《电讯技术》征稿启事
《电讯技术动态》征稿启事
夏
敏 （９６ ， ， １８ 一） 男 湖北人 ， ０ ２ ８年于武汉工程 大学 获 ０
学士学位 ， 目前 从 事 电信 产 品 开 发 。
ＸＩ Ｍｉ ｗａ ｏ ｎ Ｈｕ ｅ ｒｖｎ ｅ，ｉ ９ ６． ｅ ｅｖ ｄ ｔｅ Ａ ｎ ｓｂ ｍ ｉ ｂ ｉＰ ｏ ｉｃ ｎ １ ８ Ｈｅ ｒｃ ｉｅ ｈ Ｂ． Ｓ．ｄ ｇｅ ｒｍ ｕ ａ ｎ ｔ ｕｅ ｏ ｅ ｈ ｏｏ ｉ Ｏ ８． ｓ ｅ — ｅ ｒｅ ｆ ｏ Ｗ ｈ ｎ Ｉ ｓ ｔ ｔ ｆＴ ｃ ｎ ｌｇ ｎ ２ Ｏ Ｈ ｉ ｎ ｉ ｙ ｅ
投稿领 域 ：
・
航 空 电子 卫 星 应 用
・ 通
信
・ 飞行 器 测 控 ・ 我 识 别 敌
・
・ 报 、 察 与 监 视 情 侦
来稿要 求 及注 意事 项 ：
（ ） 稿务 必主 题 明确 ， 述合 理 ， １文 论 逻辑严 谨 ， 数据 可靠 ， 叙述 清楚 ， 文字 精炼 ；
《 电讯 技 术 动 态》 稿 启 事 征
《 电讯技 术动 态》 月 刊 ） 刊于 １７ （ 创 ９２年 ， 由中国西 南 电子技 术 研 究所 主办 的 内部 刊 物 ， 要报 道 与 下 是 主 述专 业领 域相 关 的 国际厂商 科研 动态 ； 军先进 装 备研 发 、 验 和使 用情 况 ； 术 交流 和 展 会信 息 。本 着 服 外 试 学
（） 稿一 般不 应超 过 ４００字 ， 提供 ｗｒ ２文 ０ 尽量 ｏ ｄ文档 ， 于 文 中 的 图片请 以附 件 形 式添 加 发送 至指 定 投 对
ｒ ｓ ｅ ｔ ｅｙ Ｈｅ ｈ ｓ ｂ ｅ ｏｋ ｎ ｉ ｉ ｇ ａ ｅｒｌｕ ｎ ｔｕ ｅ ｅ ｐ ｃ ｖ ｌ ． ａ ｅ ｎ ｗ ｒｉ ｇ ｗ ｔ Ｊ ｈ Ｐ ｔ ｅ ｉ ｈ ａ ｎ ｎ ｏ ｍ Ｉ ｓ ｔｔ ｉ
学术杂志汇总——通信工程、信息技术类
1:【杂志名称】：电力电子技术【投稿联系方式】dldzjs@【投稿费用】无审稿费，版面费700左右/4页【杂志级别】核心【稿酬回报】50【审稿时间】1、2个月回复，可以问他们要个编辑的QQ【投稿感受】不要太长，有实验结果容易发2：【杂志名称】中国电机工程学报【杂志文章包含专业】【杂志网站】【投稿联系方式】Email：csee@ 或/techweb_d ... Sreach&strord=2【投稿费用】无审稿费，版面费500/页【杂志级别】核心，EI【稿酬回报】不明【审稿时间】3－6个月【投稿感受】对文章质量要求很高，包括内容、排版、图的清晰度等【其他】编辑很好3：【杂志名称】电力系统自动化【杂志文章包含专业】【网站】【投稿联系方式】与编辑联系邮件主题中添加“toaeps”，【投稿费用】无审稿费，好像没有版面费【杂志级别】核心，EI【稿酬回报】不明【审稿时间】2－3个月【投稿感受】最重要的部分，不能缺少！可以写写投稿难易程度、时间周期、写作要点【杂志名称】微计算机信息【杂志文章包含专业】自动化为主，计算机其余方向少量。
【投稿联系方式】//magazine【投稿费用】＄850（有基金支持），+＄300（不确定，无基金支持）【杂志级别】北大2004核心，少部分单位不承认。
【稿酬回报】无【投稿感受】投稿极容易接受，录用通知时间短、发表大概10个月，最好写自动化和计算机结合的。
【其他】我连续投过四年，开始还不错，后来感觉乱来。
现在要评正高，再也不投了。
【杂志名称】电子质量【杂志文章包含专业】可靠性、质量，计算机方向有：软件可靠性、系统可靠性、软件测评等。
【投稿联系方式】/index/Article_Print.asp?ArticleID=11497【投稿费用】无【杂志级别】非核心，号称电子学会可靠性分会权威刊物。
【稿酬回报】约200元【投稿感受】一定要和其杂志方向对上号。
我写工业软件方向的两次退稿。
《电讯技术》征稿启事
（ ２） 文稿一般不应超 过６ ０ ０ ０ 字 ，综述稿 不超过８ ０ ０ ０ 字 。稿件应 附英文题名 、作者名 、单位名 、
摘 要 和 关 键 词 ， 基 金 项 目应 注 明项 目编 号 。 中文 题 名 一 般 不 超 过 ２ ０ 个汉字 ，必要时可加副标题 。 （ ３）摘 要 应 包 括 目的 、 方 法 、 结 果 和 结 论 四 要 素 ， 即用 简 洁 的语 言 说 明论 文 要 解 决 的 问 题 ， 主 要 工 作 过 程 及 所 采 用 的 技 术 手 段 和 方 法 ， 研 究 所 获 得 的 实 验 数 据 、 结 果 及 其 意 义 。 篇 幅 以２ ０ ０～
・雷 达
・识 别
・信 息 战
・飞 行 器测 控
・
共 性技 术 （ 包括 天 线 、 射 频 电路 、 信 号 处 理 、 信 息 处理 、 监 视 与控 制 、 时 间 与 频 率 、 先进 制
造、 电磁 兼容 、测试与试验 、 可靠性与维修性 、软件 工程化 、综合保 障等 ） 。 欢 迎业 内学者 、专家及科技人员 踊跃 投稿 。
来稿要求及 注意事项 ：
（ １）文 稿 务 必 主 题 明 确 ，论 述 合 理 ， 逻 辑 严 谨 ， 数 据 可 靠 ， 叙 述 清楚 ，文 字 精 炼 。 内容 应 保 守 国家 机 密 ，并 提 供所 在 单 位 的保 密 审查 证 明 ， 引用 他 人 作 品应 给 出来 源 。
2011年海战场电子信息技术学术交流年会征文通知
第 ２３期 ０
２ 海 战 场 电 子 信 息 技 术 学 术 交 流 年 会 ０ １年 １
征 文 通 知
根据 中国造船工程 学会 电子技术学术委 员会 ２ １ 年 学术交流计划 ， ０１ 拟于 ２ １ ０ １年三 季 度 召开海 战场 电子信息技术 学术交 流年会 ， 为从事海 战场 电子 信息技术 理论研究 及工程研 制 的广大科技人员 、 高校 师生 提供 学术研 讨 、 经验交 流 的平 台 ， 欢迎 广大 专家 、 学者 踊跃投
模拟 与仿 真
海 战 场 复 杂 电磁 环 境 仿 真技 术 ； 合 仿 真 环 境 ＨＬ Ｓ Ａ／ ｉ 术及 在 海 战 场 环 综 Ａ／ Ｂ Ｇｒ ｄ技
境 仿 真 中的 应 用研 究 ； 网络 中心 化 仿 真 系统 体 系结 构 及 实现 技 术 ； 杂 大 系统 仿 真 复
与试 验 测 试 技 术 ； 系统仿 真 建 模 理 论 和 方 法 及 校 核 、 证 和 确认 研 究 验
智 能 识 别 、 策 及 任 务 规 划技 术 决
・
水 声 与水 中探 测
水 下 复 杂 环 境 中 目标 探 测 及 环 境 感 知技 术 ； 声 通 信 网技 术 ； 舶 通 信 导航 技 术 ； 水 船
水 声 物 理 与 水 声工 程技 术
２ １ 年第 ５期 ０１
・
舰 船 电 子 工 程
网络 安 全 技 术 ； 工 智 能技 术 ， 经 网络 技 术 及 应 用 ； 。 人 神 Ｃ Ｉ系统 测 试 、 估 体 系 ， 试 评 测 环 境 用例 杂 环 境 中信 息 传 输及 处理 技 术 ； 下探 测 多模 式 信 息 融 合 技 术 ； 下 航 行 器 水 水
一种基于CRS插值的频偏估计方法
doi :10.3969/j.issn.1001-893x.2019.02.014引用格式:胡晓玲,张治中,程方.一种基于CRS 插值的频偏估计方法[J].电讯技术,2019,59(2):205-210.[HU Xiaoling,ZHANG Zhizhong,CHENG Fang.A frequency offset estimation method based on cell-special reference signal interpolation[J].Telecommunication Engineering,2019,59(2):205-210.]一种基于CRS 插值的频偏估计方法*胡晓玲**,张治中,程 方(重庆邮电大学通信与信息工程学院,重庆400065)摘 要:针对正交频分复用系统对频率偏移异常敏感导致接收机无法正确解调信号的问题,提出了一种小区特定参考信号(Cell-special Reference Signal ,CRS )改进的频偏估计方法㊂首先,对发送的CRS 与接收的CRS 进行互相关运算,得到信道估计值;然后,对CRS 在频域进行插值,使得每个时隙中不同OFDM 符号对应子载波位置的参考信号相同;最后,对两个不同OFDM 符号中的参考信号部分进行相关性运算,求出频偏㊂与基于CRS 的频偏估计方法相比,该方法用信道估计值做互相关运算,消除了噪声和多径干扰带来的影响;通过对CRS 进行插值,提高了频偏估计精度;通过减小计算相关性的两OFDM 符号间的距离,使频偏估计范围由[-1kHz ,1kHz ]扩大到[-1.75kHz ,1.75kHz ]㊂关键词:OFDM 系统;频偏估计;CRS 插值开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流中图分类号:TN929.5 文献标志码:A 文章编号:1001-893X (2019)02-0205-06A Frequency Offset Estimation Method Based on Cell -special Reference Signal InterpolationHU Xiaoling,ZHANG Zhizhong,CHENG Fang(School of Communication and Information Engineering,Chongqing University of Postsand Telecommunications,Chongqing 400065,China)Abstract :Because an orthogonal frequency division multiplexing(OFDM)system is extremely sensitive to the frequency offset,the receiver can′t demodulate the signal correctly.To solve the problem,this paper proposes a frequency offset estimation method based on cell-special reference signal(CRS)interpolation.Firstly,it calculates the cross-correlation between the transmitted and received CRS in frequency domain to obtain channel estimation values.Then,the CRS is interpolated in the frequency domain to ensure that each reference symbol transmits the same reference signal in each time slot corresponding to the subcarrier posi⁃tion.Finally,the frequency offset error is obtained by performing correlation operations between two OFDM pared with CRS-based frequency offset estimation