一、软件无线电结构模型及关键实现技术(论文文献综述)
马李庆[1](2021)在《认知无线电中基于多循环频率的协作频谱感知方法研究》文中研究指明认知无线电(Cognitive Radio,CR)技术作为一种能合理利用空闲频段进行通信的智能频谱共享技术,在频谱资源日益紧缺的今天受到了广泛关注。频谱感知是实现频谱共享的首要环节,也是实现频谱共享的关键一步。本文主要围绕频谱感知技术展开研究,在循环平稳特征检测的基础上通过对授权用户信息的充分利用来改善检测性能。本文完成的主要工作如下:(1)介绍了认知无线电的相关背景。详细分析了频谱感知方法中的本地频谱检测和多用户协作频谱检测。(2)讨论了基于循环谱的感知方法。针对循环平稳特征检测中单循环频率检测不能充分利用信号循环谱信息的缺点,提出了联合多个循环频率的协作频谱感知方法,通过对信号多个循环平稳特征和多个认知用户信息的充分利用来改善检测性能。(3)研究了基于信息辅助的协作频谱感知方法。通过共享多个认知用户的信息和对授权用户信号多循环平稳特征的充分利用来提升检测性能。同时考虑到认知节点处判决可信度的问题,利用无线环境图(Radio Environment Map,REM)技术作为对认知无线电系统的一种信息支撑,便捷地获取各认知节点处的判决可信度权值,通过加权融合来提高检测概率,从而改善认知无线电系统的整体性能。(4)搭建了基于软件无线电的通信信号接收平台。具体实现了对通信信号的接收及循环谱计算,同时对802.11a上位机系统进行了界面化实现。仿真和实验结果表明,联合多个循环频率参与检测能充分利用信号的多循环平稳特征,当考虑认知节点处判决可信度时,基于信息辅助的检测方法不需要考虑认知用户自身信噪比信息,在低信噪比条件下有着良好的检测性能;此外,利用软件无线电平台能实现对通信信号的有效接收和循环谱计算。
乔钧[2](2021)在《基于FPGA的数字中频板的设计与实现》文中进行了进一步梳理软件无线电在商业和军事的通信基础设施中广泛应用,数字中频技术是软件无线电的关键技术之一。软件无线电的大部分功能是由可编程的信号处理器件来实现,这就使得无线电系统能够改变其运行参数来适应新的特征和功能。数字中频技术是软件无线电技术中的关键技术,它是连接射频前端与数字信号处理后端的桥梁。FPGA具有专用集成电路的高性能的特点并且有通用DSP器件的灵活性,FPGA已经广泛应用到各种通信系统中,并且在数字中频技术中的信号处理方面也越来越收到欢迎。本文对数字中频技术展开研究,对该领域的关键技术进行了详细研究,基于FPGA完成数字中频板的硬件与逻辑设计。首先,本文介绍了数字中频技术的研究背景,介绍了软件无线电中数字中频的应用,同时介绍了国内外的研究现状。分析了数字中频过程中运用的原理,阐述了数字上变频、数字下变频的原理,介绍了CIC抽取滤波、CIC插值滤波、FIR抽取滤波、FIR抽取滤波的方法,介绍了采样定理以及数模/模数转换的原理。其次,完成了数字中频板的系统硬件整体设计,各个分模块:电源模块、时钟模块、数模转换模块、模数转换模块及FPGA外围电路的设计。然后,完成了系统的逻辑设计:数字下变频、数字上变频、FIR抽取/插值滤波及高速通信接口srio、aurora以及时钟配置接口SPI的设计,同时对滤波器的功能进行了仿真验证,仿真结构与设计目的基本一致。最后,完成数字中频板的硬件状态的检测,对系统逻辑功能进行了验证。抓取的信号表明数字下变频的输出符合预期目标,从DAC输出的信号与计算结果一致,高速通信的接口可以正确的传输数据,最终结果表明设计符合预期目标。
陈志运[3](2021)在《基于USRP和深度学习的电磁干扰信号检测与识别系统》文中认为电磁干扰(EMI)是影响电子设备工作性能的一大障碍,尤其是在当今充斥着各式各样电磁信号的复杂空间电磁环境下,电磁干扰问题越来越严峻。因此要确保复杂电磁环境下设备正常运行和信号可靠传输,电磁干扰是一个迫切需要解决的问题,而干扰信号采集、检测及分析与识别则是其中的重要基础和前提。本文基于软件无线电外设USRP和便携式示波器实现了一款电磁干扰一体化检测硬件平台,并研究了基于深度学习的信号调制识别算法对25种辐射干扰信号的调制类型进行了识别。最后对硬件平台和软件算法进行集成,实现了一套电磁干扰检测与识别系统。本文的主要研究内容和创新点如下:(1)基于USRP和便携式示波器实现了一种小型一体化干扰检测单元。利用GNU Radio和USRP设计开发了辐射干扰信号的检测和采集装置,并通过多单元扩展协同扫描的方法,提高了频域监测带宽,实现了低成本大宽带的实时频谱监测。为智能化、高动态的新型电磁干扰检测设备及系统研制提供新的研究思路。(2)研究了基于深度学习的无线信号调制方式识别方法。设计了一种ResNet残差网络调制识别模型,并引入自注意力机制对模型的长期时序依赖信息学习能力进行了改善。结合插值、抽取和加噪声的数据增强方式,扩大数据集样本空间,增强模型鲁棒性和泛化能力。最后针对25种调制信号类型进行识别,实验结果表明,在SNR≥3dB时,实现信号平均识别率整体达到了 96%以上。(3)基于深度学习多任务学习方法搭建了一个同时用于信号调制识别和信噪比预测的多任务网络模型。通过利用同一个共享参数的主干神经网络来学习任务之间的共性特征,对这两个任务进行联合优化并相互促进学习。最终实现SNR≥5dB时平均识别率达到98%以上,信噪比预测平均绝对值误差整体低于0.56dB。实验结果表明,该多任务学习网络能很好完成调制分类及信噪比预测两项任务。
