针对多地球同步轨道(Geostationary Earth Orbit,GEO)卫星多输入多输出(Multiple-Input Multiple-Output,MIMO)通信系统下行链路遭遇无人机集群恶意干扰场景中,干扰无人机数量时变且未知以及地球站观测信号信干比(Signal to Interferenc...针对多地球同步轨道(Geostationary Earth Orbit,GEO)卫星多输入多输出(Multiple-Input Multiple-Output,MIMO)通信系统下行链路遭遇无人机集群恶意干扰场景中,干扰无人机数量时变且未知以及地球站观测信号信干比(Signal to Interference Ratio,SIR)和信噪比(Signal-to-Noise Ratio,SNR)低的问题,提出了特征金字塔网络(Feature Pyramid Network,FPN)和双向长短时记忆(Bidirectional Long Short Term Memory,BiLSTM)网络相结合的FPNBiLSTM网络架构及其训练方法,实现源数目时变的端到端欠定混合盲源分离.该算法无须进行干扰源数目估计,也无须经历传统的信号解调,即可从欠定混合的观测中直接提取期望信号的比特序列.仿真结果表明,与其他基于深度学习网络的欠定混合盲源分离算法相比,提出的算法在源信号数目时变且SNR和SIR均很低的场景中,如SNR=0 dB和SIR=-18 dB,算法的误码率可低至10-4,具有良好的干扰消除性能.展开更多
文摘针对多地球同步轨道(Geostationary Earth Orbit,GEO)卫星多输入多输出(Multiple-Input Multiple-Output,MIMO)通信系统下行链路遭遇无人机集群恶意干扰场景中,干扰无人机数量时变且未知以及地球站观测信号信干比(Signal to Interference Ratio,SIR)和信噪比(Signal-to-Noise Ratio,SNR)低的问题,提出了特征金字塔网络(Feature Pyramid Network,FPN)和双向长短时记忆(Bidirectional Long Short Term Memory,BiLSTM)网络相结合的FPNBiLSTM网络架构及其训练方法,实现源数目时变的端到端欠定混合盲源分离.该算法无须进行干扰源数目估计,也无须经历传统的信号解调,即可从欠定混合的观测中直接提取期望信号的比特序列.仿真结果表明,与其他基于深度学习网络的欠定混合盲源分离算法相比,提出的算法在源信号数目时变且SNR和SIR均很低的场景中,如SNR=0 dB和SIR=-18 dB,算法的误码率可低至10-4,具有良好的干扰消除性能.