method,the proposed algorithm has higher estimation accuracy by interpolating CRS.By calculating the correlation of channels estimated value,it e⁃liminates the influence of noise and multipath interference.By closing the distance between the two OFDM symbols with calculation correlation,it makes the frequency offset estimation range extended from [-1kHz,1kHz]to [-1.75kHz,1.75kHz].Key words :OFDM system;frequency offset estimation;CRS interpolation㊃502㊃第59卷第2期2019年2月电讯技术Telecommunication EngineeringVol.59,No.2February,2019***收稿日期:2018-05-31;修回日期:2018-07-26基金项目:国家科技重大专项(2015ZX03001013);重庆市重点产业共性关键技术创新重大主题专项(cstc2017zdcy-zdzx0030)通信作者:hu-xiaoling@1 引 言正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)作为3GPP LTE-A㊁无线局域网(Wireless Local Area Network,WLAN)中的关键技术,具有频谱效率高和抗干扰能力强等优点[1],但其缺点也很明显,即对子载波间的正交性有严格要求㊂载波频偏会破坏子载波之间的正交性[2],影响OFDM系统接收端的正确解调㊂因此,必须对OFDM系统在接收端进行频偏估计和校正㊂载波频率同步包括捕获和跟踪两个阶段[3]:捕获阶段需要快速估计低信噪比条件下的大频偏[4],要求频偏估计算法的可估计范围大,但受误差和信道环境的影响,估计精度低;跟踪阶段为了使载波频率误差维持在一个较小的范围内,要求频偏估计算法精度高[5]㊂文献[6-7]提出了一种基于循环前缀(Cyclic Prefix,CP)的频偏估计算法,但该算法受多径㊁噪声㊁信道衰落影响较大,在实际的OFDM系统中并不实用㊂文献[8-9]提出了一种基于训练序列的频偏估计算法,该算法精度高,但是对定时同步精确度要求很高,在实际应用中计算量很大,会给终端带来很大的负担㊂文献[10-11]提出了插入导频的频偏估计方法,但其最大缺陷就是运算量太大㊂因此,探索估计精度更高㊁估计范围更大㊁实用性更强的频偏估计方法非常必要㊂本文在基于小区特定参考信号(Cell-special Reference Signal,CRS)的频偏估计算法[12-13]基础上,用接收到的CRS和发送的CRS进行互相关运算,消除信道中噪声和多径干扰带来的影响,使得本方法对快速变化的信道同样适用;然后,对CRS参考信号在频域进行插值,一方面增大了计算相关的参考符号数量,另一方面减小了计算相关的两个OFDM符号之间的距离;最后用一个时隙中两个OFDM符号上对应子载波位置的信道估计值做相关,得到频偏,避免了时隙间跳频带来的干扰㊂在实际的LTE-A系统中,本方法的应用范围广,在工程上易于实现㊂2 系统模型和频偏的影响首先定义一个OFDM系统模型[14]㊂OFDM符号l上的时域采样信号表示为x l(n)=1N∑N-1i=0X l(i)e j2πni/N,n=0,1, ,N-1㊂(1)式中:X l(i)表示第l个OFDM符号上的第i个子载波发送的信息,N为子载波数㊂加性高斯白噪声(Additive White Gaussian Noise,AWGN)信道下的冲激响应为h l(n),加性高斯白噪声v l(n),归一化载波频偏ε,时域接收信号为r l(n)={x l(n)×h l(n)+v l(n)}×e j2πεn/N㊂(2)对时域接收信号r l(n)进行快速傅里叶变换后得到频域接收信号R l(k)=1N∑N-1n=0r l(n)e-j2πnk/N=1N∑N-1n=0∑N-1i=0X l(i)H l(i)e j2πn(i+ε-k)[]/N+~V l(k)=X l(k)H l(k)sinπεN sin(πε/N)e j2πεl(N+N cp,l)/(N-1)×e jπε(N-1)/N+I l(k)+~V l(k)㊂(3)式中:k=0,1, ,N-1;H l(i)表示第l个OFDM符号上的第i个子载波上的信道响应; I l(k)=∑N-1i=0i≠ke j2πεN cp,l e jπ(i+ε-k)(N-1)/N×sin[π(i+ε-k)]N sin[π(i+ε-k)/N]㊂(4)由式(3)中第一项可以看出,第l个OFDM符号中的第i个子载波上的有用信号中受到了幅度衰减和相位偏移的影响,第二项为第i个子载波受到其他子载波的干扰,~V l(k)为噪声干扰部分㊂系统信干比(Signal to Interference Ratio,SIR)为SIR=E X l(i)e j2πε[(N cp,1+N)l/N-1]e jπε(N-1)/N sin(πε)N sin(πε/Néëêêùûúú)2 E∑N-1i=0i≠ksin[π(i+ε-k)]e j2πεN cp,k/N e jπ(N-1)(i+ε-k)/KN sin[π(i+ε-k)/Néëêêùûúú]2=sin(πε)sin(πε/N)2∑N-1i=1sin[π(ε+i)]sin[π(ε+i)/N]2㊂(5)当频偏ε很小时,SIR很大,信号的干扰几乎为零,可完全恢复出发送端的数据;当频偏ε很大时,有用信号受干扰的影响增大,干扰带来的影响比较大,需要对其进行估计和补偿㊂3 基于CRS的频偏估计算法文献[13]提出了一种基于CRS参考信号的频偏估计算法㊂在3GPP36.211协议中,关于CRS参考信号是这样描述的:在一个子帧中,第1个和第8㊃602㊃电讯技术 2019年个㊁第5个与第12个OFDM 符号中对应子载波位置的CRS 参考信号相同㊂所以直接用不同时隙中两个OFDM 符号中相同子载波位置的接收端参考符号进行互相关运算:W l′(k )=R l′(k )R l′+d (k )*㊂(6)式中:d 表示计算相关性的两OFDM 符号间间隔的符号数;l′=1,2,3,4为4个导频OFDM 符号,分别对应于l =1,5,8,12㊂则其频偏为^ε=-12πN d (N +N cp,l )arg{∑N R m =1∑l′=1,2∑κk =1R l′(k )R l′+d (k )*}㊂(7)式中:N R 为接收天线的数量,κ为一个OFDM 内的参考符号总数㊂估计范围为(-N /2d (N +N cp,l ),N /2d (N +N cp,l ))㊂(8)该算法复杂度低,但是接收信号R ml ,k受噪声和多径干扰影响大,计算相关性的两个OFDM 符号相距较远,且在时隙间存在跳频的系统中并不适用㊂4 基于CRS 插值的频偏估计方法用不同OFDM 符号中的频域接收参考信号R l (k )做互相关运算求频偏的估计方法,由于接收信号受信道变化影响大,所以在实际的频偏估计中并不可行㊂用不同OFDM 符号中的频域接收CRS 信号R l (k )和频域发射CRS 信号X l (k )做互相关运算,得到类似信道估计值,然后求频偏,这样可以消除信道变化带来的影响㊂为了减少插值的复杂度,下面的计算均只用port0和port1的数据进行㊂在一个子帧中,参考符号位于每个时隙的第1个和倒数第3个OFDM 符号中,同一OFDM 符号内相邻的两个参考符号在频域上间隔6个子载波,第1个OFDM 符号中的参考符号和倒数第3个OFDM 符号中的参考符号在频域上间隔3个子载波㊂用OFDM 符号中的相邻参考符号进行插值后,同一OFDM 符号内相邻的两个参考符号在频域上间隔3个子载波,第1个OFDM 符号中的参考符号和倒数第3个OFDM 符号中的参考符号在频域上间隔0个子载波㊂最后根据一个时隙内两OFDM 参考符号的相关性,即可计算出频偏值㊂4.1 CRS 插值首先将发射端的CRS 参考信号与接收端的CRS 参考信号做相关运算,可得类似信道估计值,以消除信道中噪声和多径干扰的影响:y l′(k )=R l′(k )×X l′(k )*㊂(9)下面分析由CRS 信道值y l′(k )进行频域插值得到y′l′(k′)的过程㊂根据3GPP 36.211协议,por0和port1的V shift 相同的导频有3个子载波的滑动,所以定义以下变量:P sc =v shift ,port0(v shift +3)mod 6,{port1㊂(10)对不同的天线端口和不同的V shift (小区特定频率偏移),插值方法不同㊂导频插入子模块的具体操作如图1所示㊂图1 插值方法 以port0的V shift =0的子帧为例,插值过程如图2所示,图中箭头指向表示由资源单元(Resource El⁃ement,RE)的信道值插值得到插值位置的值㊂V shift值不同,插值方案不同㊂插值后,每个发射天线端口含参考信号的OFDM 符号上频域1个RB 范围内有4个参考符号RE,子载波的间隔为2,且不同OFDM 符号每个CRS 符号对应载波位置含相同的参考信号RE㊂㊃702㊃第59卷胡晓玲,张治中,程方:一种基于CRS 插值的频偏估计方法第2期图2 port0的资源块(Resource Block,RB)结构4.2 计算频偏按照4.1节图2所示方法进行插值后,应用导频上携带的信息在频域上进行频偏估计㊂子载波k′上相邻两个OFDM参考符号对应子载波位置的信道估计值共轭相乘:W l′(k′)=y′l′(k′)y′l′+1(k′)*=R l′(k′)X l′(k′)*×[R l′+1(k′)X l′+1(k′)*]*=e-j2πεd(N+N cp,l)/N×X l′(k′)2X l′+1(k′)2×H l′(k′)2+~V l′(k′)㊂(11) k′=2k为频域插值后一个OFDM符号中的导频数,则其归一化载波频偏为^ε=-12πNd(N+N cp,l)arg{∑N R m=1∑l′=1,3∑2κk′=1y l′(k′)y l′+1(k′)*},(12)估计范围为(-N/d(N+N cp,l),N/d(N+N cp,l))㊂(13) 5 仿真结果分析本节对基于CRS插值的频偏估计方法进行性能评估㊂仿真参数设置如表1所示㊂表1 仿真参数设置参数名称配置值系统信道带宽/MHz20子载波间隔/kHz15FFT点数2048循环前缀长度144配置天线端口数1×4子载波数量1200信道类型AWGN调制方式64QAM传输模式Open loop spatialmultiplexing仿真次数1000 ε表示真实频偏值,^ε为本算法频偏估计值㊂频偏估计误差为ε-^ε=12πNd(N+N cp,l)×arctanIm{∑N R m=1∑l′=1,3∑2k k′=1y l′(k′)y l′+1(k′)*e j2πε}Re{∑N R m=1∑l′=1,3∑2k k′=1y l′(k′)y l′+1(k′)*e j2πε},(14)则其均方误差(Mean Squared Error,MSE)为MSE=E{ε-^ε2}≈N24π2d2(N+N cp,l)2N Rκγf㊂(15)式中:γf=σ2s/σ2v是FFT后的信噪比㊂图3给出了信噪比(Signal-to-Noise