卢忠勉[4](2021)在《基于软件无线电的OFDM系统智能抗干扰方法研究》文中研究说明正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是一种多载波调制技术,具有传输速率快和抗衰落性强的特点,被广泛应用于军事和民用通信领域。然而,随着信息化程度的提高,电磁环境变得愈发恶劣,无线通信系统面临着越来越严峻的考验。通信干扰设备所施放的干扰信号一般有单音干扰、多音干扰和部分带干扰等,这些干扰会使OFDM系统误码率增大甚至无法通信。OFDM系统在面对干扰时,如何实现高速、高效和高质量的通信是本文的重点研究问题,本文采用三种解决方案:(1)调整调制方式,采用高效率的调制方式能有效提高OFDM系统通信速度;(2)调整发射功率,使OFDM系统尽可能用较小的发射功率获得较好的通信效果;(3)调整子带,通过改变OFDM信息子带的分配方案灵活有效地躲避干扰,保证高质量通信。然而,在实际的OFDM系统中,这三种方案往往不能同时兼顾,因此需要一种智能决策方法对三种调整方法进行折中选择。强化学习(Reinforcement Learning,RL)是机器学习中的一种,能通过学习以达成回报最大化或实现特定目标,因此本文根据不同的干扰类型,利用强化学习对OFDM的调制方式、发射功率和子带位置三者进行智能决策来实现通信性能最优的目的。首先,对OFDM智能抗干扰方法进行了研究,基于强化学习设计了一种OFDM智能抗干扰系统模型。在OFDM系统中加入强化学习算法,建立了由功率、子带分配、调制方式构成的状态集合,以及由OFDM调整方案构成的动作集合。通过训练,使OFDM系统在面对不同类型干扰时能对功率、子带位置、调制方式等参数配置进行一个智能的决策选择。进而,基于Simulink仿真平台对OFDM智能抗干扰方法进行了仿真验证,分析比较了OFDM不同调制方式和子带调整前后的抗干扰性能。最后,基于软件无线电(Software Defined Radio,SDR)平台对OFDM智能抗干扰方法进行了实验验证。采用GNU Radio软件无线电平台和USRP设备搭建了OFDM智能抗干扰实验验证系统,在实际电磁环境中对抗干扰表现进行验证。实验结果表明,本文提出的OFDM智能抗干扰方法具有良好的抗干扰效果,在不显着提高发射机发射功率的前提下能有效抵抗部分带干扰、多音干扰等,在使用高速调制方式、低发射功率情况下仍能保持较低的误码率水平。本文所设计的OFDM智能抗干扰系统为实际环境下的通信抗干扰研究提供依据,具有一定的参考价值。
汪梦[5](2021)在《基于USRP的星载超宽带低频雷达信道模拟器的设计与实现》文中指出信道作为雷达系统中组要组成部分,对它的研究是必不可少的,星载信道属于时变信道,研究并模拟其传输特性,不仅具有理论意义,而且具有实用价值。对于信道模型的研究,人们做了大量的工作,建立了贴近实际信道的模型,以及在此基础上做出的信道仿真器,这是雷达系统研发中,比较重要的一部分。其中基于软件无线电的星载雷达备受关注,国外多年前就已经着手研究,已取得不错成果。然而国内起步较晚,对这方面的研究基本处于空白。本文以软件无线电技术和信道模拟为研究背景,以星载雷达相关的国家重大仪器专项项目为依托,初步设计了一款软件信道模拟平台。主要开展的研究如下:第一部分:研究了软件无线电技术原理和星载雷达信号传输做了理论基础,为星载信道模器平台的搭建提供了理论依据。第二部分:对星载信道模拟器平台的方案进行了设计,软件主要用到了MATLAB软件上的Simulink。硬件平台为通用软件无线电外设USRP N210,搭载了射频子板LFTX/LFRX。对软件的运行环境和模块选择进行了分析。于Simulink搭建信道模拟的平台,对不同频点的性能进行了分析。验证平台的性能。第三部分:基于GNU Radio和Simulink搭建信道模拟器的平台,并进行了实验,对实验结果做了分析比较,为出现的问题提供了解决措施。
尹森林[6](2021)在《VDES系统设计及其多址技术算法改进研究》文中提出为解决目前自动识别系统(AIS)的信道拥塞问题,国际电信联盟(ITU)、国际海事组织(IMO)及国际航标协会(IALA)等国际海事组织提出了甚高频数据交换系统(VDES)的概念。全球各个国家自2013年起就对VDES系统的概念和设计进行了大量的研究和讨论,本文主要针对VDES系统设计以及多址技术算法进行相关研究。甚高频数据交换系统(VDES)在其前身自动识别系统(AIS)的基础上针对各项业务进行了细化,包括将特殊应用信息(ASM)单独划分,同时增加了部分信道以满足甚高频数据交换的功能实现。本文针对VDES系统设计及其多址技术算法改进主要进行了以下研究:首先,对本文所涉及到的相关理论与技术进行了介绍。包括自动识别系统、特殊应用信息及甚高频数据交换的信道频率、信道划分及功率大小等指标参数。同时,对系统实现所采用的软件无线电进行了理论分析与系统仿真。其次,结合软件无线电,设计了VDES系统的总体框图。在此基础上,围绕相关协议中的参数指标,提出了本文甚高频数据交换系统的指标。在系统硬件设计中,对VDES系统中的射频收发链路、低噪声放大器、滤波器以及电源部分进行了设计,其中射频链路部分采用了超外差式结构进行设计。且设计中充分考虑了系统的可靠性和可维护性。其三,针对船舶在实际通信过程中所遇到的时隙预约冲突问题,提出了一种多址技术的改进算法。该部分首先搭建了时隙预约冲突模型,并进行了建模分析。然后针对目前时隙预约算法的不足,提出了一种改进后的预约算法,进行了相关的仿真,验证了其性能优于当前多址技术算法。最后,进行了甚高频数据交换系统的实现以及相关测试。甚高频数据交换系统实现在射频收发链路、电源以及数字处理部分完成后,增加相应外部模块,包括电源模块和天线模块。在甚高频数据交换系统实现后,从移动通信系统测试原则中选取其测试内容,该部分主要分为指标测试以及功能测试。指标测试主要结合甚高频数据交换系统的技术指标进行。功能性测试,包括有ping测试,样机间的信息及文件传输。测试结果论证了软件无线电实现甚高频数据交换系统的可实现性。
