战术网络跳频电台网台分选技术的实现

这是一篇关于跳频信号,时频分析,信号检测,分选,FPGA的论文, 主要内容为由于跳频信号具有出色的抗干扰性能和低截获概率的能力,在近年来的军事和民用领域得到了广泛应用。因此跳频信号的检测、跳频参数的盲估计以及网台分选技术研究变得尤为重要。本文以在复杂电磁空间中的多跳跳频网台信号为研究对象,探讨了作为非协作第三方进行跳频信号侦察的关键技术,包含跳频信号的盲检测、多跳频信号参数估计和多跳频信号的网台分选。考虑到跳频信号检测、参数估计和网台分选算法在实际工程应用中的需求,本文设计并实现了FPGA平台上的跳频信号网台分选系统的方案。本文的主要研究内容和创新点如下:(1)研究了跳频通信系统和数学模型,详细介绍了跳频信号的重要参数和具体指标。本文还重点研究了时频分析法的原理和性质。对比了几种常见的时频分析方法的性能指标和计算量,同时分析了窗的选择对时频分析的影响,最终选定谱图变换作为时频分析的主要方法;(2)对跳频信号的检测算法进行了研究。在对经典的信号检测的门限设计方案进行对比分析的基础上,提出了一种基于OTSU法的门限设计方案;(3)本文研究了跳频信号参数盲估计和网台分选的技术实现算法。首先,通过形态学滤波解决了跳频信号“断码”问题,利用功率谱对消法解决了定频干扰频率碰撞问题。随后详细介绍了异步跳频信号的参数估计算法和网台分选算法,给出了详细的原理步骤,并利用仿真信号完成了实验性能分析,利用不同场景不同参数条件下的跳频信号对算法的有效性和鲁棒性进行了验证;(4)本文研究了在FPGA平台上实现跳频信号网台分选系统,明确了系统设计的功能和模块划分,并对关键模块进行了详细的设计与实现,最后采用实测信号对系统进行了测试。

面向B5G的大规模MIMO系统低复杂度信号检测方案的研究与设计

这是一篇关于大规模多输入多输出,深度学习,单天线用户设备和多天线用户设备系统,期望传播,信号检测的论文, 主要内容为B5G(Beyond 5G)是目前正在开发的用于无线通信系统的最新蜂窝技术,而信号检测在单天线用户和多天线用户相关信道中有重要的应用价值。大规模多输入多输出(Multiple-Input Multiple-Out,MIMO)系统作为B5G中一项关键技术,其基站的天线数量通常达到几十到上千个,这使得上行链路传输的信号检测变得越发困难与复杂。因此,在大规模MIMO多天线用户信号检测中,如何权衡检测准确性和复杂度已成为国内外学者研究的热点。而传统的信号检测方法在起初天线数量少的时候展现了很好的性能,但是随着天线数量的增加,即使是次优线性检测器也带来了巨大的复杂度。针对矩阵求逆的复杂度的问题,现有的几种研究方向如近似求逆,信道硬化简化求逆,迭代消除等虽然可以较好的降低复杂度,但是其性能也只能贴近原先的算法。所以为了打破性能的瓶颈,本文尝试将深度学习与信号检测相结合。深度学习分为数据驱动和模型驱动,数据驱动需要大量的数据驱动,十分耗时,所以本文研究方向主要为模型驱动。主要内容如下:第一,本文针对大规模MIMO系统,提出了两种基于Gauss-Seidel迭代法的模型驱动深度学习(Deep Learning,DL)检测器网络。DL成功帮助研究人员研究更准确、更高效的多输入多输出MIMO系统信号检测器。然而,现有的基于DL的MIMO检测器提高性能的同时也增加了复杂度。本文针对瑞利信道下单天线用户设备(Single-Antenna User Equipment,SAUE)和多天线用户设备(Multiple-Antenna User Equipment,MAUE)系统,提出了一种循环嵌套的方法将原来求大矩阵的逆转换为小矩阵的逆来降低复杂度,从而设计了一种基于Gauss-Seidel迭代法的模型驱动DL检测器网络BGSNet(Block Gauss-Seidel Network)。同时为了提高算法在MAUE系统下的性能,对BGSNet进行改进,提出新的改进网络Improved BGSNet。仿真结果表明,BGSNet的性能明显优于Gauss-Seidel算法;所提方案适用于大规模MIMO且复杂度低;BGSNet的鲁棒性很好,性能受天线数量变化影响小;MAUE系统下,Improved BGSNet性能优于BGSNet,两者都适用于低相关和中相关的MAUE系统。第二,本文针对信道硬化现象消失和多用户高相关信道下,BGSNet和Improved BGSNet性能降低的问题,分别提出了一种基于期望传播算法的方案和网络。期望传播EP(Expectation Propagation)的MIMO检测方案近年来受到广泛关注。然而,现有的基于EP的MIMO检测器获得高精度的同时也增加了复杂度。本文探究EP算法高精度的原因,发现EP算法可以构造出类似信道硬化的矩阵特征,同时为了解决EP算法高复杂度问题,针对性提出了一种基于期望传播的DGEP(Diagonalized Gauss-Seidel Expectation Propagation)检测方法。本文将DGEP的一些超参数转为参数,提出了一种结合深度学习的DGEP-Net方案进一步提高检测性能。仿真结果表明,DGEP的性能明显优于BGSNet和Improved BGSNet算法;可以有效的降低信道硬化消失的影响;具有良好的鲁棒性,在降低复杂度的同时能很好的贴合EP算法;所提出的DGEP-Net网络甚至在多数情况下,性能要比EP算法要好。

环境反向散射通信系统中信号检测与信道估计

这是一篇关于环境反向散射通信,共生无线电,信道估计,深度学习,智能反射面,信号检测的论文, 主要内容为随着物联网设备爆炸式的增长,能量受限和频谱资源短缺逐渐成为限制物联网发展的两大因素。环境反向散射通信(Ambient Backscatter Communication,AmBC)是一种新型的低能耗通信技术,它通过将待发送信号调制到周围环境中的射频信号上,实现无源信息传输,不需要昂贵的射频组件,并且不占用额外的频谱。随着AmBC的广泛应用,如何实现高速率、高可靠的反射通信成为国内外研究的热点。由于反射链路受双衰落效应和传统的单天线反射设备(Backscatter Device,BD)影响,导致反射链路信号通常非常弱,这限制了反向散射通信的传输速率和通信覆盖范围。智能反射面(Intelligent Reflecting Surface,IRS)是一种由大量可重构反射单元组成的辅助通信设备,通过控制反射单元的反射系数实现反射信号强度和方向可控的波束赋形。将IRS应用到AmBC中,可以作为BD进行无源信息传输,增强反射链路增益。由于环境射频信号的未知性和不可控性,AmBC中反射链路信号解调时会受到直接链路射频信号的强烈干扰。为此,人们提出了一种新型的共生无线电(Symbiotic Radio,SR)通信技术。在SR系统中,BD将其信号调制到来自主发射机的射频信号上实现无源信息传输,BD信号的传输为直接链路通信提供了额外的多路径增益。SR的接收机采用联合译码实现高可靠性的反向散射通信。近年来,深度学习凭借其处理数据的天然优势和强大的学习能力,成为了解决未来无线通信网络中复杂问题的有力手段。借助于深度学习方法,本文针对基于IRS的AmBC系统中无源波束设计和信号检测问题以及多BD的SR系统中的导频设计和信道估计问题展开深入研究。针对基于IRS的AmBC系统,本文提出了一种基于在线学习的IRS无源波束赋形和信号检测算法。针对IRS作为BD进行无源信息传输的AmBC通信模型,提出了IRS波束赋形设计的优化问题,目标是最小化反向散射符号的检测误码率(Bit Error Rate,BER)。该问题为非凸优化问题,不能用传统的优化问题直接求解。本文基于通信系统模型和期望最大化(Expectation Maximization,EM)检测算法设计了一个数据驱动和模型驱动深度学习方法相结合的IRS无源波束设计和信号检测网络结构,实现IRS反射系数矩阵与BER之间的非线性映射关系。基于在线学习的EM神经网络(Online Learning-based EM Neural Network,OEMNN)由两个子网络组成,第一个子网络是根据信号传输模型构建,通过将待优化的IRS相移量转化为可训练的神经网络参数,有效处理了优化问题中IRS反射单元的单位模约束。第二个子网络通过展开EM检测算法的迭代过程得到,用于获得反向散射符号的估计值。通过训练OEMNN得到优化后的神经网络参数,这些参数就是IRS反射系数矩阵的相移量。仿真实验结果表明,OEMNN的符号检测性能明显优化IRS随机无源反射波束设计方案和无IRS的AmBC方案。针对多BD的SR系统,本文提出了基于深度学习的联合导频设计和信道估计(Joint Pilot Design and Channel Estimation,JPDCE)方案。该系统考虑了BD的开关键控(On-Off Keying,OOK)和高阶反向散射这两种调制模式。JPDCE方案通过构建导频设计器和信道估计器来最小化信道估计的均方误差。在发射端,本文利用自编码器网络结构和信号流图构建了导频设计器,将导频信号模型映射到对应的导频设计网络中,训练完成后的神经网络参数就是所需的导频信号。在接收端,信道估计器首先利用深度残差网络(Deep Residual Network,DRN)对接收信号进行去噪处理,然后基于串行干扰消除(Successive Interference Cancellation,SIC)算法依次对每个信道进行估计,其中信道估计利用所构建的深度神经网络完成。此外,在网络训练的反向传播过程中,分别给出了BD两种调制约束下其对应的梯度更新方法。仿真结果显示,JPDCE方案的信道估计性能优于传统的线性最小均方误差(Linear Minimum Mean Square Error,LMMSE)和没有SIC的深度学习方案,并且在引入DRN的情况下具有更好的估计性能。

