CN109617839B - 一种基于卡尔曼滤波算法的莫尔斯信号检测方法 - Google Patents
一种基于卡尔曼滤波算法的莫尔斯信号检测方法 Download PDFInfo
- Publication number
- CN109617839B CN109617839B CN201811393612.6A CN201811393612A CN109617839B CN 109617839 B CN109617839 B CN 109617839B CN 201811393612 A CN201811393612 A CN 201811393612A CN 109617839 B CN109617839 B CN 109617839B
- Authority
- CN
- China
- Prior art keywords
- signal
- segmented
- kalman filtering
- segmented signal
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L15/00—Apparatus or local circuits for transmitting or receiving dot-and-dash codes, e.g. Morse code
- H04L15/24—Apparatus or circuits at the receiving end
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种基于卡尔曼滤波算法的莫尔斯信号检测方法,通过利用自同步算法对信号进行位同步,利用卡尔曼滤波算法针对干扰噪声能量时变设置自适应能量阈值,以对计算得到的信号的实际能量值进行软判决,从而识别出纯净的CW信号。通过本发明提供的方法,可以在强噪声背景下,有效的同步检测出CW信号,抗干扰能力强,误码率较低,自适应性强,实时性更好。
Description
技术领域
本发明涉及通讯信号处理技术领域,更具体地说,涉及一种基于卡尔曼滤波算法的莫尔斯信号检测方法。
背景技术
高频CW(莫尔斯)信号通信是在3-30MHz频段内的一种无线电通信方式,所需设备简单、占用频带窄、发射效率高、是一种信号分辨率很高,抗干扰能力很强,相同功率而通信距离最远的一种通信方式,且其发射装置简单,能在低信噪比的环境下工作,是目前战术通信的重要手段,同时在航海、航空等灵活性通信以及抗干扰要求较高的民用方面都有很广泛的应用。高频CW信号通信技术通常分为信号自动检测技术与点划识别技术两个步骤。CW信号自动检测的目的是从噪声背景下检测提取出纯净的CW信号时域波形,抑制背景噪声和信道噪声对CW信号的影响;而点划识别则是从检测提取出的纯净CW信号时间序列中识别出莫尔斯码的点划序列,再根据莫尔斯码的译码规则译为相应的字符。
长期以来CW通信都是靠人工操作完成的,但是短波高频电离层信道存在严重的衰落现象和多径效应,同时考虑战时通信电磁环境十分恶劣,在强噪声干扰和码速率较高的情况下,人耳很难辨别CW信号所表示的信息,并且现代通信技术的发展,通信进程逐步加快,人工CW通信速度比较慢,而且误码率比较高,从而造成通信性能下降,
目前对CW信号自动检测译码的研究很多,但是还没有能够在强噪声背景下同步检测提取出纯净高频CW信号的方法。《Morse电码自动译码***》(出版于2007年6月的“兵工自动化”)中使用包络检波算法进行CW信号的提取,对于此种方法,当码速率较高或强噪声干扰下就会难以实时跟踪信号波形的变化,所以导致误码率高,性能严重下降。
发明内容
为解决上述技术问题,本发明提供一种基于卡尔曼滤波算法的莫尔斯信号检测方法,通过该方法,可以在强噪声背景下,有效的同步检测出CW信号,误码率较低,性能较好。
为实现上述目的,本发明所采用的具体技术方案如下:
一种基于卡尔曼滤波算法的莫尔斯信号检测方法,包括:
S101:根据自同步法对接收到的信号进行时域同步定位,并对同步后的信号进行分段;
S102:计算时域上的第一个分段信号在预设的特征频率点上的实际能量值,所述第一个分段信号中包含先验报头信息;
S103:根据所述先验报头信息确定出状态噪声方差和观测噪声方差;
S104:基于卡尔曼滤波算法以及所述状态噪声方差和观测噪声方差确定所述第一个分段信号对应的能量阈值;
S105:在所述实际能量值小于所述能量阈值时,确定所述第一个分段信号为莫尔斯信号,否则,确定所述第一个分段信号为噪声信号;
S106:计算下一分段信号在预设的特征频率点上的实际能量值;
S107:基于卡尔曼滤波算法以及所述状态噪声方差和观测噪声方差确定下一分段信号对应的能量阈值;