赵一笼[7](2021)在《基于软件无线电的数字调制信号自动识别的研究》文中进行了进一步梳理随着通信技术的迅猛发展,通信环境也变得更加复杂,新型的信号调制样式也越来越多。在非协作通信领域,接收机对信号进行解调的基本前提就是必须要知道接收信号的调制方式及相关参数,而传统的硬件电路已经满足不了信号调制样式的多样性,于是便出现了微电子技术和计算机技术结合的软件无线电技术,其思想就是采用一个通用的数字信号处理平台,信号的调制解调都可以在软件模块中设计,其中信号的自动调制识别作为软件无线电的核心技术之一,也成为了当前的研究热点。本文对软件无线电平台下数字信号的调制样式识别进行了研究分析,在研究瞬时特征与卷积网络的基础上,提出了多路特征融合方法实现对数字信号的调制识别,并对文中研究的各类方法的实验结果进行了对比分析。首先,论文对软件无线电在信号处理方面的主要技术做了简要介绍,以6种常用的数字调制信号模型及其调制特征为例,说明其工作原理。在真实的电磁环境条件下,基于两台软件无线电硬件设备,搭建了数据发射和数据接收平台,接收端通过空间无线信道来采集发射机的调制信号,以此作为本文研究方法的输入数据集。由调制信号的瞬时特征,来实现调制识别方法,采用实验及仿真对瞬时特征的门限值进行取值、调整与优化。其次,研究了图像分类领域能力强的卷积神经网络(Convolution Neural Network,CNN)在调制识别上的应用。针对基于瞬时特征方法中人为确定分类阈值的缺点,在前人对CNN网络研究的基础上搭建了适用于本文的调制信号的CNN模型,根据采集的时域数据特点,对数据集进行时域切片处理,形成适合CNN网络的输入数据集,通过对不同结构的CNN网络做实验对比,选出最优的结构参数,以此实现本文的CNN模型设计。由于其不需要人为对信号进行分类特征的划分,其能够自动学习分类特征和分类规则,并且卷积核的滤波特性能够降低噪声对信号的影响,解决了基于瞬时特征的识别方法在低信噪比下的识别率低的问题。最后,研究设计了基于多路特征融合的识别方法,将信号人工提取的瞬时特征、CNN网络提取的时域特征以及CNN提取的时频图特征进行融合,将新的特征向量通过全连接神经网络分类器进行识别分类。对于三路特征维度的不一致问题,通过改变模型的卷积层结构,使不同的网络输出的特征均为一维的特征向量,用特征串联的形式进行融合,最后经过分类器进行分类计算。该模型通过特征融合的方式,使不同特征的优势得到互补,在进一步提高调制识别性能的同时,解决了 CNN网络在识别过程中存在的类与类之间识别混淆的问题。
张朝伟[8](2021)在《基于无线频谱的人群分析研究》文中认为随着城市人口的日益增多,人群大量聚集的现象愈发普遍,随之而来的群体安全问题引起广泛关注。自新冠肺炎疫情发生以来,人员的聚集性活动将显着增加疫情传播风险,进一步推动了人群分析成为研究热点问题。人群计数及密度估计是人群分析中的重要内容,但是现有研究存在以下几个问题:(1)基于视觉的人群计数方法受到人群遮挡、光照条件等因素的影响,在复杂环境中难以取得令人满意的结果;(2)基于WiFi信道状态信息(Channel State Information,CSI)的人群计数方法存在可监测区域小、受环境干扰严重等问题;(3)基于WiFi嗅探的人群计数方法受到移动终端介质访问控制地址(Media Access Control,MAC)随机化的影响,难以准确地将MAC地址数映射为终端数,导致无法精确地估计人数。为此,本文利用无线频谱与环境中移动设备使用个数之间存在的关联关系,提出了一种新型的人群计数方法。首先,使用软件定义无线电平台(Software-Defined Radio,SDR)采集WiFi频段的I/Q信号,利用短时傅里叶变换(Short-Time Fourier Transform,STFT)获取频域信息,进而将I/Q信号的时频数据图像化,将无线信号的识别问题转化为计算机视觉领域的图像处理问题。其次,利用广泛应用于图像处理的卷积神经网络(Convolutional Neural Networks,CNN)构建了多种回归模型来进行人数预测,分别为LeNet-5_REG、AlexNet_REG、VGG16_REG、VGG19_REG。模型的结构分为两个部分,前端为经典CNN模型的特征提取部分,后端为回归预测层。最后,在真实环境中开展实验以验证提出方法的有效性。实验结果表明,VGG16_REG模型的性能指标最优,平均绝对百分比误差为13.75%,可决系数为0.97以上,具有较低的预测误差和较高的拟合优度。因此,本文提出的人群计数方法具有较好的性能表现。综上所述,本文首次开展了基于无线频谱的人群分析研究,并通过实验验证了所提思路的可行性和方法的有效性,为人群监测分析提供了新的研究思路。