Ratio, SNR)15dB条件下,本频偏估计算法估计频偏值与实际频偏值之间的关系㊂由图可知,在本频偏估计算法估计范围内,本频偏估计算法估计精度曲线几乎与实际频偏重合,超出本方法估计范围估计精度迅速降低,说明本频偏估计算法在频偏估计范围内能够准确地估计出频偏值㊂图3 实际频偏与估计频偏的关系图4为不同信噪比下不同频偏估计方法精度比较㊂从图中可以看出,在AWGN信道下,本算法的MSE均远小于基于CRS的频偏估计算法和基于CP 的频偏估计算法的MSE㊂因此,本算法比基于CRS 的频偏估计算法和基于CP的频偏估计算法能获得更高的频偏估计精度,而且本算法在低信噪比条件下的估计精度依然较高㊂图4 频偏估计方法性能比较㊃802㊃电讯技术 2019年图5为信噪比15dB 下获得的频偏估计范围仿真结果㊂基于CP 的频偏估计算法估计范围为[-2kHz,2kHz],传统基于CRS 的频偏估计算法的频偏估计范围为[-1kHz,1kHz],而本方法频偏估计范围为[-1.75kHz,1.75kHz]㊂本频偏估计方法在基于CRS 的频偏估计算法的基础上扩大了频偏估计范围,虽然本频偏估计方法估计范围小于基于CP 的频偏估计算法的估计范围,但是本频偏估计方法的估计范围已经满足频偏估计跟踪阶段对频偏估计范围的要求㊂图5 频偏估计范围比较图6是固定频偏值为500Hz 条件下,系统校正前后信噪比与误码率(Bit Error Rate,BER)之间的关系图㊂由图可见,本频偏估计方法比基于CRS 的频偏估计算法和基于CP 的频偏估计算法性能好,随着信噪比的增加,误比特率逐渐降低㊂图6 校正前后系统误比特率图7为在信噪比30dB㊁频偏值为500Hz 条件下,频偏处理前后信号星座图㊂可以看出,未用本算法进行处理前,信号星座图存在相位旋转,且处于发散状态;频偏处理后,信号星座图聚拢而且消除了相位旋转,有利于接收机正确解调信号㊂(a)无频偏处理的信号星座图(b)本频偏估计方法处理的星座图图7 频偏处理前前后信号星座图6 结 论本文对CRS 进行频域插值,然后利用信道估计值来计算频偏㊂仿真分析表明,本方法在AWGN 信道中,无论是在高信噪比条件下还是低信噪比条件下,均能够获得很好的估计性能㊂本频偏估计方法适用于对精度和范围要求高的场景,如高铁㊂本频偏估计方法已经应用于国家科技重大专项项目 LTE-A 空口监测分析仪”㊂参考文献:[1] 薛磊磊.高速移动环境下OFDM 系统中载波间干扰消除技术研究[D].西安:西安电子科技大学,2012.[2] 郭伟.TD-LTE 系统中同步技术的研究与实现[D].成都:电子科技大学,2015.[3] 修凯.基于GPP 的LTE 小区搜索及下行同步的实现和优化[D].北京:北京邮电大学,2013.[4] 刘庆刚,邹胜福,胡飞.极低信噪比下的信号同步捕获技术研究[J].通信技术,2016,49(12):1614-1618.[5] 朱乾坤,许阳,刘东鑫,等.一种基于DFT 的高精度载波频偏估计算法[J].海军航空工程学院学报,2014,29(4):329-334.[6] QIAO Y J,WANG Z S,JI Y F.Blind frequency offset esti⁃㊃902㊃第59卷胡晓玲,张治中,程方:一种基于CRS 插值的频偏估计方法第2期mation based on cyclic prefix and virtual subcarriers inCO-OFDM system[J].Chinese Optics Letters,2010,8(9):888-893.[7] MORELLI M,MENGALI U.An improved frequency offsetestimator for OFDM applications[J].IEEE Communica⁃tions Letters,1999,3(3):75-77.[8] 凌琪琪,罗志年.基于数据相关叠加训练序列的载波频偏与信道联合估计[J].计算机工程,2017,43(9):138-143.[9] ZHOU X G,CAO B Y.Wide-range frequency offset esti⁃mation algorithm for optical coherent systems using train⁃ing sequence[J].IEEE Photonics Technology Letters,2011,24(1):82-84.[10] CLASSEN F,MEVR H.Frequency synchronization algo⁃rithms for OFDM systems suitable for communication o⁃ver frequency selective fading channels[C]//Proceed⁃ings of IEEE Vehicular Technology Conference(VTC).Stockholm:IEEE,1994:1655-1659.[11] YANG T,HU L.An improved frequency offset estimationalgorithm for OFDM system[C]//Proceedings of2010IEEE International Conference on Information,Networ⁃king and Automation(ICINA).Kunming:IEEE,2010:V1-10-V1-13.[12] 罗瑜,王钟斐.LTE系统中基于Cell RS的频偏估计方法[J].电子设计工程,2016,24(20):53-55. [13] WANG Q,MEHLFUHRER C,RUPP M.Carrier frequen⁃cy synchronization in the downlink of3GPP LTE[C]//Proceedings of2010IEEE International Symposium onPersonal Indoor and Mobile Radio Communications.In⁃stanbul:IEEE,2010:939-944.[14] 冯婕,肖骏雄,韩纪龙,等.基于幅度比值的低复杂度频偏估计算法[J].光学学报,2015,35(5):104-109.作者简介:胡晓玲 女,1993年生于重庆铜梁,硕士研究生,主要研究方向为第四代移动通信网络架构通信网测试技术㊂张治中 男,1972年生于湖北恩施,教授㊁博士生导师,主要研究方向为第三㊁四㊁五代移动通信网络架构㊁测试及优化技术㊂程 方 女,1972年生于重庆,教授㊁硕士生导师,主要研究方向为通信领域的数字信号处理㊁通信网与测量技术㊂㊃012㊃电讯技术 2019年。
《电讯技术动态》征稿启事
Ｚ ＵＳ ｕ ． ｎｌ ｉｏ Ｆｎ —ｆ ｔｅｆ ａａ Ｓｇａ［ ． Ｏ ｈｎ Ａ ａ ｓ ｉｅ ｅ ｕ ｒＲ ｄｒ ｉ ｌ Ｄ］ ｙｓ ｆ ａｒ ｏ ｎ
Ｘｉａｌ ｌ：Ｎｏ ｔ ｓｅ ｏｙｅ ｈ ｉａ ｉｅｓｔ ２ ０ ４ — ５ ｒ ｈｗｅｔｒ Ｐ ｌｔ ｃ ｎｃ ｌＵｎｖ ｒｉ ｎ ｙ， ０ ６： ６ ０．
ｗ ｗ ｔｅｎｎ ．Ｉ ｗ ． ｌ ｌｅ Ｃ ｅ ｏｉ Ｙ
电讯 技 术
Ｐｏ ｅ ｉ ， Ｏ ７ ２ （ ） ３ ７ ５ ． ｉ Ｃ ｅｅ ｒ ｓ ｎ ２ ０ ，２ ３ ：４ —３ ２ （ ￣ｎｓ） ｃｓｇ ｎ
２ １ 庄 ００
ｌｉ ｉ ａ ［ ］ Ｍ ｄｍ Ｒ ｄｒ ２０ １ ） ７— ２ ． ａｏ Ｓ ｎｌ Ｊ ． ｏｅ ａａ， ０３（ １ ：１ ｔｎ ｇ ｓ Ｏ
［］ 姜勤波 ， ７ 马红光 ， 杨利锋 ． 达信号全 脉冲数据分 析的 雷 极值序列 分 析方 法 （ ［ ］ 数据 采 集 与信 号 处理 ， 二） Ｊ ．
２ ０ ，２ ３ ：４ ０ ７ ２ （ ）３ ７—３ ２． ５
张 国 毅 （９５ ， ， １６ 一）男 吉林 长 春 人 ， 士 ， 授 、 士 研 究 博 教 硕 生 导 师 ， 要 研 究 领域 为信 号 与 信 息处 理 、 子对 抗 。 主 电
ｌ Ｄ ｐ ｎ ， ｆ ａ ｉ ，Ｍ ｈ ａ ｅ ａ． ｎ ｇｒ ｍ ｆ ４ ａｏ ｔ Ｐ Ｇ ｍ ｌ Ｊ ｅ ｉ ｄ Ｄ ｏ ｎｒ Ａ， ｔ １ Ａ ｏ ｔ ｒ ｏ ｌ ｈ ａ ｉ ｏ
ｉ ｄｎ ｔｅ ｅ ｏ ｒｓｉｇ ｆ ｉ ｆｎ ｉ ｇ ｈ ｚ ｒ ｃ ｏｓｎ ｏ ｔ ｓｇ ａｓ ｍｅ ｉｎ ｌ ｗｉｈ ｔ Ｌｉｓ ｈｔｅ ｎ ｐｃ ｉ ａ ｚ
《电信技术研究》征稿启事
Ｋ． Ｃ． Ｈｏ ，Ｘｉ ａ ｏ ｎ ｉ ｎ ｇ Ｌ ｕ ａ ｎ ｄ Ｌ． Ｋｏ ｖ ａ ｖｉ ｓ ａ ｒ ｕ ｃ ｈ． Ｓｏ ｕ ｒ ｃ ｅ Ｌｏ ｃ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ Ｕ ｓ ｉ ｎ ｇ ＴＤＯＡ ａ ｎ ｄ Ｆ ＤＯＡ Ｍ ｅ ａ ｓ ｕ ｒ ｅ —
【 ｌ ２ 】林 茂 席 ， 柯有安． 雷达信 Ｉ ， 理论【 Ｍ】 ． 困 防 Ｔ 业 … 版
社， ｌ ９ ８ １ ． ７ １ ． ７ ７ ， ８ ７ ． ８ ８ ．
析【 Ｊ ］ ． 航天 ｌ Ｕ了对 抗 ， ２ ０ ０ ６ ， ２ ２ （ ６ ） ： ２ ０ ． ２ ３ ．
《电信 技 术研 究 》征 稿 启事
来 稿 尽 量 采 用 电 子 邮 箱 投 稿 ，并 提 供 Ｗｏ ｒ ｄ 文 档 和 插 图 的原 始 文 件 。投 稿 要 求 主 题 突 出 ，内 容 精 炼 ，文 字 清 晰 ，图表 正 确 ，文 稿 字 数 一 般 控 制在 ８ ０ ０ ０ 字 以 内 ，关 键 词 以 ３ － ８ 个 为 宜 ，插 图 最 好 采 用 计 算 机 制 作 ，并 注 明 作 者 单 位 和 联 系 地 址 。来 稿 也 可 通 过 邮 局 邮 寄 ， 邮 寄 地 址 ：四 川 成 都 ３ ９ ３信 箱 Ｃ５ ４号 《电 信 技 术 研 究 》编 辑 部 。 来 稿 一 经 刊 登 ，本 刊 将 按 有 关规 定 支 付 稿 酬 ，并 赠 送 当 期 样 刊 。
《电 信 技 术 研 究 》创 刊 于 １ ９ ５ ７年 １月 ，是 集 学 术 性 、动 态 性 于 一体 的 技 术 性 刊物 。刊 登 的 内 容 涉 及 通 信 和 电 子 技 术 各 个 领 域 ，涵 盖 航 空 航 天 、 卫 星 、超 微 波 、短 波 、超 短 波 、
征稿启事范文精选
征稿启事征稿启事范文（通用10篇）启事是机关，团体，单位个人有事情需要向公众说明，或者请求有关单位，广大群众帮助时所写的一种说明事项的实用文体。
下面是本店铺整理的征稿启事范文，希望对你有所帮助。
征稿启事 1本报从创办至今，得到了广大读者的热情支持、关爱。
为了让《城望一中》报内容更丰富精彩，现特向广大师生征稿。
1、本报栏目有校园新闻、校园广角、教育科技、体育艺术、教育教学、文苑撷英、菁菁校园、校园幽默、校友风采等。
2、热烈欢迎广大师生提供新闻线索，投递新闻照片、风光照片、书法作品、美术作品、科幻漫画等作品。
3、特别欢迎1000字以内的.稿件，超过1500字的学生稿件一般不予采用。
所有来稿编辑有权删改，不允许删改则请告知。
4、所有来稿可用电子稿，发电子邮件时主题请用“校报稿件”，作品用附件发稿。
（E-mail：XX）5、由于编辑部人手有限，所有来稿不论采用与否一般不退，请作者自留底稿。
6、校内学生投稿，请送往学校科技馆二楼校报编辑室王老师处。
