论文部分内容阅读
近些年来,通信技术的高速发展催生了移动终端市场的繁荣景象,各种移动设备层出不穷。5G网络的提出更是揭开了“万物互联”的时代序幕,移动终端的数量将呈现爆炸式增长,特别地,支持多输入多输出(Multiple Input Multiple Output,MIMO)的通信终端将在未来网络中占据主导地位,因此针对多天线通信设备的辨识能力在无线网络安全领域是必不可少的。特定辐射源识别(Specific Emitter Identification,SEI)技术可以通过提取物理层的射频指纹特征来实现对不同无线发射机的分类识别,以此检测非法入侵单元,保障系统安全。但目前针对多天线SEI的开放性研究很少,并且在实际的通信环境中,无线信道对于射频指纹特征的稳定性影响较大,为了解决这些问题,本文以多天线通信辐射源为研究对象,从其内部功率放大器(Power Amplifier,PA)的非线性模型的参数特征入手,在MIMO通信系统中进行PA模型参数和信道增益系数的联合估计,以此展开在无线信道影响下的多天线SEI的研究工作。依据先特征提取、后分类识别的SEI处理流程,可将本文的研究工作概括为以下几个方面:1.在有训练序列辅助的MIMO通信系统中,针对实际环境中的多径信道的影响,本文使用无记忆多项式模型来刻画多天线辐射源内部PA的非线性行为,并利用所有训练序列的辅助,构造出待估计参数关于多天线观测信号的方程组,分别从求解线性最小二乘(Linear least squares,LLS)和非线性最小二乘(Nonlinear least squares,NLS)问题的角度出发,提出了两种PA模型参数和多径信道增益系数的联合估计方法,并对所提方法的适用条件做了理论分析。进一步,为避免信道阶数的预估计问题,提升算法的实用性,本文将所提的基于训练序列辅助的特征提取算法拓展到正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)的通信系统中,并通过实物实验验证了算法的有效性。2.针对实际系统中可能存在的训练序列不足的问题,为降低在特征提取过程中训练序列的开销,本文基于期望最大化(Expectation maximization,EM)算法的框架,将未知的数据序列部分当作隐变量使用,提出了一种半盲的PA模型参数和信道增益系数的联合估计方法。同时,本文还通过引入高斯分布的信道先验信息来约束所提算法的更新迭代过程,仿真结果表明其对算法性能有一定的改善作用。3.在分类识别阶段,针对所提算法估计得到的PA模型参数特征,本文使用基于最小错误概率准则的分类器进行多天线辐射源的辨识工作,并通过理论推导分析了分类器的平均误分率,对仿真实验的结果形成理论指导。