交流牵引电传动联调试验系统的设计与开发

这是一篇关于联调试验,飞轮装置,四象限变流器,变压器,信号检测的论文, 主要内容为目前,国际上一些大企业如阿尔斯通、日立等,生产的产品含整车及电传动系统,都有联合调试试验系统,能满足生产设计需要,国内一些大型主机厂利用产品优势有同类型的试验检验系统,但配件厂家在该领域基本属于空白。 公司为了引进技术的国产化再创新,了解动车产品设计的核心技术,掌握第一手试验数据,公司需将动车电机与变流器、变压器等通过车体系统模拟进行组合试验,现有的试验条件无法满足需求,为此需要设计开发一套适合公司产品的联调试验系统。 该联调试验系统开发后,将为国内铁路配件企业产品模拟整车试验工况提供良好的支持,解决公司基础条件不足,无法试验电机或变流器的某些特定项目问题,具有很好的现实意义。 本文介绍了公司某型动车联调试验的要求,运用Think&Do和S7-300控制软件,针对改型动车实际运行条件进行设备的选用,设计改型动车交流牵引电传动联调试验系统。涉及的主要内容包括： 1、根据公司现有试验设备条件,主电源来源于公司10KV电力网,设计一套由由10kV开关柜、2500kW同步发电机组、3.15kV开关柜、2500kVA带载调压的单相升压变压器、25kV开关柜、25kV电压互感器柜及其相关网络组成的电源系统,满足试验用电源要求； 2、利用电阻模拟设计车体实际负载,运用Think&Do和S7-300控制软件,组建控制和检测系统,模拟网压变化、制动、换向及故障对控制检测系统的影响及校正； 3、用被试电传动系统进行匹配调试及交叉验证,设计出适合公司动车产品的电机与变流器联调试验系统,使组合试验满足试验大纲要求； 4、总结电机与变流器联调试验系统开发的方法,为其他电机产品与变流器系统联调试验系统的设计与开发提供参考。

