication Date
CN114201990A true CN114201990A (zh) 2022-03-18

Family

ID=80650229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111461269.6A Pending CN114201990A (zh) 2021-12-03 2021-12-03 一种基于决策树的通信干扰识别方法

Country Status (1)

Country Link
CN (1) CN114201990A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116683982A (zh) * 2023-07-28 2023-09-01 齐鲁空天信息研究院 面向精准定位的多模多频信号功率异常监测及增强方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116683982A (zh) * 2023-07-28 2023-09-01 齐鲁空天信息研究院 面向精准定位的多模多频信号功率异常监测及增强方法
CN116683982B (zh) * 2023-07-28 2023-10-10 齐鲁空天信息研究院 面向精准定位的多模多频信号功率异常监测及增强方法

Similar Documents

Publication Publication Date Title
WO2018176889A1 (zh) 一种数字通信信号调制方式自动识别方法
CN111399002B (zh) 一种基于两级神经网络的gnss接收机组合干扰分类识别方法
CN105678273A (zh) 射频指纹识别技术瞬态信号的起始点检测算法
Sa et al. Specific emitter identification techniques for the internet of things
Zhao et al. Recognition of digital modulation signals based on high-order cumulants
CN104618277B (zh) 一种在窄带干扰下的短波ofdm信道估计方法
CN112014801A (zh) 一种基于SPWVD和改进AlexNet的复合干扰识别方法
CN111059066A (zh) 一种基于自相关谱和均衡平方包络谱的离心泵汽蚀状态判别方法
Chen et al. LoRa radio frequency fingerprint identification based on frequency offset characteristics and optimized LoRaWAN access technology
CN114201990A (zh) 一种基于决策树的通信干扰识别方法
CN116506043A (zh) 一种psk数字调制通信信号的受扰状态识别方法、系统、设备及介质
CN114114194A (zh) 一种相控阵雷达主瓣干扰识别方法
KR102347174B1 (ko) 앙상블 기반 무선 핑거프린팅 장치 및 이를 이용한 송출원 식별 방법
Qian et al. Modulation classification based on cyclic spectral features and neural network
Wang et al. Specific emitter identification based on deep adversarial domain adaptation
CN111740936B (zh) 一种对编译码通信中脉冲干扰的抑制方法及电路
CN109104215A (zh) 一种基于小波变换的跳频信号码元速率盲估计方法
CN109076038B (zh) 用于对频带中包含的信号的参数进行估计的方法
CN113905383B (zh) 一种基于射频指纹的iff信号识别方法、装置及介质
Chen et al. Isolated forest-based ZigBee device identification using adaptive filter coefficients
Tan et al. Preamble detection based on cyclic features of Zadoff–Chu sequences for underwater acoustic communications
Molchanov et al. A novel bispectrum-based frequency encoding technique developed for noisy and multipath fading radio links
Cai et al. Application of three-threshold FCME and extended interpolation algorithm in narrowband interference suppression
Kosmowski et al. A novel OFDM sensing method based on CAF-max for hybrid detectors architecture
Gkelias et al. GAN-based detection of adversarial EM signal waveforms

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication