无线系统识别

斯汤雷

已于 2022-11-13 14:17:27 修改

阅读量924

点赞数 1

分类专栏：深度学习文章标签：网络

于 2022-09-07 17:51:44 首次发布

本文链接：https://blog.csdn.net/qq_22163371/article/details/126750100

版权

深度学习专栏收录该内容

3 篇文章 1 订阅

订阅专栏

概述

研究意义

识别方法

概述

无线系统识别（Wireless System Identification，WSI）是指利用接收到的无线信号感知系统属性，辨识其协议类别的过程，可应用于认知无线电或频谱监测等，属与信号识别研究范畴。

在一些文献中，WSI也被称作无线标准识别（Wireless Standard Identification，WSI）[1] [2]、无线技术识别（Wireless Technology Identification，WTI）[3]或无线干扰识别（Wireless Interference Identification，WII）[4][5]。区别于协议识别(Protocol Identification，PI)[6]，无线系统识别针对物理层信号，例如，用于识别不同的蜂窝系统GSM、UMTS、LTE[7]；不同接入方式的系统TDMA、GSM、CDMA(UTRAFDD)、OFDM；ISM频段的WLAN、蓝牙、ZigBee; 基于IEEE802.22、IEEE802.11af、IEEE802.16h、ECMA392标准的异构多认知无线网络[8]、以及()AM、FM Radio、Digital TV (ATSC)、GPS、VHF Data Link、ADS-B等其他体制。

(说明：图中参考文献不与Reference对应)

研究意义

无线电波开放性的特点使其容易受到干扰和非法利用，导致正常通信系统受扰甚至中断，进而威胁社会和国家安全。因此，加强无线电监测与识别，特别是在机场、边境等重点区域及重大活动现场的无线电监管，具有重要的现实意义和迫切需求。

通信技术推陈出新，各类无线系统协议也呈现爆发趋势。通信信号会采用不同协议以及各种信号处理新技术，以满足用户对数据速率以及带宽的需求。在海量机器类型通信和庞大的无线传输协议数量背景下，必然会面临有限频率资源的争夺和分配问题。如何有效监测和识别这些信号，特别是在低信噪比、恶劣信道条件下的认知无线电技术仍是一个十分重要的研究课题，而通信系统识别正是解决这一问题的有效手段。

在系统识别信号分类的基础上，考虑信号预测。即预测下一时刻信号最有可能来自哪个无线系统，并以该系统信号特征的估计作为信号预测结果。认知设备可以提前对将被主用户系统占用的通信信道进行避让，从而节约信道切换开销。

识别方法

基于特征的方法：先挑选出信号关键特征，如功率谱密度最大值、信号包络峭度与峰度、瞬时相位标准差、相位脉冲个数、时频周期性、循环谱、循环统计量、高阶矩等信号特征，然后利用传统的信号处理算法计算特征参数值，最后基于固定规则或者机器学习的方法进行分类[9]。通常，一个模型需要选取其中的几项甚至十几项特征作为模型输入，计算复杂度非常高，很难实际部署使用。同时，受信号波形多样性和多径衰落效应的影响，该方式在特征选择和判决准则方面也缺乏普适性。

基于域变换的方法：常用的有短时傅立叶变换（STFT）、小波变换(WT)、Wigner-Ville分布和Stockwell变换、梅尔倒谱系数（MFCC）、感知线性预测系数（PLPC）、功率归一化倒谱系数（PNCC）等。

基于深度学习的方法：人工智能在模式识别任务中具有独特优势，近年来，在图像/语音识别、自然语言处理、医疗、金融等很多领域取得了很大的成就，。无线电信号识别本质上也是一种特殊的模式识别，可以将人工智能与传统无线电信号识别技术深度融合，利用人工智能的机器学习方法，特别是深度学习算法，自动提取无线电波的模式特征，避免基于经验的人工特征提取，提高复杂电磁环境下无线电信号的识别能力。例如卷积神经网络（CNN）、长短时记忆网络（LSTM）在文献中已经有充分的探讨。然而，这些方法的复杂性仍有待于改善以提高实用性。