面向B5G的大规模MIMO系统低复杂度信号检测方案的研究与设计

这是一篇关于大规模多输入多输出,深度学习,单天线用户设备和多天线用户设备系统,期望传播,信号检测的论文, 主要内容为B5G(Beyond 5G)是目前正在开发的用于无线通信系统的最新蜂窝技术,而信号检测在单天线用户和多天线用户相关信道中有重要的应用价值。大规模多输入多输出(Multiple-Input Multiple-Out,MIMO)系统作为B5G中一项关键技术,其基站的天线数量通常达到几十到上千个,这使得上行链路传输的信号检测变得越发困难与复杂。因此,在大规模MIMO多天线用户信号检测中,如何权衡检测准确性和复杂度已成为国内外学者研究的热点。而传统的信号检测方法在起初天线数量少的时候展现了很好的性能,但是随着天线数量的增加,即使是次优线性检测器也带来了巨大的复杂度。针对矩阵求逆的复杂度的问题,现有的几种研究方向如近似求逆,信道硬化简化求逆,迭代消除等虽然可以较好的降低复杂度,但是其性能也只能贴近原先的算法。所以为了打破性能的瓶颈,本文尝试将深度学习与信号检测相结合。深度学习分为数据驱动和模型驱动,数据驱动需要大量的数据驱动,十分耗时,所以本文研究方向主要为模型驱动。主要内容如下:第一,本文针对大规模MIMO系统,提出了两种基于Gauss-Seidel迭代法的模型驱动深度学习(Deep Learning,DL)检测器网络。DL成功帮助研究人员研究更准确、更高效的多输入多输出MIMO系统信号检测器。然而,现有的基于DL的MIMO检测器提高性能的同时也增加了复杂度。本文针对瑞利信道下单天线用户设备(Single-Antenna User Equipment,SAUE)和多天线用户设备(Multiple-Antenna User Equipment,MAUE)系统,提出了一种循环嵌套的方法将原来求大矩阵的逆转换为小矩阵的逆来降低复杂度,从而设计了一种基于Gauss-Seidel迭代法的模型驱动DL检测器网络BGSNet(Block Gauss-Seidel Network)。同时为了提高算法在MAUE系统下的性能,对BGSNet进行改进,提出新的改进网络Improved BGSNet。仿真结果表明,BGSNet的性能明显优于Gauss-Seidel算法;所提方案适用于大规模MIMO且复杂度低;BGSNet的鲁棒性很好,性能受天线数量变化影响小;MAUE系统下,Improved BGSNet性能优于BGSNet,两者都适用于低相关和中相关的MAUE系统。第二,本文针对信道硬化现象消失和多用户高相关信道下,BGSNet和Improved BGSNet性能降低的问题,分别提出了一种基于期望传播算法的方案和网络。期望传播EP(Expectation Propagation)的MIMO检测方案近年来受到广泛关注。然而,现有的基于EP的MIMO检测器获得高精度的同时也增加了复杂度。本文探究EP算法高精度的原因,发现EP算法可以构造出类似信道硬化的矩阵特征,同时为了解决EP算法高复杂度问题,针对性提出了一种基于期望传播的DGEP(Diagonalized Gauss-Seidel Expectation Propagation)检测方法。本文将DGEP的一些超参数转为参数,提出了一种结合深度学习的DGEP-Net方案进一步提高检测性能。仿真结果表明,DGEP的性能明显优于BGSNet和Improved BGSNet算法;可以有效的降低信道硬化消失的影响;具有良好的鲁棒性,在降低复杂度的同时能很好的贴合EP算法;所提出的DGEP-Net网络甚至在多数情况下,性能要比EP算法要好。

环境反向散射通信系统中信号检测与信道估计

这是一篇关于环境反向散射通信,共生无线电,信道估计,深度学习,智能反射面,信号检测的论文, 主要内容为随着物联网设备爆炸式的增长,能量受限和频谱资源短缺逐渐成为限制物联网发展的两大因素。环境反向散射通信(Ambient Backscatter Communication,AmBC)是一种新型的低能耗通信技术,它通过将待发送信号调制到周围环境中的射频信号上,实现无源信息传输,不需要昂贵的射频组件,并且不占用额外的频谱。随着AmBC的广泛应用,如何实现高速率、高可靠的反射通信成为国内外研究的热点。由于反射链路受双衰落效应和传统的单天线反射设备(Backscatter Device,BD)影响,导致反射链路信号通常非常弱,这限制了反向散射通信的传输速率和通信覆盖范围。智能反射面(Intelligent Reflecting Surface,IRS)是一种由大量可重构反射单元组成的辅助通信设备,通过控制反射单元的反射系数实现反射信号强度和方向可控的波束赋形。将IRS应用到AmBC中,可以作为BD进行无源信息传输,增强反射链路增益。由于环境射频信号的未知性和不可控性,AmBC中反射链路信号解调时会受到直接链路射频信号的强烈干扰。为此,人们提出了一种新型的共生无线电(Symbiotic Radio,SR)通信技术。在SR系统中,BD将其信号调制到来自主发射机的射频信号上实现无源信息传输,BD信号的传输为直接链路通信提供了额外的多路径增益。SR的接收机采用联合译码实现高可靠性的反向散射通信。近年来,深度学习凭借其处理数据的天然优势和强大的学习能力,成为了解决未来无线通信网络中复杂问题的有力手段。借助于深度学习方法,本文针对基于IRS的AmBC系统中无源波束设计和信号检测问题以及多BD的SR系统中的导频设计和信道估计问题展开深入研究。针对基于IRS的AmBC系统,本文提出了一种基于在线学习的IRS无源波束赋形和信号检测算法。针对IRS作为BD进行无源信息传输的AmBC通信模型,提出了IRS波束赋形设计的优化问题,目标是最小化反向散射符号的检测误码率(Bit Error Rate,BER)。该问题为非凸优化问题,不能用传统的优化问题直接求解。本文基于通信系统模型和期望最大化(Expectation Maximization,EM)检测算法设计了一个数据驱动和模型驱动深度学习方法相结合的IRS无源波束设计和信号检测网络结构,实现IRS反射系数矩阵与BER之间的非线性映射关系。基于在线学习的EM神经网络(Online Learning-based EM Neural Network,OEMNN)由两个子网络组成,第一个子网络是根据信号传输模型构建,通过将待优化的IRS相移量转化为可训练的神经网络参数,有效处理了优化问题中IRS反射单元的单位模约束。第二个子网络通过展开EM检测算法的迭代过程得到,用于获得反向散射符号的估计值。通过训练OEMNN得到优化后的神经网络参数,这些参数就是IRS反射系数矩阵的相移量。仿真实验结果表明,OEMNN的符号检测性能明显优化IRS随机无源反射波束设计方案和无IRS的AmBC方案。针对多BD的SR系统,本文提出了基于深度学习的联合导频设计和信道估计(Joint Pilot Design and Channel Estimation,JPDCE)方案。该系统考虑了BD的开关键控(On-Off Keying,OOK)和高阶反向散射这两种调制模式。JPDCE方案通过构建导频设计器和信道估计器来最小化信道估计的均方误差。在发射端,本文利用自编码器网络结构和信号流图构建了导频设计器,将导频信号模型映射到对应的导频设计网络中,训练完成后的神经网络参数就是所需的导频信号。在接收端,信道估计器首先利用深度残差网络(Deep Residual Network,DRN)对接收信号进行去噪处理,然后基于串行干扰消除(Successive Interference Cancellation,SIC)算法依次对每个信道进行估计,其中信道估计利用所构建的深度神经网络完成。此外,在网络训练的反向传播过程中,分别给出了BD两种调制约束下其对应的梯度更新方法。仿真结果显示,JPDCE方案的信道估计性能优于传统的线性最小均方误差(Linear Minimum Mean Square Error,LMMSE)和没有SIC的深度学习方案,并且在引入DRN的情况下具有更好的估计性能。