7、本报学生稿件刊发后不发稿酬，编辑部将在年终时评选优秀作者。
本刊长期征稿，分期出版。
欢迎广大师生投稿！征稿启事 2市第一中学创办于1902年5月14日，是一所百年老校、三湘名校，1953年被确定为首批省重点中学，1994年经过检查评估再次被确定为省重点中学。
20XX年被省教育厅确定为首批省示范性普通高级中学。
学校坐落在历史文化名城市中心，占地110亩，建筑面积近4万平方米，校园内楼亭映水，荷花满塘，绿树葱茏，鸟语花香，为省级园林式单位，是莘莘学子的求学胜地。
学校以“公、诚、勤、朴”为校训，以“理性的思路，刚性的管理，柔性的服务，和谐的激励”为治校方略，“慎选良师，从严治校。
”为办学宗旨，百多年来共培养了毕业生5万余人，学校教学质量从建校至今一直雄居全省前列。
20XX年是学校建校105周年，届时将举行校庆庆典活动，其目的是回顾办学历史，总结办学经验，展示办学成就，扩大学校声誉，增强师生信心，联络校友情感，加强对外交流，拓展办学空间，提高学校知名度。
《电信技术》
《电信技术》
佚名
【期刊名称】《电信技术》
【年(卷),期】2018(0)A01
【摘要】《电信技术》杂志由工业和信息化部主管,人民邮电出版社主办,北京信通传媒有限责任公司出版发行。
《电信技术》创刊于1954年,是我国电信领域创刊最早、历史最长的期刊,是电信领域具有指导性的中级技术期刊,属于国家级刊物。
《电信技术》主要受众是电信运营商以及产业链相关各方。
【总页数】1页(P163-163)
【关键词】期刊;创刊;电信;朋友;电信技术;信通;领域
【正文语种】中文
【中图分类】G6
【相关文献】
1.《电信技术》,陪伴我的朋友--纪念《电信技术》创刊50周年 [J], 唐敏
2.参与《电信技术》掌握电信技术 [J], 格桑次仁
3.我与《电信技术》——纪念《电信技术》创刊三十周年 [J],
4.办好《电信技术》为通信现代化服务——祝贺《电信技术》创刊三十周年 [J], 成安玉
5.《电信技术研究》征稿启事《电信技术研究》编辑部 [J], 无
因版权原因，仅展示原文概要，查看原文内容请购买。
论文期刊投稿指南
1、【杂志名称】计算机应用研究【杂志文章包含专业】建模，仿真，网络，人工智能，比较杂。
【投稿联系方式】/ 注册在线投稿审稿【投稿费用】250元/页【杂志级别】国家一级期刊，全国中文核心期刊【稿酬回报】无【投稿感受】录用率始终保持在60%以上，不包括增刊，想上增刊，交钱就行（250元/页），无审稿费！2、【杂志名称】火力与指挥控制【杂志文章包含专业】武器装备方面建模，仿真，评估等。
主要针对军工方面文章。
【投稿联系方式】hlyz@【投稿费用】版面费600元，审稿费50元。
如果稿件质量高，免版面费。
【杂志级别】中文核心期刊，科技论文统计源期刊。
【稿酬回报】有，但不多，百十来元吧。
【投稿感受】录用率较高，70％左右，审稿周期2个月，发表周期1年左右。
编辑态度较好。
【其他】如果忙着毕业，或评职称，可以投。
3、【杂志名称】系统仿真学报【杂志文章包含专业】建模，仿真，计算机技术，网络，评估等。
内容较杂。
【投稿联系方式】【投稿费用】版面费1200元左右，审稿费150元(中文)。
【杂志级别】中文核心期刊，EI统计源期刊。
【稿酬回报】有，但不多，百十来元吧。
【投稿感受】录用率不高20％左右，审稿周期2个月，发表周期1.3年左右。
编辑态度较好。
论文要求仿真结果。
【其他】2005年，论文被EI检索率90％以上。
4、【杂志名称】《宇航学报》【杂志文章包含专业】飞行理论、航天飞行器系统、导弹系统、空气动力学、测量与信息传输、制导与控制、飞行器能源、遥感飞行器设计与制造、惯性技术、推进技术、计算机应用、材料与工艺、发射工程、结构强度、目标与环境、计量与测试、质量与可靠性等。
【投稿联系方式】yhxbbjb@【投稿费用】审稿费80元，版面费1100左右【杂志级别】核心期刊，06年为EI 检索期刊【稿酬回报】较少【投稿感受】要求电子稿和打印稿投送，审稿2～3个月，录用率为10％左右、感觉投稿有难度。
5、【杂志名称】《导弹与航天运载技术》【投稿联系方式】edit@【投稿费用】无审稿费80元，版面费500左右，优秀的文章免收版面费。
《通信技术》杂志社约稿 征稿信息
《通信技术》杂志社约稿征稿信息刊名：通信技术Communications Technology主办：中国电子集团公司30所周期：月刊核心期刊：中文核心期刊(2004)《通信技术》杂志简介《通信技术》杂志由信息产业部主管、中国电子科技集团第三十研究所主办。
6开本，每月10日出版，国内外公开发行的月刊。
《通信技术》杂志1967年创刊，是国内创办时间长、影响大的计算机专业媒体，2004版中文核心期刊。
主要报道信源处理、传输、业务与系统、网络、移动通信、信息安全等方面的先进技术、理论研究成果和最新动态。
为扩大学术交流的渠道，本刊特向从事通信领域方面科研、教学、技术开发、维护管理等方面的专家、学者、在校师生和相关技术人员征集稿件，热诚欢迎广大作者踊跃投稿。
《通信技术》征稿启事征稿内容：（1）信源处理；（2）传输；（3）业务与系统；（4）网络；（5）移动通信；（6）通信保密。
征稿要求：（1）技术新颖，内容简洁，文字精练，一般不超过5000字。
（2）引用的数据要有充分依据。
正确使用标点符号、名词、术语。
量符号和量单位请按法定的量和单位的名称、符号和书写规则书写。
（3）文章需附题目的英文翻译和工作单位的英文名称，3~5个中、英文关键词，200字左右中、英文摘要。
（4）请给出所有作者的简介。
简介内容如下：姓名、出生年、性别、职称及现在主要从事的研究方向。
（5）参考文献择主要的列出（除综述性文章外最多不超过6篇），按出现的次序列在文末，并在文中对应位置以右上角方括弧中的数字表示。
参考文献的著录方法如下：①专著［序号］著者. 书名[M]. 版本, 出版地:出版者,出版年:页次.②期刊［序号］作者. 题名[J]. 刊名,出版年,卷号（期号）:起止页.③论文集（会议论文还应有开会地址和开会年）［序号］主要责任者.文献题名[C].会议名、会址和开会年；出版地：出版者，出版年:起止页码.④论文集中的析出文献［序号］析出文献主要责任者.析出文献题名[A].原文献主要责任者.原文献题名[C]. 会议名、会址和开会年；出版地：出版者，出版年.析出文献起止页码.⑤报纸［序号］作者.题名[N].报纸名,年-月-日（版次）⑥专利［序号］专利所有者.专利题名[P].专利国别,专利号.出版日期.⑦技术标准［序号］标准编号(标准代号标准顺序号—发布年)，标准名称[S].也可以专著形式著录（著者. 书名[S]. 版本, 出版地:出版者,出版年:页次.）⑧学位论文［序号］作者.题名[D].保存地:保存者,年份.⑨报告［序号］作者.文献题名[R].出版地：出版者，出版年.⑩电子文献［序号］（数据库）：主要责任者.电子文献题名[DB/OL]. 电子文献的出处或可获得地址(网址)，发表或更新日期/引用日期.序号］（电子公告）：主要责任者.电子文献题名[EB/OL]. 电子文献的出处或可获得地址(网址)，发表或更新日期/引用日期. （6）来稿自投送之日起两个月内请不要另投其他刊物。
我刊被《中国学术期刊影响因子年报》统计刊源收录征稿启事
我刊被《中国学术期刊影响因子年报》统计刊源收录征稿启事佚名
【期刊名称】《通信技术》
【年(卷),期】2024(57)4
【摘要】为扩大学术交流的渠道,本刊特向从事通信领域科研、教学、技术开发、维护管理等方面的专家、学者、在校师生和相关技术人员征集稿件,热诚欢迎广大作者踊跃投稿。
优秀稿件征集(1)本刊对有重要创新价值的优秀论文优先发表,并酌情从优支付稿酬。
(2)凡获省、部级及以上的基金资助的论文,请给出基金名称和基金编号,本刊按基金级别支付稿酬。
征文范围(1)现代通信技术,包括量子通信、太赫兹通信、移动通信、卫星通信、光通信、空间通信、水下通信、抗干扰通信等。
【总页数】1页(PF0003-F0003)
【正文语种】中文
【中图分类】TN9
【相关文献】
1.我刊被《中国学术期刊影响因子年报》统计刊源收录征稿启事
2.我刊被《中国学术期刊影响因子年报》统计刊源收录
3.我刊被《中国学术期刊影响因子年报》统计刊源收录
4.我刊被《中国学术期刊影响因子年报》统计刊源收录征稿启事
5.我刊被《中国学术期刊影响因子年报》统计刊源收录征稿启事
因版权原因，仅展示原文概要，查看原文内容请购买。
一种改进的cnn端到端自编码器通信系统
doi :10.3969/j.issn.1001-893x.2020.02.004引用格式:王旭东,林彬,张凯尧,等.一种改进的CNN 端到端自编码器通信系统[J].电讯技术,2020,60(2):147-152.[WANG Xudong,LIN Bin,ZHANG Kaiyao,et al.An improved CNN end-to-end learning-based autoencoder communication system[J].TelecommunicationEngineering,2020,60(2):147-152.]一种改进的CNN 端到端自编码器通信系统*王旭东,林 彬**,张凯尧,吴 楠(大连海事大学信息科学技术学院,辽宁大连116026)摘 要:针对现有端到端神经网络通信系统的泛化能力改进及自编码器优化等问题,提出了一种基于卷积神经网络(Convolutional Neural Network ,CNN )的端到端通信系统改进方案㊂该方案在自编码器结构中引入一维卷积层(Conv1D ),通过对参数的重新设计,优化了网络性能㊂发送端采用多层Conv1D 对输入序列进行特征提取,通过训练获得发送信号的最佳调制和编码方案;接收端同样采用多层Conv1D ,来恢复受到噪声污染的符号㊂仿真实验表明,在不同输入比特长度及编码速率条件下,所提系统表现出了良好的泛化能力㊂并且,在加性高斯白噪声信道和瑞利衰落信道下,训练模型的误码性能与传统的调制方式性能相吻合,验证了系统方案的可行性和有效性㊂此外,对于数字传输常见的突发信道,所提方案具有良好的适应性,可获得1dB 左右误码性能的改善㊂关键词:通信系统;卷积神经网络;端到端学习;自编码器开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN929.5 文献标志码:A 文章编号:1001-893X (2020)02-0147-06An Improved CNN End -to -End Learning -based AutoencoderCommunication SystemWANG Xudong,LIN Bin,ZHANG Kaiyao,WU Nan(College of Information Science and Technology,Dalian Maritime University,Dalian 116026,China)Abstract :In order to enhance the generalization ability of the autoencoder based end-to-end communica⁃tion systems,an improved convolutional neural network(CNN)based autoencoder communication system is proposed.This scheme introduces 1-dimensional