张子豪[9](2021)在《基于软件无线电的5G邻域网络增强方案研究》文中研究表明随着5G技术在全世界正式商用,新型媒体业务层出不穷,移动设备流量的增长比4G时代更加快速,这对网络能力尤其是无线侧的承载能力提出了更高的要求。5G邻域网络是指与同一空间中除5G外的其它网络系统,尤指非3GPP标准的网络。如WLAN、Bluetooth、ZigBee等。这类网络系统多在非授权频段使用,其较低的成本、方便的部署赢得消费者的青睐。如何利用好这些网络,将其与5G网络有机地、动态地、高效地整合,并充分发挥各网络的优势是一个非常有意义的课题。在现有的3GPP标准中,只定义了与WLAN融合的方案,该方案对现网改动较大,且不够灵活。软件无线电技术具有高扩展性、高灵活性,成本较低。基于此背景,本课题对5G邻域网络增强方案进行研究,主要工作与创新点如下。一是设计并实现了一个基于软件无线电技术的通用型5G邻域网络增强系统。应用网络聚合的原理,利用紧耦合模型设计了邻域网络增强系统的架构,设计了流量分流、聚合的协议栈,同时设计了新的SIB消息以支持UE自动获取邻域网络的连接参数信息。在基站侧将5G与邻域网络设计为相互独立的结构,之间通过TCP协议通信,使5G网络与邻域网络在结构上解耦,这使得系统具有通用性,不要求邻域网络的类型、架构,只需邻域网络侧实现相应的接口即可与5G侧形成逻辑上的聚合。分流方面使用了一种简单的基于效用函数的分流方案,能够实时综合5G网络状态、邻域网络状态与传输的流量所属业务类型进行分流,提高网络性能。同时详细介绍了利用软件无线电技术和开源基站平台OAI基于Linux的实现方案。二是分别设计并实现了使用WLAN和Bluetooth技术对5G网络增强的方案。分别对两种无线通信技术进行分析,研究基于Linux开源平台的方案实现,包括硬件选型、三方库(驱动方案)选择、邻域网络参数的获取方案等。对设计的系统分别使用不同类型业务进行传输测试,测试结果表明UE能够自动的连接到邻域网络增强系统中,系统能够按照流量业务类型、网络状态进行正确分流,实现了对5G网络的增强。
韩佩志[10](2021)在《基于机器学习的干扰处理》文中认为随着日益复杂的电磁频谱环境带来的严峻的干扰问题,干扰处理技术越来越受到重视。机器学习作为当下的潮流之一,正带动着通信抗干扰技术向智能化方向发展。干扰识别是抗干扰的前提和基础,也是其关键技术之一。将机器学习算法应用到干扰识别技术中,可以使得干扰类型及其相关参数的识别更加准确高效。成功识别出干扰信号之后,利用链路自适应技术,根据不同的信道质量指标对发送功率、调制编码方案及信号波束方向等参数进行实时更改,在一定程度上能够缓解和抑制干扰。本文将机器学习中的支持向量机(Support Vector Machine,SVM)算法及卷积神经网络(Convolutional Neural Network,CNN)与卫星通信系统、无线局域网物理层通信链路相结合,完成了基于机器学习的干扰特征辨识分类及干扰抑制,并在通用软件无线电外设平台(Universal Software Radio Peripheral,USRP)进行了实际仿真验证。首先,本文总结了机器学习在干扰检测与识别领域的研究现状,同时对链路自适应相关技术的研究现状进行了概述,并简述了本文的研究内容和大致安排。其次,研究和讨论了本文后续仿真所使用的支持向量机算法原理,给出了该算法应用于特征提取及特征分类领域的流程图。紧接着,针对本文图像分类问题,概述了卷积神经网络分类原理,构建了本文的卷积神经网络,并给出了相关参数设置。第三章以星地通信为背景,参照第三代合作伙伴计划(3rd Generation Partnership Project,3GPP)标准及提案设计搭建了低轨卫星下行通信链路,仿真对比了在不同最大多普勒频移、不同干扰类型及不同干扰强度下的链路误码率及误块率性能。进一步,将机器学习中的SVM算法与星地通信链路相结合,对接收端信号功率谱提取峰度、偏度系数、频谱平坦系数及频域峰均比四类特征值,利用四维特征联合对干扰进行分类辨识,仿真得到了不同干信比(Jamming-to-Signal power Ratio,JSR)下单音干扰、多音干扰、扫频干扰、窄带干扰四种干扰类型的分类正确率。然后利用CNN图像识别算法,构建卷积神经网络,对不同干扰类型、不同干扰强度的接收端时频图进行处理及分类,得到了不同JSR下的分类正确率,并对两种算法的分类性能进行了对比。实验结果表明,SVM算法在JSR达到-1d B时,能实现整体100%的识别成功率,其中单音、多音、窄带三种类型干扰分别在干信比为-16d B、-13d B及-6d B时达到100%识别成功率。在CNN分类结果中,单音、多音、扫频、窄带四类干扰分别在干信比为-22d B、-18d B、-12d B、-12d B时达到100%识别成功率。相对于SVM算法,CNN分类性能更优。第四章基于IEEE 802.11a物理层通信标准,搭建了干扰自适应链路。通过划分信噪比区间及接收端估计出的实时信噪比,在不同干扰类型及干扰强度下实现了调制编码策略的实时切换。并结合机器学习中的SVM算法实时检测干扰类型,再根据不同干扰类型采用N-sigma算法计算干扰抑制门限,对超过门限的谱线采用干扰置零法,得到了在不同JSR下干扰抑制前后的链路传输速率及误码率变化曲线。实验结果表明,相对于干扰抑制前,单音干扰和多音干扰抑制后链路传输速率和误码率性能都得到了较大提升。当JSR大于-14d B时,干扰抑制后传输速率稳定在54Mbps,且误码率维持在8×10-5左右。多音干扰抑制后,当JSR大于-6d B时,传输速率稳定在24Mbps,且误码率维持在1×10-3左右。扫频干扰抑制后,在一定的JSR范围内,传输速率得到了提升且误码率被控制在6×10-3左右,随着JSR的增大,误码率有所上升,但一直低于干扰抑制前。窄带干扰由于干扰频谱范围较宽,干扰置零会损失部分有用信号信息,干扰抑制效果最差。干扰抑制无法提升传输速率,但在误码率超过0.1时可将误码率降低至0.1附近。最后,设计了单载波通信软硬件测试平台与方案,在Matlab Simulink?平台搭建通信链路,利用搭载AD9363射频收发芯片的Pluto SDR作为射频收发端,利用GNU Radio平台控制USRP产生不同类型的干扰。然后对接收端粗频率估计、符号同步、载波同步、相偏补偿等算法进行了详细理论分析。进一步,利用SVM算法对接收端功率谱进行特征提取并对特征进行分类,仿真得到了不同干信比下的分类正确率曲线。在JSR达到2d B时,实现了单音、多音、扫频、窄带四种干扰100%的分类正确率,验证了所用分类算法的有效性。