双站式反向散射通信硬件非理想条件下信号检测技术研究

这是一篇关于反向散射通信,接收机算法设计,信号检测,采样频率偏移,载波频率偏移的论文, 主要内容为随着物联网的不断发展,反向散射通信可以使用外部激励源信号来完成自身信息的传输,因为其成本低,功耗低,部署广等特点而越来越受到重视,为实现绿色互联网低功率通信奠定了基础。反向散射通信系统由于存在复杂的衰落信道和直射链路的信号干扰,接收机很难直接将接收到的直射链路和反射链路混合信号分离开来,对于反向散射标签符号信息的检测存在困难,因此接收机的检测技术设计是反向散射通信系统中的重要问题之一。传统的反向散射通信系统没有考虑到实际的硬件系统可能出现的频率偏移现象,导致接收机无法准确完成信号的同步识别和载波同步。本文根据现有文献中设计的反向散射通信系统模型和接收机检测技术,致力于在反向散射通信系统中针对多用户和存在同频干扰的场景中实现信号的检测,并且考虑了硬件非理想因素对系统造成的影响,针对不同的频率偏移现象给出相应的频率估计算法。本文研究了多种反向散射通信系统的信号检测问题,设计了一种基于单天线码分多址的反向散射系统模型,针对多个设备接入同时检测符号信息的场景,使用码分多址的方法进行信号编码和传输,设计了使用能量检测和最大似然检测的信号检测方法。设计了一种基于多天线干扰抑制合并反向散射系统模型,接收端将非专用反向散射标签的信息视为干扰信息,设计了使用最大比合并和多种干扰抑制合并的检测算法。同时根据接收信息携带的标签信号特征,设计了基于深度神经网络的稀疏自编码检测算法。仿真结果表明本文设计的反向散射系统可以有效的估计信道和抑制干扰信号,实现对于标签信号的检测。同时研究反向散射通信系统中硬件非理想因素导致的频率偏移现象对系统检测性能的影响。针对采样频率偏移(Sampling Frequency Offset,SFO)现象对信号采样的影响,设计了使用Gardner定时同步电路的定时误差检测算法。针对载波频率偏移(Carrier Frequency Offset,CFO)现象对信号相位和幅度的影响,设计了使用导频训练的时域估计算法。仿真结果表明本文设计的频率估计算法能有效的计算系统产生的频率偏移数值并完成对系统检测性能的补偿,验证了估计算法的有效性。

OTFS信号检测与信道估计技术研究

这是一篇关于OTFS,UAMP,低复杂度,信号检测,信道估计,深度学习,FPGA的论文, 主要内容为正交时频空调制技术(Orthogonal Time Frequency Space,OTFS)是一种基于正交频分复用调制技术(Orthogonal Frequency Division Multiplexing,OFDM)发展而来的新型调制技术,其主要变化是利用时频域二维傅里叶变换,构建新的时延-多普勒域,将OFDM系统时频域中的信号重新调制在时延-多普勒域中,从而对抗由于高速移动和高频段带来的OFDM子载波之间正交性的破坏。OTFS调制技术在高速移动场景下具有显著的性能优势,满足第六代移动通信系统(Sixth Generation Mobile Communication System,6G)所要求的太赫兹频段和1000km/h的终端移动速度应用场景,是未来通信领域的一项关键技术,受到学术界广泛关注。本论文针对OTFS接收机中的信号检测和信道估计两个主要内容展开了相关研究。本文首先介绍了OTFS相关背景,频率选择性衰落和时间选择性衰落信道。之后介绍了OTFS发射机、接收机架构和基本原理,并分析得到OTFS时延-多普域信号输入输出关系的具体表达式。其次,针对OTFS接收机中酉近似消息传递(Unitary Approximate Message Passing,UAMP)算法在实际矩阵采样窗口中复杂度较高的问题,提出了基于UAMP算法的低复杂度信号检测算法,通过对等效信道矩阵局部循环重构,使得UAMP算法的输入变量重新具备循环特性而进行简化计算,以达到降低复杂度的目的。接着将基于UAMP算法的低复杂度信号检测算法结合Turbo迭代,把算法自身迭代变为均衡器与译码器之间的软信息交互,从而实现检测性能提升。本文还将单输入单输出(Signal Input Signal Output,SISO)场景下基于UAMP算法的低复杂度信号检测算法拓展到多输入多输出(Multiple Input Multiple Output,MIMO)场景。仿真结果表明基于UAMP算法和Turbo迭代的低复杂度信号检测算法误码率(Bit Error Ratio,BER)性能优异。最后,本文研究了OTFS中的信道估计技术。首先阐述了压缩感知信号重构算法中的正交匹配追踪(Orthogonal Matching Pursuit,OMP)信道估计算法,并针对其存在低信噪比(Signal-to-Noise Ratio,SNR)下原子连续索引错误导致的估计性能下降的问题,提出了基于深度学习的OTFS信道估计技术,通过深度学习中的残差网络(Residual Network,Res Net)来代替OMP算法中的原子选择过程,并将OMP算法串行迭代转变为并行Res Net网络。Res Net网络在低信噪比下具有更高准确率的原子选择,而并行的网络结构排除了迭代带来的误差传递,从而优化了OMP信道估计算法在低信噪比下存在估计性能较差的问题。仿真证明基于深度学习的OTFS信道估计技术比传统OMP信道估计算法有较大的性能提升。此外,为验证OTFS的实际BER性能,本文利用现场可编程门阵列(Field Programmable Gate Array,FPGA)平台设计实现了OTFS的收发机,通过实际工程和相关设备进行模拟测试,证明了OTFS调制技术在高速移动应用场景下具备良好性能。