convolution layers(Conv1D)in the autoencoder and opti⁃mizes the network performance by redesigning the parameters.The transmitter uses multiple layers of Conv1D to extract the feature of the input sequence,and obtains the optimal modulation and coding scheme during training.The receiver also uses the multiple layers of Conv1D to recover the symbols contaminated by noise.Simulation experiments show that the proposed system exhibits fascinating generalization ability with different input bit lengths and code rates.Moreover,for the additive white Gaussian noise(AWGN)channel and the Rayleigh fading channel,the performance of the training model is consistent with that of the traditional modulation method,which verifies the feasibility and effectiveness of the system scheme.In addition,for the common burst channel of digital transmission,the proposed scheme exhibits good adaptabil⁃ity and improves the error performance by about 1dB.Key words :communication system;convolutional neural network;end-to-end learning;autoencoder㊃741㊃第60卷第2期2020年2月电讯技术Telecommunication EngineeringVol.60,No.2February,2020***收稿日期:2019-07-03;修回日期:2019-10-09基金项目:国家自然科学基金资助项目(61371091)通信作者:binlin@0 引 言通信的基本问题可以表述为,发射机设计一种合适的编码方式,以便在有信道干扰的情况下接收机也可以完美地恢复发送的信号㊂传统的通信系统将发射机和接收机设计分成了若干个子模块,如信源编码㊁信道编码㊁调制和均衡㊂这种设计方法的优点是每个模块可以单独优化,从而演化成了广泛应用的通信系统模块化设计思想㊂深度学习(Deep Learning,DL)是机器学习和人工智能领域的最新趋势之一㊂DL已经在计算机视觉和自然语言处理领域取得了革命性的进步[1]㊂近年来,一些学者将DL引入到通信系统设计中,分别在调制[2]㊁信道估计[3-6]㊁信号检测[7]㊁调制识别[8-9]和信道解码[10]等技术实现方面取得了相应的研究成果㊂通常,DL用于系统物理层设计的技术方式可分为两种,即基于DL的单元模块实现和端到端自编码器系统实现㊂文献[11-13]给出了接收端使用循环神经网络(Recurrent Neural Network,RNN)完成诸如卷积码㊁Turbo码和极化码等不同类型信道编码的实现案例㊂应用RNN的优势是可以从整个传输序列中提取相关信息[12-13],并且用有限的训练数据就能学到解码方案,但是单独对每个模块用神经网络优化并不能保证系统的整体性能最优㊂为了获得系统整体优化性能,有学者提出了基于自编码器端到端通信系统设计思想[5,15]㊂文献[14]提出了利用卷积神经网络(Convolutional Neural Network, CNN)实现自编码器的方法㊂CNN的局部连接性使得网络支持传输二进制比特序列增加了网络吞吐量,网络虽然在低信噪比下有一定增益,但在高信噪比下却出现了明显的地板效应,因此其泛化性有待提高㊂针对神经网络端到端系统泛化能力提高问题,本文提出了一种新的基于CNN端到端通信系统(CNN-AE)的改进方案,与文献[14-15]相比, CNN-AE系统既继承了端到端自编码器通信系统可以共同优化所有模块的特点,同时具有CNN局部连接的特性,可以传输更多比特信息,且网络的泛化能力更强㊂该系统可以在特定的信噪比(Signal-to-Noise Ratio,SNR)下训练快速收敛,训练后的系统可以在整个SNR范围正常工作㊂对于加性高斯白噪声(Additive White Ganssian Noise,AWGN)和瑞利衰落信道等不同传输环境下的系统性能进行了仿真分析,验证了CNN-AE系统的有效性和可靠性㊂此外,本文还讨论了网络参数对CNN-AE系统误码性能的影响,对比分析了不同的输入比特长度㊁编码速率㊁训练SNR等条件下的性能结果㊂1 系统模型通信系统可以看作一个自编码器㊂本文考虑一个最简单的通信系统模型,即只包括发射机㊁信道和接收机三部分㊂假设发射机发送一个包含k 比特信息的符号s,经过信道传递给接收机㊂更准确地说,发射机的任务是将信源符号s变换为发送信号x∈n,然后通过n个信道时隙发送,并且,发射机需对发送信号x进行能量约束,即‖x‖2≤n㊂在接收端则会收到经过噪声污染后的y∈n㊂因此,接收机的任务是估计出符号^s,使其与信源信号s尽可能地接近㊂系统的编码速率为R=k/n,单位为b/channel use㊂由神经网络构建的点到点通信系统模型如图1所示㊂信源部分利用one-hot向量完成符号序列S 的比特映射;发射机包含3个一维卷积层(Conv1D),Conv1D层可以同时处理整个符号序列S,即可以同时处理k´L比特信息,其中L是每帧符号数(块长度)㊂然后用能量归一化层对发送信号序列X进行能量约束;信道部分利用条件转移概率描述加性高斯白噪声或瑞利衰落信道;接收机则同样采用3层Conv1D构成㊂尽管Conv1D层数越多,神经网络的表示和分类能力越强,但随着网络层数增加也会使得梯度消失或网络训练困难㊂通过仿真实验,发现使用3层网络足以保证网络的学习能力且可获得最佳的传输可靠性㊂对应图1中自编器结构参数由表1给出㊂图1 CNN-AE系统结构模型㊃841㊃电讯技术 2020年表1 自编码器结构参数层类型激活函数输出维度One-hot input None L×2kConv1D elu L×256Conv1D elu L×256Conv1D linear L×2nPower Norm Layer None L×2n AWGN/Rayleigh channel None L×2nConv1D elu L×256Conv1D elu L×256Conv1D softmax L×2k从信道编码的角度来看,图1中发射机的Conv1D层有助于输入符号序列的线性/非线性编码,其中信源信号通过卷积运算与表1的指数线性单元激活函数得到非线性的编码信号㊂从调制的角度来看,发射机Conv1D层将one-hot向量变成新的占用n个信道时隙的符号㊂换句话说,符号的星座点是在2维空间设计的,这个想法类似于球形填充调制,但Conv1D层可以在更高的2n维空间中寻找最优解㊂从深度学习的角度来看,每个Conv1D层都有d=256个滤波器,如表1所示,将每个one-hot 向量从2k维空间映射到256维空间,针对信道环境找到最优的发送符号映射方案,以便接收机恢复相应的信息㊂每次符号发送过程等效为占用n个I/Q 复数子信道㊂功率归一化层需要将符号从256维空间压缩成2n维㊂信道模型可以用条件概率密度函数来表示㊂将有固定方差的加性高斯白噪声添加到信号中,对于平坦衰落信道,发送的信号X需要在到达接收端前与信道的冲击响应进行卷积㊂接收机的任务是基于所学习的信号特征对每个接收信号Y的2k种情况进行分类㊂在接收机中, Conv1D层首先将接收信号Y解压回256维空间,以便提取足够的信息进行分类㊂最后一层用softmax 激活函数将信号映射到维度为2k的one-hot向量中㊂图1中用g(Y)表示接收端的学习与变换过程㊂将信道状态信息(Channel State Information,CSI)与接收信号Y一并传递给接收机,为接收机提供完美的信道状态信息㊂训练集和验证集是随机产生的二进制比特序列㊂训练系统用了12800条样本,每条样本包含了L 个符号,每个符号含有k比特信息㊂系统测试时使用了64000条数据,将batch大小设置为64㊂由于Conv1D层具有权重共享的特性,系统可以在任意比特长度的符号序列下训练㊂即无论一次向网络输入多少符号,对每个输入的符号执行完全相同的卷积运算㊂在本文的其余部分,L均被设置成100㊂CNN的泛化能力使得网络可以在固定的信噪比E b/N0下训练,在大范围的E b/N0上测试㊂CNN-AE系统接收机需要在决策边界周围见到足够多的统计样本来学习在有噪声污染的信号特征㊂如果将E b/N0设置成相对较小的值,则接收机只能学习噪声特征;如果训练的E b/N0相对较高,则接收机的CNN只能学习完美的信号表示,并且任何噪声干扰都会使网络错误的分类㊂适当的训练值E b/N0可以保证CNN在决策边界有足够的训练样本㊂当在AWGN㊁Rayleigh或者非标准的高斯信道下进行通信时,CNN的适应性可使得系统在误码性能 误块率(Block Error Rate,BLER)方面实现表现出最佳性能㊂发射机可以针对当前的信道环境设计发送符号映射方案,接收机学习这些信号特征并进行分类㊂损失函数采用输入符号和输出符号序列之间的二进制交叉熵(Binary Cross Entropy,BCE),两者都被编码为one-hot向量,优化器采用Adam,其中学习率设置为0.001,当loss不再下降时,学习率自动减小为当前值的1/10㊂对网络训练50次,由于图1中每个Conv1D层后面都有Batch-Normalization层,因此可以让网络快速收敛到最优点㊂表1中所有的Conv1D层卷积核大小设置成1,步长设置为1,对每个输入的独立信源符号进行单独处理㊂由于网络的泛化能力可以将学习到的信号特征推广到没见过的码字上,因此尽管输入的序列具有2k×L种可能性,但所提出的系统只采用了12800条数据进行训练㊂2 性能分析在本节中,将通过大量的仿真实验证明所提出的基于CNN的自编码器在块长度㊁训练的信噪㊁编码速率㊁信道条件等方面的泛化能力㊂系统模型基于此前的图1结构和表1参数㊂2.1 不同训练块长度及信噪比条件下性能比较分别用较短的块长度(L=10)来训练图1中的CNN-AE系统,并使用相同的网络参数来测试不同块长度(L=10㊁100)下的BLER㊂㊃941㊃第60卷王旭东,林彬,张凯尧,等:一种改进的CNN端到端自编码器通信系统第2期 图2表明,由于Conv1D 层的权重共享的特性,当在块长度L =10㊁100测试网络时,CNN-AE 系统的两条BLER 曲线重合㊂因此,系统测试的输入块长度可以是任意值㊂CNN -AE 系统在一个固定的信噪比下训练,在大范围的信噪比下测试㊂如图2所示,在9dB 下训练网络,与在3dB 和20dB 下训练的结果对比可以看出在9dB 