二、软件无线电结构模型及关键实现技术(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、软件无线电结构模型及关键实现技术(论文提纲范文)
(1)认知无线电中基于多循环频率的协作频谱感知方法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 认知无线电研究现状 |
1.2.2 频谱感知研究现状 |
1.3 本文主要研究内容与章节安排 |
2 认知无线电频谱感知技术 |
2.1 认知无线电关键技术 |
2.2 频谱感知理论 |
2.2.1 频谱感知模型 |
2.2.2 频谱感知应用前景和挑战 |
2.3 本地频谱感知 |
2.3.1 授权用户发射端检测 |
2.3.2 授权用户接收端检测 |
2.4 多用户协作频谱感知 |
2.4.1 协作频谱感知的系统结构 |
2.4.2 协作频谱感知的融合准则 |
2.5 本章小结 |
3 基于循环谱的多循环频率协作频谱感知方法 |
3.1 通信信号的谱相关特性 |
3.2 循环平稳特征理论分析 |
3.2.1 一阶循环平稳特征 |
3.2.2 二阶循环平稳特征 |
3.3 单循环频率协作频谱感知方法 |
3.3.1 检测算法原理 |
3.3.2 检测算法仿真与分析 |
3.4 多循环频率协作频谱感知方法 |
3.4.1 检测算法原理 |
3.4.2 检测算法仿真与分析 |
3.5 本章小结 |
4 基于无线环境图信息辅助的协作频谱感知方法 |
4.1 无线环境图技术 |
4.1.1 无线环境图基本概念 |
4.1.2 基于无线环境图的认知无线通信系统 |
4.2 基于无线环境图的多循环频率协作频谱感知方法 |
4.2.1 信息辅助的频谱感知算法流程 |
4.2.2 判决门限的推导 |
4.3 仿真结果与分析 |
4.4 本章小结 |
5 基于软件无线电的信号接收平台搭建 |
5.1 软件无线电平台 |
5.1.1 硬件架构 |
5.1.2 软件架构 |
5.1.3 编程模式 |
5.1.4 通信协议 |
5.2 基于软件无线电的通信信号接收 |
5.2.1 BPSK信号接收 |
5.2.2 802.11a上位机系统的实现 |
5.3 接收端通信信号循环谱分析研究 |
5.3.1 射频前端参数设置 |
5.3.2 接收端通信信号的接收 |
5.3.3 接收端通信信号循环谱计算 |
5.4 本章小结 |
6 总结与展望 |
6.1 本文总结 |
6.2 工作展望 |
致谢 |
参考文献 |
攻读学位期间主要研究成果 |
(2)基于FPGA的数字中频板的设计与实现(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 FPGA在数字中频技术中的应用 |
1.4 论文的主要内容及章节安排 |
2 相关理论与开发平台 |
2.1 采样定理 |
2.2 数字中频原理 |
2.3 模数/数模转换 |
2.4 多速率信号处理 |
2.5 开发平台 |
2.6 本章小结 |
3 数字中频板硬件设计 |
3.1 模数转换模块 |
3.2 数模转换模块 |
3.3 FPGA单元硬件设计 |
3.4 电源设计 |
3.5 时钟模块 |
3.6 本章小结 |
4 数字中频板的软件设计 |
4.1 数字正交下变频 |
4.2 数字上变频设计 |
4.3 数据接口设计 |
4.4 本章小结 |
5 系统测试 |
5.1 系统测试方案 |
5.2 硬件状态检测 |
5.3 ADC模块的测试 |
5.4 数据接口协议测试 |
5.5 本章小结 |
6 总结与展望 |
6.1 本文总结 |
6.2 工作展望 |
参考文献 |
攻读硕士期间发表的论文及所取得的研究成果 |
致谢 |
(3)基于USRP和深度学习的电磁干扰信号检测与识别系统(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 电磁干扰检测研究现状 |
1.2.2 信号调制识别研究现状 |
1.3 论文研究内容及结构 |
1.3.1 研究内容和创新点 |
1.3.2 论文结构 |
第二章 电磁干扰及软件无线电技术分析 |
2.1 电磁干扰分析 |
2.2 无线电相关信号理论与分析 |
2.2.1 IQ正交信号模型 |
2.2.2 数字变频理论 |
2.2.3 信号抽样理论 |
2.3 软件无线电技术分析 |
2.3.1 软件无线电原理 |
2.3.2 软件无线电外设 |
2.3.3 软件无线电开发平台 |
2.4 本章小结 |
第三章 电磁干扰一体化检测单元的设计与实现 |
3.1 一体化检测单元需求分析 |
3.2 传导干扰信号检测模块 |
3.2.1 Pico示波器简介 |
3.2.2 传导干扰信号采集 |
3.3 辐射干扰信号检测模块 |
3.3.1 USRP N210母板和UBX-40子板 |
3.3.2 开发环境 |
3.3.3 IQ信号采集 |
3.3.4 频域扫描 |
3.3.5 传输和控制 |
3.3.6 整体工程流图 |
3.4 一体化检测单元集成实现 |
3.5 本章小结 |
第四章 基于深度学习的辐射干扰信号调制识别 |
4.1 辐射干扰信号识别需求分析 |
4.2 深度学习理论基础 |
4.2.1 人工神经网络 |