S108:在下一分段信号的实际能量值小于下一分段信号对应的能量阈值时,确定下一分段信号为莫尔斯信号,否则,确定下一分段信号为噪声信号;
S109:判断是否对分段信号检测完毕,如是,转至S110,否则,转至S106;
S110:结束检测。
进一步地,所述根据自同步法对接收到的信号进行时域同步定位包括:
对接收到的信号进行下变频得到基带信号;
对所述基带信号进行二次下变频,并根据二次下变频结果以及点脉冲持续时间得到同步正弦信号理论频率;
根据所述理论频率在基带信号频谱内进行尖峰探测提取出同步正弦信号;
根据所述同步正弦信号对接收到的信号进行时域同步定位。
进一步地,计算分段信号在预设的特征频率点上的实际能量值包括:
基于戈泽尔算法计算分段信号在预设的特征频率点的实际能量值。
进一步地,所述基于戈泽尔算法计算分段信号在预设的特征频率点的实际能量值包括:
对于一个分段信号,在完成对该分段信号的采样后,按照以下方式计算该分段信号在预设的特征频率点的实际能量值X(k):
进一步地,基于卡尔曼滤波算法以及所述状态噪声方差和观测噪声方差确定分段信号对应的能量阈值包括:
对于一个分段信号,在完成接收该分段信号时,按照以下方式计算当前时刻下该分段信号所对应的能量阈值:
Z(k|k)=Z(k/k-1)+K(k)ε(k),P(k|k)=[I-K(k)H]P(k/k-1),其中,Z(k|k-1)=φZ(k-1/k-1),K(k)=P(k/k-1)HT[HP(k/k-1)HT+R]-1,P(k|k-1)=φP(k-1/k-1)+ΓQΓT,ε(k)=Y(k)-HZ(k/k-1),Y(k)=ratio×max[X(k),X(k-1)...X(k-7)],ratio=0.6,φ为预先设置的状态转移矩阵,H为预先设置的观测矩阵,Γ为预先设置的噪声驱动矩阵,Q为根据所述先验报头信息确定的状态噪声方差,R为根据所述先验报头信息确定的观测噪声方差,Z(k|k)为第k个点dot对应的位置时间点的能量阈值,P(k|k)为第k个点dot对应的位置时间点的协方差,每一分段信号的能量阈值初始值Z(0|0)和协方差初始值P(0|0)根据该分段信号的第一个采样点所对应的能量值得到。
进一步地,每一分段信号的能量阈值初始值Z(0|0)按照Z(0|0)=E[x(0)]=u0计算得到,E[x(0)]为对该分段信号以及时序上处于该分段信号之前的分段信号的第一个采样点所对应的能量值求均值,每一分段信号的协方差初始值P(0|0)按照E[(x(0)-u0)(x(0)-u0)T]计算得到。
本发明提供的一种基于卡尔曼滤波算法的莫尔斯信号检测方法,利用自同步算法对信号进行位同步,利用卡尔曼滤波算法针对干扰噪声能量时变设置自适应能量阈值,以对计算得到的信号的实际能量进行软判决,从而识别出纯净的CW信号。通过本发明提供的方法,可以在强噪声背景下,有效的同步检测出CW信号,自适应性强,误码率较低,抗干扰能力强,实时性更好。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例提供的基于卡尔曼滤波算法的莫尔斯信号检测方法的流程示意图;
图2为本发明实施例提供的对接收到的信号进行同步的流程示意图;
图3-1为本发明实施例提供的基带信号的频谱图;
图3-2为本发明实施例提供的二次下变频后的频谱图;
图3-3为本发明实施例提供的尖峰探测的示意图;
图3-4为本发明实施例提供的对信号进行同步定位后的波形图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本实施例提供一种基于卡尔曼滤波算法的莫尔斯信号检测方法,请参见图1所示,包括:
S101:根据自同步法对接收到的信号进行时域同步定位,并对同步后的信号进行分段。
现有的通信***中,在需要对CW信号进行检测时,都是在没有对信号进行同步的基础上直接对CW信号进行处理的,由于短波电离层反射信道,堆积多径现象严重,不仅引起信号幅度的衰落,而且引起干涉效应,使信号产生失真和多径时延,为解决这一问题,本实施例中在对信号进行检测之前首先对接收到的信号进行同步。
任何一个通信***都是发送信号与接收信号的结合,接收信号的前提就是要实现***的同步以得到码元信号的起止时刻,获取完整的码元信息,所以同步性能的好坏直接影响通信***的性能,出现同步误差或失去同步会导致通信***性能下降或通信中断。本实施例中,接收机在接收到信号之后,可以执行图2所示的步骤以实现对信号的同步:
S21:对接收到的信号进行下变频得到基带信号。
基带信号内包含CW电信号的同步信息。本实施例中基带信号的频谱图可以参见图3-1所示。