下训练的网络可靠性最好㊂因为接收机的CNN 要在决策边界附近观察到足够多的正负训练样本,以便在有信道干扰的情况下学习信号特征㊂图2 AWGN 信道不同训练块长度及信噪比条件下误码率性能比较2.2 AWGN 信道不同编码速率条件下性能比较分别选取不同编码速率,将CNN -AE 系统的BLER 与传统的PSK 和QAM 等进行比对,将信道时隙n 设置为1,通过改变每符号比特数k 来控制编码速率R ㊂图3绘出了CNN-AE 系统在不同的编码速率R =1㊁2㊁4㊁6在AWGN 信道下的BLER㊂一方面,由于256个卷积核以及神经网络结构使得CNN 具有强大的学习能力,即使是在高数据率下也可以学习最优的映射方式;另一方面,网络的可靠性与AWGN 信道下最优的调制方案BPSK㊁QPSK㊁16QAM㊁64QAM 相吻合㊂图3 AWGN 信道不同编码速率误码率性能比较2.3 Rayleigh 衰落信道不同编码速率条件下性能比较 考虑Rayleigh 衰落信道环境,选取不同编码速率R =1㊁2㊁4㊁6时CNN-AE 系统BLER 性能㊂将接收信号Y 与CSI 一起传递给接收机,接收机在学习解码前先均衡信道响应㊂图4给出了CNN-AE 系统BLER 与传统的BPSK㊁QPSK㊁16QAM㊁64QAM 的BLER 对比结果㊂图4 瑞利衰落信道不同编码速率误码率性能比较如果在发射机的最后一层为每个符号提供更多的信道资源来传输符号,则CNN-AE 系统可以得到更多的空间资源㊂从调制的角度来看,由于星座点是在2n 维空间进行设计的,相比于n =1时的2维空间它可以最大化星座点之间的最小欧式距离㊂从信道编码的角度来看,Conv1D 层在2n 维空间上学习块编码,可以增加码字间的最小汉明距离㊂因此,随着信道时隙数n 的增加,可以实现更优的可靠性㊂2.4 不同信道时隙的n 的情况下系统性能图5和图6分别给出了AWGN 和Rayleigh 衰落信道下CNN -AE 的BLER 性能㊂对于给定的k 值,n =1增加到n =2相当于在2n 维空间中搜索星座点,因此会带来系统性能的增益㊂图5 AWGN 信道不同信道使用数对误码性能的影响㊃051㊃ 电讯技术 2020年图6 瑞利衰落信道不同信道使用数对误码性能的影响由2.2节和2.3节可以看出,网络学习的映射方案与在AWGN 和瑞利信道下已知最佳的解决方案吻合良好㊂为进一步验证所提系统模型良好的泛化能力,考虑更为复杂的混合高斯噪声场景,AWGN 作为背景噪声,同时,以小概率出现一个方差更大的加性噪声㊂信道模型描述为y =x +z +w ,其中z ~N (0,σ21)作为背景噪声,w ~N (0,σ22)作为以概率ρ出现的突发噪声,σ22≫σ21,用来模拟突发雷达信号干扰LTE信号的场景㊂2.5 复杂噪声环境下系统性能基于混合噪声模型,选取σ2=10σ1,ρ=0.05,k =4,通过改变信道时隙n 来探究系统性能,所得的结果如图7所示㊂在n =1时,CNN-AE 的BLER 与16QAM 相近;随着n 增大,可以看出CNN-AE 系统的性能进一步提高㊂这是因为CNN-AE 系统能够通过训练学习,设计出适合突发信道的调制方案,而传统QAM 仅仅针对AWGN 信道设计的,因此16QAM 性能略差㊂图中嵌入的两幅图分别为CNN-AE 系统针对AWGN 和突发信道特性训练得到的调制映射星座图㊂图7 突发信道不同信道使用数条件下误码性能比较对比系统在AWGN 信道以及瑞利衰落信道下损失函数随着训练次数变化情况,由图8和图9可以看出,系统对初始化的参数并不敏感,从而使损失函数在几个训练次数内快速收敛,进而验证了系统模型具备良好的泛化性㊂图8 AWGN信道下的损失函数的收敛情况图9 瑞利衰落信道下的损失函数的收敛情况3 结束语本文提出了与通信领域专业知识相结合的基于CNN 的自编码器的通信系统,网络采用卷积层来学习数据的传输与信号检测,将功率约束和时间约束(信道使用数量)和信道模型添加到神经网络中,给网络足够多的数据来驱动模型学习通信系统要求的网络参数㊂这种通用的系统模型可以在各种信道下通信㊂在AWGN 和平坦衰落信道下,不论块长度与编码速率,CNN-AE 系统性能近似于现有的人工设计的最佳调制方案㊂当通过突发信道时,由于网络可以在高维空间学习星座符号来适应信道环境,因此网络的性能优于现有的调制方案㊂仿真结果证明了CNN-AE 的架构在训练过程中可以快速收敛,因此可以通过少量的训练次数就达到最佳性能㊂㊃151㊃第60卷王旭东,林彬,张凯尧,等:一种改进的CNN 端到端自编码器通信系统第2期参考文献:[1] LECUN Y,BENGIO Y,HINTON G.Deep learning[J].Nature,2015,521:436-444.[2] FELIX A,CAMMERER S,DÖRNER S,et al.OFDM-au⁃toencoder for end-to-end learning of communicationssystems[C]//Proceedings of201819th InternationalWorkshop on Signal Processing Advances in WirelessCommunications(SPAWC).Kalamata:IEEE,2018:1-5.[3] HE H,WEN C,JIN S,et al.Deep learning-based channelestimation for beamspace mmWave massive MIMO sys⁃tems[J].IEEE Wireless Communications Letters,2018,7(5):852-855.[4] NEUMANN D,WIESE T,UTSCHICK W.Learning theMMSE channel estimator[J].IEEE Transactions on Sig⁃nal Processing,2018,66(11):2905-2917. [5] YE H,LI G Y,JUANG B H F,et al.Channel agnosticend-to-end learning based communication systems withconditional gan[C]//Proceedings of2018IEEE Globe⁃com Workshops.Abu Dhabi:IEEE,2018:1-5. [6] YE H,LIANG L,LI G Y,et al.Deep learning based end-to-end wireless communication systems with conditionalGAN as unknown channel[EB/OL].(2019-03-06)[2019-07-01].https:///abs/1903.02551v1.[7] YE H,LI G Y,JUANG B H F.Power of deep learning forchannel estimation and signal detection in OFDM systems[J].IEEE Wireless Communications Letters,2017,7(1):114-117.[8] HUANG H,GUO S,GUI G,et al.Deep learning for physi⁃cal-layer5G wireless techniques:opportunities,challen⁃ges and solutions[EB/OL].(2019-04-21)[2019-07-01].https:///abs/1904.09673. [9] WANG Y,LIU M,YANG J,et al.Data-driven deep learn⁃ing for automatic modulation recognition in cognitive ra⁃dios[J].IEEE Transactions on Vehicular Technology,2018,68(4):4074-4077.[10] NACHMANI E,MARCIANO E,BURSHTEIN D,et al.RNN decoding of linear block codes[EB/OL].(2017-02-24)[2019-07-01].https:///abs/1702.07560.[11] GRUBER T,CAMMERER S,HOYDIS J,et al.On deeplearning-based channel decoding[C]//Proceedings of201751st Annual Conference on Information Sciencesand Systems(CISS).Baltimore:IEEE,2017:1-6. [12] KIM H,JIANG Y,RANA R,et munication algo⁃rithms via deep learning[EB/OL].(2018-05-23).[2019-07-01].https:///abs/1805.09317.[13] JIANG Y,KIM H,ASNANI H,et al.DeepTurbo:deepTurbo decoder[EB/OL].(2019-03-06)[2019-07-01].https:///abs/1903.02295v1. [14] ZHU B,WANG J,HE L,et al.Joint transceiver optimiza⁃tion for wireless communication PHY using neural net⁃work[J].IEEE Journal on Selected Areas in Communi⁃cations,2019,37(6):1364-1373.[15] O’SHEA T,HOYDIS J.An introduction to deep learningfor the physical layer[J].IEEE Transactions on CognitiveCommunications and Networking,2017,3(4):563-575.作者简介:王旭东 男,1967年生于黑龙江哈尔滨,博士,教授㊁硕士生导师,主要研究方向为MI⁃MO无线通信㊁空间调制㊁可见光无线通信及定位技术㊂林 彬 女,1977年生于广东新会,博士,教授㊁博士生导师,主要研究方向为智能通信㊁移动互联网㊁网络规划与优化㊁海上无线宽带网络㊂张凯尧 男,1995年生于辽宁辽阳,2017年获工学学士学位,现为硕士研究生,主要研究方向为深度学习在无线通信中的应用㊂吴 楠 男,1979年生于辽宁大连,博士,副教授㊁硕士生导师,主要研究方向为现代移动无线通信系统㊁基于深度学习的无线通信系统㊁可见光通信系统(MIMO㊁OFDM㊁信道编码㊁协作通信㊁自组织网络)等㊂㊃251㊃电讯技术 2020年。
结合卷积神经网络和随机森林的辐射源个体识别