4.2.2 卷积神经网络 |
4.2.3 神经网络优化算法 |
4.3 实验数据及预处理 |
4.3.1 实验数据集 |
4.3.2 数据预处理 |
4.4 基于深度学习的调制识别算法设计 |
4.4.1 问题定义 |
4.4.2 基于残差神经网络的调制识别 |
4.4.3 引入自注意力机制的ResNet调制识别 |
4.4.4 模型训练及预测 |
4.5 实验结果及分析 |
4.5.1 训练过程准确率和损失函数变化曲线分析 |
4.5.2 采样率对模型的影响分析 |
4.5.3 加性高斯白噪声对模型的影响分析 |
4.5.4 同其他算法结果对比分析 |
4.6 本章小结 |
第五章 基于多任务学习的信号调制识别与信噪比预测 |
5.1 传统信噪比估计算法 |
5.1.1 最大似然估计法 |
5.1.2 二阶四阶矩估计法 |
5.1.3 谱分析估计法 |
5.2 多任务学习网络模型 |
5.2.1 单任务学习 |
5.2.2 多任务学习 |
5.2.3 调制识别和信噪比估计相关性分析 |
5.3 基于多任务学习的调制识别及信噪比估计算法设计 |
5.3.1 问题定义 |
5.3.2 调制识别及信噪比估计多任务学习网络模型 |
5.4 实验结果及分析 |
5.4.1 训练过程准确率和损失函数变化曲线分析 |
5.4.2 调制识别率及信噪比估计误差分析 |
5.5 本章小结 |
第六章 电磁干扰信号检测与识别系统演示 |
6.1 系统架构 |
6.2 系统硬件平台展示 |
6.3 系统软件功能演示 |
6.3.1 信号采集及频域扫描 |
6.3.2 时频域监测 |
6.3.3 辐射干扰调制识别 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 论文总结 |
7.2 后续展望 |
参考文献 |
致谢 |
(4)基于软件无线电的OFDM系统智能抗干扰方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题研究背景 |
1.2 国内外研究现状 |
1.3 课题的研究意义 |
1.4 本文内容安排 |
第2章 基础知识 |
2.1 OFDM基本原理 |
2.2 强化学习基本原理 |
2.3 本章小结 |
第3章 OFDM智能抗干扰系统设计 |
3.1 OFDM智能抗干扰系统设计 |
3.2 基于强化学习的OFDM智能决策方法 |
3.3 OFDM子带选择和调制方式选择 |
3.4 本章小结 |
第4章 基于Simulink的 OFDM智能抗干扰仿真验证 |
4.1 OFDM收发系统仿真 |
4.2 OFDM系统调整方式抗干扰效果仿真实验 |
4.3 OFDM系统智能抗干扰仿真实验 |
4.4 本章小结 |
第5章 基于软件无线电平台的OFDM智能抗干扰实验验证 |
5.1 实验验证平台的搭建 |
5.2 基于软件无线电的OFDM抗干扰系统流程图设计 |
5.3 基于软件无线电的OFDM系统参数调整 |
5.4 基于软件无线电的OFDM系统调整方式实验验证 |
5.5 基于软件无线电的OFDM系统智能抗干扰性能验证 |
5.6 本章小结 |
第6章 总结与展望 |
6.1 全文总结 |
6.2 未来展望 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
致谢 |
(5)基于USRP的星载超宽带低频雷达信道模拟器的设计与实现(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 软件无线电技术的研究现状 |
1.2.2 信道模拟器的研究现状 |
1.3 主要工作及章节内容 |
第2章 信道模拟设计的关键技术 |
2.1 概述 |
2.2 软件无线电技术 |
2.2.1 软件无线电原理 |
2.2.2 软件无线电架构 |
2.2.3 软件无线电开发平台和通用软件无线电外设 |
2.3 信道模拟理论分析 |
2.3.1 采样率 |
2.3.2 星地信道传输特性分析 |
2.4 本章小结 |
第3章 信道模拟器与分系统方案设计 |
3.1 信道模拟器方案设计 |
3.1.1 信道模拟器系统需求分析 |
3.1.2 分系统的设备和平台方案简介 |
3.1.3 系统设计目标 |
3.1.4 系统总体结构和功能 |
3.2 分系统设计 |
3.2.1 雷达分系统设计 |
3.2.2 USRP信道模拟分系统的设计 |
3.2.3 时域模型分系统的设计 |
3.3 本章小结 |
第4章 信道模拟性能测试与性能分析 |
4.1 信道模拟实验设计 |
4.2 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 进一步工作的展望 |
致谢 |
参考文献 |
攻读学位期间参与的研究成果 |
(6)VDES系统设计及其多址技术算法改进研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 甚高频数据交换系统研究现状 |
1.2.2 多址技术研究现状 |
1.3 研究目的及内容 |
1.4 本论文的结构安排 |
第二章 相关理论介绍 |
2.1 引言 |
2.2 VDES三类业务链路传输标准 |
2.2.1 自动识别系统(AIS) |
2.2.2 特殊应用信息(ASM) |
2.2.3 甚高频数据交换(VDE) |
2.3 软件无线电平台研究 |
2.3.1 射频前端 |
2.3.2 数字端多相滤波 |
2.4 本章小结 |
第三章 甚高频数据交换系统设计与仿真 |
3.1 引言 |
3.2 设计方案与指标 |