S22:对基带信号进行二次下变频,并根据二次下变频结果以及点脉冲持续时间得到同步正弦信号理论频率。
点脉冲持续时间可以根据通信码速率计算得到。二次下变频后的频谱图可以参见图3-2所示。
S23:根据理论频率在基带信号频谱内进行尖峰探测提取出同步正弦信号。
实际高频电离层信道传播中存在多普扩展和多普勒频移的影响,所以可以设置适当的频率范围在基带信号频谱内进行尖峰探测,尖峰探测的示意图可以参见图3-3所示。
S24:根据同步正弦信号对接收到的信号进行时域同步定位。
同步定位的示意图可以参见图3-4所示。
S102:计算时域上的第一个分段信号在预设的特征频率点上的实际能量值,第一个分段信号中包含先验报头信息。
本实施例中预设的特征频率点可以任意设置,优选的,应当是300Hz到3400Hz之间的任意一个频率点,比如可以设置为1000Hz。本实施例中可以基于戈泽尔(Goertzel)算法计算每一个分段信号在预设的特征频率点的实际能量值。应当理解的是,还可以采用现有的其他算法计算能量值。
Goertzel算法是在离散傅氏变换的基础上进行改进的一种算法,x(n)为针对分段信号进行采样得到的采样序列,序列x(n)的离散傅里叶变换(DFT)为:
式中:WN=e-j2π/N。
将此一阶递归***算法改进为一个二阶***递归算法,其转移函数为:
上式二阶***可用以下差分方程表示:
分段信号在预设的特征频率点上的实际能量值为X(k)。
Goertzel算法能得出与常规离散傅立叶变换DFT或FFT相同的频率实部和虚部,但是Goertzel算法能取得信号在特定频率的频谱幅值大小,不需要计算整个频带的频谱值,同时能够在每次采样后立即进行处理,相比FFT对成块的采样进行处理算法算法,采用Goertzel算法更加有效,运算量小、实时性更强。
S103:根据先验报头信息确定出状态噪声方差和观测噪声方差。
根据Goertzel算法得到的实际能量值有两种类型:有效信号能量值与噪声的能量值之和,CW信号各种间隔(包括点‘dot’和划‘dash’间隔、字符之间间隔、单词之间间隔)内信道噪声以及背景干扰噪声的能量值,所以要设置一种阈值判决是否为有效信号能量,但是高频通信中电离层信道是随参信道,固定的判断阈值不能应对干扰噪声强度时变问题,使得识别结果误码率增大。Kalman(卡尔曼)滤波算法能够从一系列完全包含噪声的测量中,估计一个动态***的最优状态,尤其在强噪声背景下跟踪动态信号,在动态***最优估计中具有很好的性能,且能对目标状态能进行递推迭代实现最优估计。但CW信号的标准Kalman滤波要求已知***噪声的统计特性,错误的的***模型、测量模型或不准确的噪声统计值会导致估计值产生发散现象,所以本实施例中以在先验报头信息的基础上进行同步检测识别,以得到通信信道噪声信号的统计特性。通过卡尔曼滤波技术设置自适应阈值对能量值X(k)进行判决识别,自适应阈值会动态的调整以应对干扰噪声能量的时变。卡尔曼滤波采用信号与噪声的状态空间模型,利用前一时刻的估计值和现时刻的观测值来更新状态变量的现在时刻的估计值。
因此,发射机在向接收机发送信号时,需要在有效报文前加上先验报头,这样,接收机可以根据接收到的先验报头信息确定状态噪声方差和观测噪声方差。
S104:基于卡尔曼滤波算法以及状态噪声方差和观测噪声方差确定第一个分段信号对应的能量阈值。
对于一个分段信号,在完成接收该分段信号时,可以按照以下方式计算当前时刻下该分段信号所对应的能量阈值:
Z(k|k)=Z(k/k-1)+K(k)ε(k),P(k|k)=[I-K(k)H]P(k/k-1),
Z(k|k-1)=φZ(k-1/k-1),K(k)=P(k/k-1)HT[HP(k/k-1)HT+R]-1,
P(k|k-1)=φP(k-1/k-1)+ΓQΓT,ε(k)=Y(k)-HZ(k/k-1),
Y(k)=ratio×max[X(k),X(k-1)...X(k-7)],ratio=0.6,
φ为预先设置的状态转移矩阵,H为预先设置的观测矩阵,Γ为预先设置的噪声驱动矩阵,状态转移矩φ、观测矩阵H、噪声驱动矩阵Γ都为单位矩阵,状态噪声和观测噪声均为零均值高斯白噪声过程,前后时刻的误差互不相关,对应的统计特性方差Q和R,Q为根据先验报头信息确定的状态噪声方差,R为根据先验报头信息确定的观测噪声方差,Z(k|k)为第k个点dot对应的位置时间点的能量阈值,P(k|k)为第k个点dot对应的位置时间点的协方差,也是该分段信号当前对应的协方差,每一分段信号的能量阈值初始值Z(0|0)和协方差初始值P(0|0)可以基于该分段信号的第一个采样点所对应的能量值进行计算得到。应当理解的是,上述预设的矩阵可以基于现有的方式进行设置,这里不再赘述。
