摘要:随着无人机的广泛应用,导航诱骗技术已成为应对无人机恶意入侵、确保安全的重要手段之一。为此,全面分析了无人机导航诱骗技术的研究现状、技术原理和发展趋势。首先,深入分析了无人机导航诱骗技术的研究进展,根据信号生成方式、实现目的、实施显隐性的不同对该技术进行分类;其次,针对未来反诱骗技术的发展,预测无人机导航诱骗与反诱骗对抗、诱骗隐蔽性增强、多手段联合诱骗、模拟导航合作式应用和智能化诱骗等将成为主要发展趋势;最后,对未来违规飞行目标动态精准诱骗研究以及加强导航诱骗技术合规化使用进行了展望。

摘要:基于深度学习的语义通信旨在传递用户意图和语义信息,有望成为6G网络“内生智能”架构的重要技术支撑,但语义通信系统的对抗鲁棒性及其安全性尚未得到充分研究。为此,提出了一种基于信息瓶颈准则约束的对抗鲁棒语义通信方法,给出了语义通信系统模型, 并从互信息理论的角度分析了系统模型发射端、信道以及接收端中语义信息的任务相关和任务无关特征。在保留原始语义相似性的前提下,加入信息瓶颈准则约束,抑制解码器中间表征的任务无关特征,从而增强语义通信模型的抗干扰能力。通过实验以及综合分析,证明了该方法在提高基于深度学习的多级语义通信系统的对抗鲁棒性方面的优越性能。

摘要:自动调制识别在无线通信中具有关键作用。随着深度学习技术的发展,研究人员将其应用于无线电信号的调制识别中,表现出优于传统方法的性能。然而,纯数据驱动的方法存在诸多限制,如对大规模数据的依赖、对信道环境变化的敏感性以及高计算复杂度。为了解决这些问题,将经典信号处理与深度学习相结合,通过经典信号处理方法来引导和优化深度学习模型,从而提升其在数据异构、小样本、低信噪比、多径信道、开集和轻量化等复杂场景下的识别能力。研究结果表明,经典信号处理赋能的深度学习方法在复杂场景下显著提高了调制识别的性能和可靠性。另外,讨论了未来研究面临的关键挑战,包括信号处理算法的选择、计算范式的创新以及深度学习模型的可解释性,这些挑战的解决将进一步促进经典信号处理与深度学习在无线电调制识别中的应用和发展,为未来的无线电信号智能处理指明新方向。

摘要:随着通信系统不断向更高频段和更大带宽方向发展,硬件非理想性的影响愈发显著,尤其是功放非线性和相位噪声导致的信号畸变问题。为改善这一状况,提出了一种基于正交幅度调制(quadrature amplitude modulation, QAM)投影的人工智能辅助星座图设计方案。首先,借助基于离散傅里叶扩展正交频分复用(discrete Fourier transform spread orthogonal frequency division multiplexing, DFT-s-OFDM)驱动的神经网络模型,在非理想信道和时频性能指标损失等多重约束下进行星座学习,以降低系统误码率。随后,根据所提出的最小加权径角距离准则,将优化后的星座投影到QAM上,从而设计抗硬件非理想性强,且兼容现有体制的N-nMod_M-QAM星座。仿真结果表明,在相位噪声影响的信道下,提出的星座调制方案在性能增益和鲁棒性方面均优于同阶QAM、幅度相移键控(amplitude-phase shift keying, APSK)以及螺旋调制。

摘要:军事通信系统覆盖陆、海、空、天等作战全域,其面临的电磁环境、网络状态、业务需求等会随着作战行动的推进显著变化,因此如何认知瞬时的军事通信场景并给出自适应匹配的通信决策方案成为难题。针对场景驱动的自适应通信决策问题,研究了基于时序知识图谱的军事通信场景认知技术。首先,通过军事通信系统感知的多域信息构建军事通信场景本体架构,并从战场环境域、网络状态域以及用户行为域多维度对军事通信场景特征集进行了完整描述和特征表达。其次,对军事通信场景特征进行知识抽取、融合与表征,构建了面向军事通信场景的时序知识图谱。最后,在时序知识图谱的基础上嵌入知识表示学习模型,增强系统对未知通信场景的认知与推理预测能力,并对基于知识图谱的正交频分复用(OFDM)通信波形适变策略进行了功能验证。仿真实验表明,所提的军事通信场景认知与波形适变方法可以明显降低系统在城市、郊区、密林等不同场景下的误码率性能,有效提升了军事通信系统的自适应能力。

摘要:随着通信技术的不断发展,信号带宽的增加和信号复杂度的提升使得频谱感知,尤其是宽带频谱感知面临精确度和硬件实现等诸多挑战。为改善宽带频谱感知中感知精度低、 采样资源需求大的问题,提出了一种新的基于转置采样的宽带频谱感知架构———转置调制宽带转换器(transposed modulated wideband converter,TMWC)。为重构原始信号频谱, TMWC架构以信号矩阵边界的非0元素作为目标,基于转置采样模型,通过固定采样间隔的测量矩阵和估计支撑集恢复原始频谱。TMWC只需要一部分的信号频谱用于恢复频谱支撑,从而降低了信号矩阵稀疏度,实现了理论最小采样率采样。仿真结果表明,在低信噪比和低采样率的情况下,TMWC架构对多频带信号具有较好的感知性能。对于不同稀疏度的信号,TMWC架构具有比传统宽带频谱感知架构更强的感知性能。

摘要:随着深度学习这一项技术的迅速普及,深度学习模型在信号自动调制分类任务具备优秀效果的同时,其脆弱性也使得模型易受到中毒攻击。为了解决在缺少先验知识的场景下缺少通用的中毒防御策略问题,提出一种基于信号迁移性观测的中毒样本检测方法。该方法主要通过对信号样本的迁移性观测进行检测,核心是利用迁移性观测器计算出的相似度衡量样本的可迁移性。检测过程分为离线阶段与在线阶段。离线阶段中,通过一批干净的数据集,基于迁移性观测器的输出计算类内相似度与类间相似度,继而有策略地获取类别检测阈值;在线阶段中,基于迁移性观测器和输入样本的分类结果进行迁移性观测,判断样本是否中毒。

摘要:由于计算能力和内存的限制,很难将传统的深度学习模型应用于物联网边缘设备, 以实现自动调制识别。为有效结合卷积神经网络和视觉Transformer网络的优势,引入了一种应用于物联网边缘设备的卷积和Transformer组合网络模型ICTNet(Internet of Things CNN Transformer network)。ICTNet不仅拥有Transformer的优势来捕捉特征长程依赖关系,还可以利用CNN的优势提取特征局部信息,在缩减模型大小的同时增加调制识别精度。ICTNet模型在RadioML2016.10a、RadioML2016.10b和RadioML2016.04c数据集中的平均识别准确率分别为61.51%、64.18%和71.96%。此外,ICTNet在典型边缘设备上处理每个信号样本的时间接近0.01 ms,且比现有的DL-AMR模型小很多,只有29 455个参数。