3.2.1 总体方案设计 |
3.2.2 设计指标 |
3.3 系统硬件设计 |
3.3.1 系统射频单元设计 |
3.3.2 低噪声放大器设计 |
3.3.3 滤波器设计 |
3.3.4 系统电源设计 |
3.4 系统数字端设计 |
3.5 本章小结 |
第四章 甚高频数据交换系统多址技术算法改进研究 |
4.1 引言 |
4.2 甚高频数据交换系统多址技术研究 |
4.2.1 数据链路层技术 |
4.2.2 多址技术运行流程 |
4.2.3 接入协议时隙冲突分析 |
4.3 多址技术算法改进 |
4.3.1 多址技术算法改进 |
4.3.2 改进算法的仿真分析 |
4.4 本章小结 |
第五章 甚高频数据交换系统实现与测试 |
5.1 引言 |
5.2 甚高频数据交换系统实现 |
5.2.1 系统外部界面 |
5.2.2 系统外部GPS天线 |
5.2.3 系统布局 |
5.2.4 系统可靠性和可维护性 |
5.3 指标性测试 |
5.3.1 灵敏度测试 |
5.3.2 动态范围测试 |
5.3.3 增益测试 |
5.3.4 测试结果 |
5.4 功能性测试 |
5.4.1 测试环境搭建 |
5.4.2 系统初始化测试 |
5.4.3 系统ping测试 |
5.4.4 收发信息测试 |
5.4.5 文件传输测试 |
5.4.6 其他相关测试 |
5.5 本章小结 |
第六章 全文总结与展望 |
6.1 全文工作总结 |
6.2 下一步工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(7)基于软件无线电的数字调制信号自动识别的研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 软件无线电介绍 |
1.3 调制自识别技术的发展和研究现状 |
1.3.1 信号调制自识别的发展 |
1.3.2 调制识别技术的研究现状 |
1.4 论文的主要内容安排 |
第2章 软件无线电与调制识别理论 |
2.1 软件无线电的数字变换技术 |
2.2 实信号的正交分解 |
2.3 数字调制信号模型 |
2.3.1 幅度键控调制(ASK) |
2.3.2 频移键控调制(FSK) |
2.3.3 相移键控调制(PSK) |
2.4 数字调制信号的特征 |
2.5 本章小结 |
第3章 基于时域特征的无线电数字调制识别 |
3.1 实验数据采集平台 |
3.1.1 基于软件无线电的收发平台 |
3.1.2 平台参数设置 |
3.2 基于瞬时特征的调制识别 |
3.2.1 特征参数的提取分析 |
3.2.2 瞬时特征的算法设计 |
3.2.3 门限值的确定与实验结果分析 |
3.3 基于原始IQ序列与卷积神经网络的调制识别 |
3.3.1 信号模型 |
3.3.2 数据集预处理 |
3.3.3 基于卷积神经网络的调制识别原理 |
3.3.4 CNN网络模型的设计 |
3.3.5 实验结果分析 |
3.4 本章小结 |
第4章 基于多路特征融合的数字调制识别 |
4.1 信号模型与时频变换 |
4.2 特征融合方法 |
4.3 时频特征提取模型 |
4.4 MFF网络结构设计 |
4.5 实验结果与对比分析 |
4.5.1 实验数据集及参数设置 |
4.5.2 实验结果对比分析 |
4.6 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术成果和参加的科研项目 |
学位论文评阅及答辩情况表 |
(8)基于无线频谱的人群分析研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 基于视觉的人群计数方法 |
1.2.2 基于非视觉的人群计数方法 |
1.3 研究内容及贡献 |
1.4 论文组织结构 |
第二章 相关工作 |
2.1 软件无线电相关理论 |
2.1.1 软件无线电基本结构 |
2.1.2 信号采样理论 |
2.1.3 数字下变频 |
2.2 GNU Radio软件无线电平台 |
2.2.1 GNU Radio硬件平台 |
2.2.2 GNU Radio软件架构 |
2.3 卷积神经网络 |
2.3.1 CNN基本结构 |
2.3.2 神经网络优化算法 |
2.4 本章小结 |
第三章 基于无线频谱的人群计数方法 |
3.1 WiFi物理层信号特征提取 |
3.1.1 I/Q信号捕获 |
3.1.2 时域和频域分析 |
3.1.3 时频联合分析 |
3.2 基于CNN的回归模型设计 |
3.2.1 回归模型的实现 |
3.2.2 模型目标函数的设计 |
3.3 本章小结 |
第四章 实验与分析 |
4.1 实验设置 |
4.1.1 硬件平台 |
4.1.2 软件环境 |
4.1.3 实验场景 |
4.1.4 数据集制作 |
4.2 性能指标 |
4.3 实验结果与分析 |
4.3.1 模型性能分析 |
4.3.2 实验对比 |
4.3.3 跨域性能测试 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
(9)基于软件无线电的5G邻域网络增强方案研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.1.1 移动通信系统的发展 |
1.1.2 研究意义和研究现状 |
1.2 研究内容 |
1.3 论文结构安排 |
第二章 邻域网络增强技术概述 |
2.1 邻域网络增强技术 |
2.1.1 邻域网络聚合模型 |
2.1.2 网络聚合协议架构 |
2.1.3 网络聚合层选择 |
2.2 软件无线电技术 |