上述公式中的Z(k|k-1)为能量阈值预报值、K(k)为卡尔曼滤波增益、P(k|k-1)为误差协方差阵预报值、Y(k)为观测值,具体来说,Z(k|k-1)、K(k)、P(k|k-1)、Y(k)以及ε(k)都可以理解为是计算Z(k|k)和P(k|k)的中间变量。
应当说明的是,对于每一个分段信号,在计算其对应的能量阈值时都可以参照这里的方法进行计算。
每一分段信号的能量阈值初始值Z(0|0)按照Z(0|0)=E[x(0)]=u0计算得到,E[x(0)]为对该分段信号以及时序上处于该分段信号之前的分段信号的第一个采样点所对应的能量值求均值,每一分段信号的协方差初始值P(0|0)按照E[(x(0)-u0)(x(0)-u0)T]计算得到。
S105:在第一个分段信号的实际能量值小于其对应的能量阈值时,确定第一个分段信号为莫尔斯信号,否则,确定第一个分段信号为噪声信号。
S106:计算下一分段信号在预设的特征频率点上的实际能量值。
需要说明的是,本实施例中的步骤S106并不表示其一定是在步骤S105后执行,在实际运用中,接收到该分段信号后就会立即对其进行检测,计算其对应的实际能量值,以判断其是CW信号还是噪声信号,所以步骤S106与步骤S103-S105并没有必然的先后顺序。
S107:基于卡尔曼滤波算法以及状态噪声方差和观测噪声方差确定下一分段信号对应的能量阈值。
S108:在下一分段信号的实际能量值小于下一分段信号对应的能量阈值时,确定下一分段信号为莫尔斯信号,否则,确定下一分段信号为噪声信号。
S109:判断是否对分段信号检测完毕,如是,转至S110,否则,转至S106;
S110:结束检测。
应当说明的是,在检测提取出CW信号后,可以采用现有的识别算法对CW信号进行点划识别,译为相应的字符。
针对目前高频CW信号检测方法的抗噪声性能不强,实时性差的问题,本实施例提出一种基于卡尔曼滤波的CW信号检测方法,通过对报头信号处理得到通信信道噪声的统计特性,然后基于卡尔曼滤波迭代递推出最优的自适应能量阈值,消除信道多径效应和干扰噪声对信号的影响,提取出纯净的CW信号进行识别译码。在强高斯白噪声干扰和实际短波通信环境下检测识别性能良好,自适应性和实时性强,可递推实现,对高频CW信号的自动识别检测以及提高高频CW信号的抗干扰能力具有重要的实用价值。
要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (6)
1.一种基于卡尔曼滤波算法的莫尔斯信号检测方法,其特征在于,包括:
S101:根据自同步法对接收到的信号进行时域同步定位,并对同步后的信号进行分段;
S102:计算时域上的第一个分段信号在预设的特征频率点上的实际能量值,所述第一个分段信号中包含先验报头信息;
S103:根据所述先验报头信息确定出状态噪声方差和观测噪声方差;
S104:基于卡尔曼滤波算法以及所述状态噪声方差和观测噪声方差确定所述第一个分段信号对应的能量阈值;
S105:在所述实际能量值小于所述能量阈值时,确定所述第一个分段信号为莫尔斯信号,否则,确定所述第一个分段信号为噪声信号;
S106:计算下一分段信号在预设的特征频率点上的实际能量值;
S107:基于卡尔曼滤波算法以及所述状态噪声方差和观测噪声方差确定下一分段信号对应的能量阈值;
S108:在下一分段信号的实际能量值小于下一分段信号对应的能量阈值时,确定下一分段信号为莫尔斯信号,否则,确定下一分段信号为噪声信号;
S109:判断是否对分段信号检测完毕,如是,转至S110,否则,转至S106;
S110:结束检测。
2.如权利要求1所述的基于卡尔曼滤波算法的莫尔斯信号检测方法,其特征在于,所述根据自同步法对接收到的信号进行时域同步定位包括:
对接收到的信号进行下变频得到基带信号;
对所述基带信号进行二次下变频,并根据二次下变频结果以及点脉冲持续时间得到同步正弦信号理论频率;
根据所述理论频率在基带信号频谱内进行尖峰探测提取出同步正弦信号;
根据所述同步正弦信号对接收到的信号进行时域同步定位。
3.如权利要求1所述的基于卡尔曼滤波算法的莫尔斯信号检测方法,其特征在于,计算分段信号在预设的特征频率点上的实际能量值包括:
基于戈泽尔算法计算分段信号在预设的特征频率点的实际能量值。
5.如权利要求4所述的基于卡尔曼滤波算法的莫尔斯信号检测方法,其特征在于,基于卡尔曼滤波算法以及所述状态噪声方差和观测噪声方差确定分段信号对应的能量阈值包括:
对于一个分段信号,在完成接收该分段信号时,按照以下方式计算当前时刻下该分段信号所对应的能量阈值:
Z(k|k)=Z(k/k-1)+K(k)ε(k),P(k|k)=[I-K(k)H]P(k/k-1),其中,Z(k|k-1)=φZ(k-1/k-1),K(k)=P(k/k-1)HT[HP(k/k-1)HT+R]-1,P(k|k-1)=φP(k-1/k-1)+ΓQΓT,ε(k)=Y(k)-HZ(k/k-1),Y(k)=ratio×max[X(k),X(k-1)...X(k-7)],ratio=0.6,φ为预先设置的状态转移矩阵,H为预先设置的观测矩阵,Γ为预先设置的噪声驱动矩阵,Q为根据所述先验报头信息确定的状态噪声方差,R为根据所述先验报头信息确定的观测噪声方差,Z(k|k)为第k个点dot对应的位置时间点的能量阈值,P(k|k)为第k个点dot对应的位置时间点的协方差,每一分段信号的能量阈值初始值Z(0|0)和协方差初始值P(0|0)根据该分段信号的第一个采样点所对应的能量值得到。
6.如权利要求5所述的基于卡尔曼滤波算法的莫尔斯信号检测方法,其特征在于,每一分段信号的能量阈值初始值Z(0|0)按照Z(0|0)=E[x(0)]=u0计算得到,E[x(0)]为对该分段信号以及时序上处于该分段信号之前的分段信号的第一个采样点所对应的能量值求均值,每一分段信号的协方差初始值P(0|0)按照E[(x(0)-u0)(x(0)-u0)T]计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811393612.6A CN109617839B (zh) | 2018-11-21 | 2018-11-21 | 一种基于卡尔曼滤波算法的莫尔斯信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811393612.6A CN109617839B (zh) | 2018-11-21 | 2018-11-21 | 一种基于卡尔曼滤波算法的莫尔斯信号检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109617839A CN109617839A (zh) | 2019-04-12 |
CN109617839B true CN109617839B (zh) | 2021-03-02 |
Family
ID=66004794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811393612.6A Active CN109617839B (zh) | 2018-11-21 | 2018-11-21 | 一种基于卡尔曼滤波算法的莫尔斯信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109617839B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177514B (zh) * | 2021-05-20 | 2023-06-16 | 浙江波誓盾科技有限公司 | 无人机信号检测方法、装置及计算机可读存储介质 |
CN114184848B (zh) * | 2021-12-03 | 2023-09-26 | 中国科学院国家空间科学中心 | 基于Goertzel算法的星载VHF瞬态信号逐点扫描实时处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101601183A (zh) * | 2007-01-31 | 2009-12-09 | 秦内蒂克有限公司 | 用于扫频信号的低噪声发生器 |
WO2014136754A1 (ja) * | 2013-03-04 | 2014-09-12 | 株式会社デンソー | 推定装置 |
CN105490764A (zh) * | 2015-12-11 | 2016-04-13 | 中国联合网络通信集团有限公司 | 一种信道模型校正方法和装置 |
CN107290688A (zh) * | 2017-08-24 | 2017-10-24 | 合肥工业大学 | 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法 |
CN108696305A (zh) * | 2018-04-17 | 2018-10-23 | 东南大学 | 适用于lte-a mimo信号分析***的高精度频偏测量方法 |
-
2018
- 2018-11-21 CN CN201811393612.6A patent/CN109617839B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101601183A (zh) * | 2007-01-31 | 2009-12-09 | 秦内蒂克有限公司 | 用于扫频信号的低噪声发生器 |