少模光纤模分复用系统空时解复用技术研究

这是一篇关于少模光纤,模分复用,深度学习,信号检测的论文, 主要内容为随着社会信息化水平的不断提高、互联网用户数量的增长与数据业务的多样化,通信网络的带宽需求呈爆炸式增长,而目前的网络带宽已接近现有技术手段的极限。为了应对即将面临的“带宽危机”,满足信息化社会的发展需求,基于少模光纤(FMF)的模分复用(MDM)技术被提出,近年来受到国内外学者的广泛关注。MDM技术利用FMF中独立且正交的传播模式实现多路数据流的并行传输,从而极大地提高系统的传输容量。然而,由光纤及光内联器件制备与铺设工艺的缺陷所引起的模式耦合(MC)、差分模式群时延(DMGD)及模式相关损耗(MDL)等干扰会破坏模式之间的正交性。因此,研究能够有效抑制模间干扰的高效解复用技术,对MDM系统传输容量的改善具有重要意义。本文在建立基于FMF的MDM通信系统模型的基础上,结合高效的空时编码方案,重点研究能够改善MDM系统性能的MIMO信号处理技术。具体内容总结如下:一、搭建了基于FMF的MDM通信系统模型。以三模光纤MDM通信系统为例,首先对弱耦合、弱耦合加扰、强耦合和强耦合加扰这四种典型MDM信道的MDL分布进行了仿真分析。其次仿真了不同耦合强度下的MDL,分析了耦合效应对MDL的影响,并计算了为使MDL达到其理论下界1.0d B范围内,不同耦合强度下单位光纤段所需的加扰器数目。此外,通过对比不同MDL下的信道容量,验证了MDL对信道容量的损伤效应。为实现MDL影响下高效可靠的信号检测,提出了基于机器学习的信号检测算法。根据投影梯度下降算法迭代展开形式搭建了信号检测网络(Det Net)。为充分学习数据特征,采用One-Hot映射对训练数据进行预处理。此外,引入非线性变量与残差特性强化Det Net学习能力与性能。仿真结果表明,在弱耦合情况下,Det Net与ML相比信噪比损失约为2.0d B。而在弱耦合加扰,强耦合以及强耦合加扰条件下,Det Net与ML相比信噪比损失均小于0.5d B。二、考虑到模型驱动的Det Net依赖于信道状态信息实现网络参数优化,而实际通信系统可能存在诸多难以预期与准确建模的干扰。因此提出了采用深度学习(DL)的数据驱动的联合信道估计与信号检测网络。通过对该网络的训练,建立接收数据与发送数据之间的非线性映射关系,采用大量包含导频与信号的训练数据集优化网络参数,而无需显式地信道估计。仿真结果表明,基于DL的联合信道估计与信号检测方案与确知信道状态信息的MMSE检测算法相比,在弱耦合、弱耦合加扰、强耦合以及强耦合加扰情况下信噪比分别改善了2.0d B、1.1d B、1.5d B和1.0d B。