2.3 开源基站软件平台 |
2.3.1 开源基站项目介绍 |
2.3.2 OAI平台 |
2.4 本章小结 |
第三章 通用型5G邻域网络增强方案设计与实现 |
3.1 概述 |
3.2 方案设计与系统实现 |
3.2.1 系统模型 |
3.2.2 协议设计 |
3.2.3 系统功能模块设计与实现 |
3.2.4 UE接入流程设计 |
3.2.5 分流方案设计 |
3.3 功能验证 |
3.3.1 参数配置 |
3.3.2 实验场景 |
3.3.3 5G性能测试 |
3.3.4 邻域网络侧注册与UE连接测试 |
3.3.5 流量识别测试 |
3.3.6 测试结论 |
3.4 本章小结 |
第四章 应用WLAN和Bluetooth对5G网络增强的设计与实现 |
4.1 应用WLAN对5G网络增强 |
4.1.1 WLAN技术简介 |
4.1.2 WLAN方案选择 |
4.1.3 连接建立流程 |
4.1.4 WLAN网络参数接口实现 |
4.1.5 系统测试和验证 |
4.2 应用Bluetooth对5G网络传输增强 |
4.2.1 Bluetooth技术简介 |
4.2.2 Bluetooth方案选择 |
4.2.3 Bluetooth连接建立流程 |
4.2.4 Bluetooth网络参数接口实现 |
4.2.5 系统测试和验证 |
4.3 本章小结 |
第五章 总结与展望 |
参考文献 |
缩略语 |
致谢 |
攻读学位期间发表或已录用的学术论文 |
(10)基于机器学习的干扰处理(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 基于机器学习的干扰检测与识别技术研究现状 |
1.2.2 链路自适应技术研究现状 |
1.3 主要研究内容及贡献 |
1.4 论文结构及内容安排 |
第二章 基于机器学习的干扰特征分类 |
2.1 引言 |
2.2 干扰特征提取 |
2.3 支持向量机分类模型 |
2.3.1 支持向量机原理 |
2.3.2 支持向量机核函数选择 |
2.3.3 支持向量机分类模型与流程图 |
2.4 卷积神经网络图像分类模型 |
2.4.1 CNN原理 |
2.4.2 本文CNN模型设计 |
2.5 本章小结 |
第三章 基于机器学习的星地通信链路干扰处理 |
3.1 引言 |
3.1.1 卫星通信系统整体框架 |
3.1.2 卫星通信干扰分析 |
3.1.3 卫星抗干扰技术 |
3.1.3.1 天线抗干扰技术 |
3.1.3.2 自适应编码调制技术 |
3.1.3.3 扩跳频技术 |
3.1.3.4 其他抗干扰技术 |
3.2 星地链路仿真模型 |
3.3 仿真结果及分析 |
3.4 基于SVM的干扰分类检测结果 |
3.5 基于CNN的干扰分类检测结果 |
3.6 本章小结 |
第四章 基于机器学习的干扰链路自适应 |
4.1 引言 |
4.2 系统模型 |
4.2.1 帧结构 |
4.2.2 卷积编码 |
4.2.3 EVM计算及SNR估计 |
4.3 仿真结果及分析 |
4.4 基于SVM的干扰检测与干扰抑制仿真结果 |
4.4.1 基于SVM的干扰辨识仿真结果 |
4.4.2 基于N-sigma算法的干扰抑制仿真结果 |
4.5 本章小结 |
第五章 基于Pluto SDR及软件无线电外设的硬件平台仿真 |
5.1 引言 |
5.1.1 Pluto SDR简介 |
5.1.2 USRP和 GNU radio简介 |
5.2 通信收发链路结构及原理 |
5.2.1 链路总体结构 |
5.2.2 信源产生模块 |
5.2.3 接收端模块 |
5.2.3.1 频偏补偿模块 |
5.2.3.2 符号定时同步算法 |
5.2.3.3 载波同步算法 |
5.2.3.4 相偏补偿模块 |
5.2.4 基于GNU Radio的干扰机模块 |
5.3 仿真结果 |
5.3.1 数据处理 |
5.3.2 各干扰类型下的仿真结果 |
5.3.2.1 无干扰 |
5.3.2.2 单音干扰 |
5.3.2.3 多音干扰 |
5.3.2.4 窄带干扰 |
5.3.2.5 扫频干扰 |
5.3.3 基于机器学习的干扰分类 |
5.4 本章小结 |
第六章 全文总结 |
6.1 本文贡献 |
6.2 未来研究方向 |
致谢 |
参考文献 |
附录 |
个人简历 |
攻读硕士学位期间参加的科研项目及研究成果 |
四、软件无线电结构模型及关键实现技术(论文参考文献)
- [1]认知无线电中基于多循环频率的协作频谱感知方法研究[D]. 马李庆. 西安理工大学, 2021(01)
- [2]基于FPGA的数字中频板的设计与实现[D]. 乔钧. 中北大学, 2021(09)
- [3]基于USRP和深度学习的电磁干扰信号检测与识别系统[D]. 陈志运. 北京邮电大学, 2021(01)
- [4]基于软件无线电的OFDM系统智能抗干扰方法研究[D]. 卢忠勉. 吉林大学, 2021(01)
- [5]基于USRP的星载超宽带低频雷达信道模拟器的设计与实现[D]. 汪梦. 南昌大学, 2021
- [6]VDES系统设计及其多址技术算法改进研究[D]. 尹森林. 电子科技大学, 2021(01)
- [7]基于软件无线电的数字调制信号自动识别的研究[D]. 赵一笼. 山东大学, 2021(09)
- [8]基于无线频谱的人群分析研究[D]. 张朝伟. 内蒙古大学, 2021(12)
- [9]基于软件无线电的5G邻域网络增强方案研究[D]. 张子豪. 北京邮电大学, 2021(01)
- [10]基于机器学习的干扰处理[D]. 韩佩志. 电子科技大学, 2021(01)