doi :10.3969/j.issn.1001-893x.2021.06.011引用格式:侯思尧,李伟,李永光,等.结合卷积神经网络和随机森林的辐射源个体识别[J].电讯技术,2021,61(6):728-731.[HOU Siyao,LI Wei,LI Yongguang,et al.Specific emitter recognition by combining convolutional neural network and random forest[J].TelecommunicationEngineering,2021,61(6):728-731.]结合卷积神经网络和随机森林的辐射源个体识别∗侯思尧∗∗,李㊀伟,李永光,凌㊀杰,黄黔川(电子信息控制重点实验室,成都610036)摘㊀要:为提高辐射源个体识别准确度,解决工程化应用问题,同时避免在信号样本有限的情况下单一识别算法的局限性,提出了一种结合卷积神经网络和随机森林的辐射源个体识别方法㊂该方法分别利用卷积神经网络和随机森林训练生成两组个体识别模型,然后采用识别概率统计法生成不同辐射源个体的综合权值向量,最后根据权重向量形成针对不同辐射源个体的综合识别模型㊂仿真结果表明,相较于单一算法,所提方法能够提升整体识别准确率,同时,对不同辐射源个体均有较好的适用性㊂关键词:辐射源个体识别;卷积神经网络;随机森林;综合权值开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN971㊀㊀文献标志码:A㊀㊀文章编号:1001-893X (2021)06-0728-04Specific Emitter Recognition by Combining ConvolutionalNeural Network and Random ForestHOU Siyao,LI Wei,LI Yongguang,LING Jie,HUANG Qianchuan(Science and Technology on Electronic Information Control Laboratory,Chengdu 610036,China)Abstract :In order to improve specific emitter identification accuracy and solve the engineering application problems,a new specific emitter recognition algorithm based on the combination of convolutional neural net-work(CNN)and random forest is proposed.This algorithm can avoid limitations of single algorithm when the signal sample is limited.It provides two groups of specific emitter identification model by using CNN and random forest,then applies probability statistics to obtain the comprehensive weight of different specific emitter,finally produces comprehensive identification model by using comprehensive weight.Simulation re-sults show that the proposed method can increase specific emitter identification accuracy and is suitable for different specific emitters.Key words :specific emitter recognition;convolutional neural network;random forest;comprehensive weight0㊀引㊀言辐射源信号个体识别首先利用表征个体指纹特征的属性,如包络上升沿㊁下降沿㊁顶部起伏等,通过傅里叶变换等手段完成指纹特征的提取,再采用相应的个体识别方法实现对同类辐射源的不同个体的识别㊂目前利用机器学习的个体识别方法方面主要包括深度学习和集成学习两类,均需要根据个体样本㊃827㊃第61卷第6期2021年6月电讯技术Telecommunication EngineeringVol.61,No.6June,2021∗∗∗收稿日期:2021-03-06;修回日期:2021-04-08通信作者:125371206@开展识别模型训练,然后根据训练后的模型完成未知个体的识别㊂其中,深度学习方法首先提取辐射源个体特征,然后构建多层网络,将提取的特征作为输入开展个体识别训练,训练期间利用多层网络组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示,提升识别准确率㊂典型深度学习方法包括卷积神经网络[1-4]㊁深度置信网络[5]等,通过二维分布图或多维的描述作为输入,通常由于网络层级较大,导致计算量大,不利于工程应用㊂集成学习首先组成一组个体学习器,再用某种策略将它们结合在一起,使其具有较好的分类效果和泛化性能,典型方法有随机森林[6]㊁Adaboost[7]㊁GBDT[8]等㊂随机森林具有高维特征处理㊁数据适应性强和较好的抗噪能力,但在噪声较大的分类或回归问题上容易出现过拟合;Adaboost方法在数据不平衡的情况下容易导致分类精度下降,训练耗时长且易受噪声干扰;GBDT方法的多个弱学习器之间存在依赖关系,难以并行训练数据㊂本文采用优势互补的方式,将卷积神经网络和随机森林方法进行综合,同时,从工程化应用角度考虑,减少卷积神经网络层数,最终形成针对不同辐射源的综合识别模型㊂通过仿真验证,本文提出的识别方法具有运算时间短㊁识别概率高的特点㊂1㊀结合卷积神经网络和随机森林的辐射源个体识别㊀㊀本文提出的辐射源个体识别流程如图1所示㊂图1㊀辐射源个体识别流程Step1㊀将所有辐射源信号进行预处理并建立标签,生成数据集M,随机抽取其中的80%作为训练集T,剩余的20%作为测试集C,其中,抽取的辐射源信号满足数据标签均匀分布,对于数据量少的个体通过同标签数据随机填补,以保证不同个体的训练样本数量基本一致㊂Step2㊀依次提取训练集T中各辐射源信号的指纹特征,生成辐射源特征矩阵A,用于下一步的训练与实际分类处理㊂Step3㊀构建基于卷积神经网络的深度学习模型,考虑工程化应用,采用3个卷积层㊁3个池化层㊁3个激活层以及输入层和输出层㊂将Step2生成的辐射源特征矩阵作为输入进行训练,生成个体识别模型㊂Step4㊀构建基于随机森林的集成学习模型,将Step2生成的辐射源特征矩阵作为输入进行训练,生成个体识别模型㊂Step5㊀将Step2中的辐射源特征矩阵作为输入,分别利用Step3㊁Step4的个体识别模型进行个体识别,并基于两种模型的识别结果,采用识别概率统计的方法生成不同辐射源个体的综合权重向量,即卷积神经网络和随机森林的权重值,最后根据综合权重向量形成针对不同辐射源个体的综合识别模型㊂为了适应实际应用中电磁环境的变化,将新获取的数据M add添加到辐射源信号数据集M中形成新的数据集M new,定期执行Step1~5,对训练模型进行更新㊂Step6㊀依次提取测试集中各辐射源信号的指纹特征,生成辐射源特征矩阵,利用Step5生成的综合识别模型进行个体识别验证㊂2㊀综合权值的确定2.1㊀利用卷积神经网络生成个体识别模型构建卷积神经网络,训练基于深度学习的个体识别模型㊂卷积层的卷积核为一维向量,激活层为ReLU函数,输出层由一层全连接网络和Softmax分类器组成㊂其中,卷积层1的卷积核为1ˑ25,步长为2,卷积核个数为70;卷积层2的卷积核为1ˑ16,步长为2,卷积核个数为140;卷积层3的卷积核为1ˑ8,步长为2,卷积核个数为280㊂池化层1㊁2㊁3均采用最大池化,池化大小为1ˑ4,步长为2,如图2所示㊂将特征矩阵A作为输入,生成基于卷积神经网络的辐射源个体识别模型M dpl㊂㊃927㊃第61卷侯思尧,李伟,李永光,等:结合卷积神经网络和随机森林的辐射源个体识别第6期图2㊀卷积神经网络结构2.2㊀利用随机森林网络生成个体识别模型构建随机森林网络,训练基于集成学习的个体识别模型㊂通过K 个决策树和信息增益构建随机森林网络,其中K 为辐射源个体数的20倍,用于分割节点的特征子集合个数为特征集合个数的均方根㊂将特征矩阵A 作为输入,生成基于随机森林网络的辐射源个体识别模型M eml ㊂2.3㊀辐射源个体综合权重向量计算将特征矩阵A 作为输入,分别利用识别模型M dpl 和M eml 进行个体识别,并基于识别结果的概率统计确定个体识别模型M dpl 的权重向量w dpl 以及个体识别模型M eml 的权重向量w eml ,并保存模型参数㊂权重向量算法如下:根据给定的阈值F trust 以及辐射源个体集合D ={a 1,a 2,a 3, ,a z },得到识别结果为辐射源个体a m 的准确率F am 为F am =ð(Bool(f am )ȡF trust )ˑf am S am ,S am >00,S am =0ìîíïïïï㊂(1)式中:S am 是训练集中辐射源个体a m 的信号数量;f am 表示某一信号识别为a m 的概率值;Bool(f am ȡF trust )表示当f am ȡF trust 时值为1,否则值为0㊂则可针对每个辐射源个体a m ,得到个体识别模型M dpl 的权重w dpl am =F dpl am /(F dplam +F eml am ),以及个体识别模型M eml 的权重w eml am =F eml am /(F dpl am +F eml am ),其中F dplam为卷积神经网络算法识别出个体a m 的准确率,F eml am 为随机森林算法识别出个体a m 的准确率㊂通过上述方式可得到长度为z 的综合权重向量w dpl 和w eml ㊂2.4㊀综合识别模型的确定根据两个识别模型及其对应的权重向量生成不同个体的综合识别模型,利用综合识别模型计算某一信号识别为个体a m 的综合概率如下:f plus am =f dpl am ㊃w dpl am +f eml am ㊃w emlam ㊂(2)式中:f dpl am 为采用卷积神经网络算法识别出个体a m 的概率,f eml am 为采用随机森林算法识别出个体a m 的概率,当f plus am >F trust 则识别为个体a m ㊂3㊀应用分析本文在仿真环境下利用某型号雷达9个不同个体实际数据进行仿真验证,数据集中每个个体的脉冲数为7000~12000,其中80%作为训练使用,剩余20%作为测试使用,如表1所示㊂置信度阈值F trust =0.6,训练用计算机的CPU 为Intel Xeon Silver4110,内存32GB,显存16GB㊂表1㊀辐射源脉冲数统计表个体脉冲总数训练样本数测试样本数A4276509080(随机填补数2960)1530A4472609080(随机填补数3272)1452A4690059080(随机填补数1876)1801D121135090802270D1386509080(随机填补数2160)1730D1497609080(随机填补数1272)1952D15106209080(随机填补数584)2124D2189409080(随机填补数1928)1788D2498509080(随机填补数1200)1970利用卷积神经网络算法的识别结果如图3所示,利用随机森林算法的识别结果如图4所示,利用本文所述算法的识别结果如图5所示㊂图3㊀卷积神经网络算法得到的识别结果㊃037㊃ 电讯技术㊀㊀㊀㊀2021年图4㊀随机森林算法得到的识别结果图5㊀结合卷积神经网络与随机森林算法得到的识别结果通过图3~5的对比分析可知,本文所提方法的平均识别准确率为94.6%,卷积神经网络算法平均识别准确率为88.4%,随机森林算法平均识别准确率为90.6%,因此本文方法能够提升整体识别准确率㊂针对单一算法识别准确率较低的个体,如卷积神经网络对辐射源个体A44识别准确率为38%,随机森林对辐射源个体A46识别准确率为49%,而本文所提方法对辐射源个体A44识别准确率为92%,对辐射源个体A46识别准确率为98%,识别正确率均高于单一算法,因此本文所提算法对于不同辐射源个体均有较好的适用性㊂4 结束语本文提出的辐射源个体识别算法选取了深度学习中的典型算法 卷积神经网络和集成学习中的典型算法随机森林,目的在于提供一种思路,即如何将深度学习算法与集成学习算法相结合,通过减少深度学习网络层数,达到减少运算时间的目的,从而提升工程化应用能力㊂应用分析结果显示,本文所提方法具有良好的识别结果㊂此外,应用分析中用到的雷达数据不含多径效应以及噪声干扰等情况,因此在工程应用中,所述方法缺少对数据的预处理环节,这也是本文的不足之处,后续应该进一步探索在复杂电磁环境下的辐射源个体识别问题,以满足实际需求㊂参考文献:[1]㊀杨真真,匡楠,范露,等.