张聿远,张立民,闫文君

(海军航空大学航空作战勤务学院，山东 烟台 264001)

0 引 言

空频分组码(space-frequency block code,SFBC)技术以其对空间和频带的高利用率,使得数据的传输速率和效率得到了大幅的提高。随着频谱资源的短缺,SFBC与正交频分复用(orthogonal frequency division multiplexing,OFDM)技术的结合进一步提升了信号的频谱利用率,因而得到了越来越广泛的关注[1]。在频谱监测、通信侦查等非协作通信情况下,信道和噪声的先验信息往往难以获得,人工提取特征难度较大,因此如何对SFBC-OFDM信号进行非协作条件下的自动识别具有重要意义。

现有的SFBC识别方法仍以人工提取特征算法为主,鲜有深度学习方法的应用。特征提取算法主要利用接收端信号的统计特性,构建统计特征量作为假设检验的依据实现识别[2-7]。文献[2]推导了SFBC-OFDM信号的二阶循环统计量的表达式,并将该统计量作为识别的特征参数。文献[3]基于随机矩阵理论,在频域内通过平滑窗检测接收信号的主成分序列,并将其欧式距离作为假设检验的识别特征以实现识别。文献[4]提出一种基于空间-频域冗余的SFBC识别方法,该方法利用空域冗余构造估计量的互相关函数,在假设检验统计量中加入频域冗余以实现识别。文献[5]基于中心极限定理,利用空频冗余统计量进行假设检验完成识别。文献[6]通过计算接收天线间的互相关函数,采用虚警测试来进行决策。文献[7]提出一种基于随机矩阵理论和子空间分解的SFBC-OFDM识别方法,根据噪声子空间的最大特征值确定决策边界,并利用距离度量的决策树进行决策。……