基于卷积神经网络的图像分类算法综述[J].信号处理,2018,34(12):1475-1489.[2]㊀周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017,40(6):1230-1251.[3]㊀王飞飞.基于改进卷积神经网络算法的研究与应用[D].南京:南京邮电大学,2016.[4]㊀周志文,黄高明,高俊,等.一种深度学习的雷达辐射源识别算法[J].西安电子科技大学学报(自然科学版),2017,44(3):78-82.[5]㊀张博.基于深度置信网络的图像识别算法研究[D].哈尔滨:哈尔滨理工大学,2019.[6]㊀王奕森.随机森林和深度神经网络的若干关键技术研究[D].北京:清华大学,2018.[7]㊀付忠良.关于AdaBoost 有效性的分析[J].计算机研究与发展,2008,45(10):1747-1755.[8]㊀张向前.机器学习在辐射源信号指纹识别中的应用研究[D].成都:电子科技大学,2018.作者简介:侯思尧㊀男,1988年生于四川成都,2014年获硕士学位,现为工程师,主要研究方向为数据处理㊂李㊀伟㊀男,1986年生于四川资阳,硕士研究生,工程师,主要研究方向为数据处理㊂李永光㊀男,1977年生于山东潍坊,2006年获硕士学位,现为高级工程师,主要研究方向为数据处理㊁多元信息融合等㊂凌㊀杰㊀男,1992年生于重庆,2018年获硕士学位,现为工程师,主要研究方向为数据处理㊂黄黔川㊀男,1986年生于四川广安,工程师,主要研究方向为数据处理㊂㊃137㊃第61卷侯思尧,李伟,李永光,等:结合卷积神经网络和随机森林的辐射源个体识别第6期。
通信技术征稿启事
通信技术征稿启事
尊敬的读者，
大家好！我是《通信技术》杂志社的编辑，本着促进学术交流和分享创新研究成果的
宗旨，诚挚邀请各位专家学者、工程师和研究人员投稿。
我们期待收到各类与通信技术相关的高质量学术论文和技术研究文章，涵盖但不限于
以下主题：
- 无线通信技术
- 光通信技术
- 卫星通信技术
- 互联网通信技术
- 通信网络与协议
- 通信安全与加密
- 通信系统建模与仿真
- 通信设备与器件技术
- 通信技术在物联网、5G等领域的应用
为了确保投稿的质量和学术水平，我们将采取严格的审稿流程，所有稿件将由经验丰
富的学术专家进行匿名评审。
被接收的论文将在杂志上刊登，并发放正式的发表证书，以表彰作者们的贡献。
投稿细则如下：
1. 投稿请直接发送至我们的编辑邮箱（*****************），并在邮件主题中注明“投稿”二字。
2. 所有稿件必须是原创作品，未在其他刊物或会议上发表过。
3. 投稿文件请按照我们的模板进行排版和格式设置，模板请在我们的官方网站上下载。
4. 文章长度应在3000-8000字之间，包括图表和参考文献。
5. 请在投稿时附上一个简短的作者简介，包括姓名、职称、所在单位等。
欢迎广大读者踊跃投稿，造就《通信技术》杂志成为通信领域学术研究的重要平台。
我们期待您的精彩贡献！
祝好！
《通信技术》杂志社编辑部。
《信息通信技术》征稿函
《信息通信技术》征稿函
佚名
【期刊名称】《信息通信技术》
【年(卷),期】2008(000)002
【摘要】《信息通信技术》(ICT)杂志是由中国网络通信集团公司主管、主办的国内外公开发行的国家级中英文双月科技期刊。
本刊旨在贯彻落实科学发展观,反映国内外信息通信技术最新研究成果,提供信息通信技术交流平台。
【总页数】1页(P88)
【正文语种】中文
【相关文献】
1.《信息通信技术》征稿函 [J],
2.《信息通信技术》征稿函 [J],
3.《信息通信技术》征稿函 [J],
4.《信息通信技术》征稿函 [J],
5.《信息通信技术》征稿函 [J],
因版权原因，仅展示原文概要，查看原文内容请购买。
关于征集电讯技术封面设计的通知
关于征集电讯技术封面设计的通知
佚名
【期刊名称】《《电讯技术》》
【年(卷),期】2012(052)010
【摘要】《电讯技术》是由工业和信息化部主管、中国西南电子技术研究所主办的综合性电子信息专业学术刊物,为全国中文核心期刊。
为了更好地树立期刊形象,打造知名品牌,拟从2013年1月起采用全新的封面。
为此,编辑部现面向社会公开征集封面设计方案（创意）和样例。
【总页数】1页(P1669-1669)
【正文语种】中文
【中图分类】TN91
【相关文献】
1.关于征集《电讯技术》封面设计的通知 [J],
2.《电讯技术》封面设计征集活动圆满落幕 [J],
3.关于有奖征集《大学化学》封面设计的通知 [J],
4.关于征集《电讯技术》封面设计的通知 [J],
5.关于有奖征集《大学化学》封面设计的通知 [J],
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
刘晓明（ ９３一） 男 ， １６ ， 重庆 市人 ， 士后 ， 博 教授 ， 究方 研 向为扩 频 通 信 、 带 无 线 通 信 ， 电 子信 箱 ） ｑ ６ １ ｅ ＠ 宽 （ ｃ ｕ １ｄｌ ｘ
１６ ｃ ｒ ； ２ ． ｏｆ ｌ
向为扩频通信 ， 宽带无线通信 ；
张续莹 （９ ２一） 男 ， 北宜 昌人 ， 士生 ， １８ ， 湖 硕 研究方 向为
航 ； 别； 识 飞行 器 测 控 ； 星应 用 ； 卫 雷达 ； 息 战 ； 性 技 术 （ 信 共 包括 天线 、 频 电路 、 号 处 理 、 息 处 理 、 视 与 控 制 、 射 信 信 监 时
间与频率、 先进制造 、 电磁兼容、 测试与试验 、 可靠性 与维修性 、 软件 工程化 、 综合保 障等 ） 。 欢迎业内学者 、 专家及科技人员踊跃投稿。
来稿要求及注意事项 ：
（） １ 文稿务必主题明确 ， 论述合理 ， 逻辑严谨 ， 数据 可靠 ， 叙述 清楚 ， 文字精炼 。内容 应保守 国家机密 ， 并提供所 在单位 的保密审查证 明， 引用他人作 品应给 出来源 。 （） ２ 文稿一般不应超过 ６００字 ， ０ 综述稿不超过 ８０ ０字。稿 件应 附英 文题名 、 者名 、 ０ 作 单位 名 、 摘要 和关键词 ， 基金项 目应注明项 目编号 。中文题名一般 不超过 ２ Ｏ个汉字 ， 必要时可加副标题 。 （） ３ 摘要应包括 目的、 方法、 结果和结论四要素 ， 即用 简洁的语言 说明文章要解 决的 问题 ， 主要 工作过程及 所采 用 的技术手段和方法 ， 研究所 获得 的实验数据 、 结果 及其 意义 。篇 幅以 ２０～ ０ ０ ３０字为宜 。 （） ４ 关键词 以 ３—８ 个为宜 。为便于文献检索 ， 应尽 可能根据《 中国图书馆分类法（ 四版 ） 提供中图分类号 。 第 》 （ ） 中涉及 的物理量和计量单位应符合 国家有关标准 。计量单位请用 Ｇ ３０ ３ ０ ９ （ ５文 Ｂ １０— １２— ３ 量和单 位》 规定的 法定计量单位 。注意 区分各物理量符号的文种 、 、 大 小写 、 正斜体 （ 矢量和矩阵用黑斜体） 上 、 、 下角标等。 （ ） 图和表格 只给出必要 的， ６插 且应 有图题 和表题 。插 图最好采用计算 机制作 。照 片 以黑 白为佳 ， 也可采用扫 描 的电子文 档（ 精度高于 ４ ０ｄｉｔ 、 ｇｐｄ等格式均可 ） ０ ｐ，ｆＪ 、ｓ ｉＰ 。
性和导 向性 。国内刊号为 Ｃ ５ — ２７Ｔ ， Ｎ １ １６／ Ｎ 国际标准 刊号为 ＩＳ １０ — ９Ｘ ＳＮ ０１ ８３ 。目 ， 前 已被英 国《 科学文摘 （Ａ ｝Ｎ Ｓ ） Ｉ— ＳＥ 、 国《 ＰＣ美 剑桥科学文摘 （ Ｓ ） 、 Ｃ Ａ 》 波兰 《 白尼 索引 （ｃ 》 国外知名数据 和《 哥 Ｉ） 等 中国学术期 刊综 合评价数 据库》 、 《 中国学术期刊 （ 光盘版 ） 、中国核心期刊 （ 选） 》《 遴 数据库 》 《 、 中文科技期 刊数据库》 《 国期 刊全文数 据库》 《 、中 、中
著作权使用费。请勿一稿 多投 ， 否则后 果 自负。
电
话 ：０ ８ ８ ５５ ３ （２ ）７ ５ ６２
传
邮
真 ：０ ８ ８５ ８ ７ （２ ）７ ３３ ８
编 ：１０ ６ ６ ０３
地
址： 四川成都 ９ ４信箱 《 电讯技术》 编辑部
第 ４ 卷 第 ｌ 期 ８ ２ ２０ ０ ８年 １ ２月
作者 简介 ：
奶讥 技
Ｔｅｅ ｏ ｌ ｃ ｍｍｕ ｃ ｔｏ ｇｎ ｅ ｉｇ ｎｉａｉ ｎ Ｅｎ ｉｅ ｒｎ
Ｖｏ ． Ｎｏ ２ １４８ ．１ Ｄｅ ． ０ ８ ｃ２ ｏ
宽带无线通信 ； 吴皓威（ ９ １ ， ， １８ 一） பைடு நூலகம் 湖北天门人 ， 博士研 究生 ， 研究方
印稿。来稿请 注明作 者详 细通信地址 、 联系电话 和有效电子邮箱 ， 并提供作者照片 。 （） ９ 本刊编辑部将在 ２ 个月之 内对来稿作 出取舍 ， 查询稿件请通过 ｅ ａ ， ｍ ｉ如逾期未收到处理意见或刊用通知 ， ｌ 作 者有权对稿件另行处理。稿件一经 刊用 ， 本刊将酌情从优支付稿酬 并赠送 当期样 刊 ， 刊支 付的稿酬 中已包含作者 本
李
显（ ９ １一） 男 ， １８ ， 安徽 萧县人 ， 硕士生 ， 究方 向为 研
宽带无线通信。
《 电讯技术》 征稿启事
《 电讯技 术》 月刊 ） 刊于 １５ 年 ， （ 创 ９８ 由中华人 民共 和国工业 和信息化部主管 、 中国西南电子技术研究所（ 国电 中
子科技集 团公 司第 十研究所 ） 主办 ， 系国 内外公开发行的 、 理论与应用相结合 的综合性 电子 专业科技刊物 ， 具有权威
（） ７ 文稿 中引用他人 的成果 ， 请写明原作者 姓名 、 务 题名 、 来源 ， 一并 在参考文献 中给出 ， 并在 正文 中相应位置进
行 标示 ， 否则责任 由来稿人 自负。参考文 献 只择主要 的 ， 公开发 表的文献请 勿列 入参 考文献 。书写格式请 参 见 未
Ｇ ／ ７ ４— ０５文后参考文献著录规则 。 Ｂ Ｔ７ １ ２ ０ （） ８ 请务 必采用 ｅ ａ 投稿 ， ｒｉ ｎｌ 投稿 邮箱 ：ｉ ｘｎｉ ｕ ｈ ａｃｍ， ｄａ ｕｊｈ ＠ｃｉ ．ｏ 并尽 量同时提 供 Ｗｏ ｎ ｓ ｎ ｒ ｄ和 ｐｆ ｄ 文档 ， 无需另 寄打