WO2014136754A1 (ja) * | 2013-03-04 | 2014-09-12 | 株式会社デンソー | 推定装置 |
CN105490764A (zh) * | 2015-12-11 | 2016-04-13 | 中国联合网络通信集团有限公司 | 一种信道模型校正方法和装置 |
CN107290688A (zh) * | 2017-08-24 | 2017-10-24 | 合肥工业大学 | 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法 |
CN108696305A (zh) * | 2018-04-17 | 2018-10-23 | 东南大学 | 适用于lte-a mimo信号分析***的高精度频偏测量方法 |
Non-Patent Citations (4)
Title |
---|
Fundamental Study of Decomposition based on Heterogeneous Sensing Data in Physical Conversion Sensor Networks;Minato Oriuchi等;《2016 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA)》;20170119;全文 * |
Robust Recognition of High-frequency CW Signal Corrupted by Impulsive Noise;Guojun Li等;《2012 9th International Conference on Fuzzy Systems and Knowledge Discovery (FSKD 2012)》;20121231;全文 * |
基于随机共振的微弱高频CW信号检测技术研究;李国军等;《电子科技大学学报》;20100930;第39卷(第5期);全文 * |
强噪声背景下高频CW电报信号的自动检测;林金朝等;《重庆邮电大学学报(自然科学版)》;20081031;第20卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109617839A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20060067441A1 (en) | Apparatus and method for estimating delay spread of multi-path fading channel in wireless communication system | |
CN110445733B (zh) | 自适应信道去噪方法及自适应信道去噪装置 | |
CN106879068B (zh) | 一种强多径环境下信号的到达时间估计方法 | |
KR20080059669A (ko) | 무선 트랜스시버에서 채널 추정 노이즈를 감소시키는 장치및 방법 | |
US6505053B1 (en) | Method for sinusoidal modeling and prediction of fast fading processes | |
CN109617839B (zh) | 一种基于卡尔曼滤波算法的莫尔斯信号检测方法 | |
US7728763B2 (en) | High resolution ranging apparatus and method using UWB | |
CN111510255A (zh) | 基于宽带频谱数据的跳频信号盲检测及参数估计方法 | |
CN114545342B (zh) | 利用多通道侦察接收机的雷达脉冲信号参数测量方法 | |
CN106878213B (zh) | 一种lte上行频偏估计的方法 | |
CN109104215A (zh) | 一种基于小波变换的跳频信号码元速率盲估计方法 | |
CN111796266B (zh) | 一种匀加速运动目标rd平面检测前跟踪方法 | |
CN112543409B (zh) | 一种到达时间toa估计方法及基站 | |
CN111490954B (zh) | 信道脉冲响应的重要时延抽头选择方法及*** | |
EP1554597A2 (en) | Procedure for detection of an interfering multi-path condition | |
CN107395300A (zh) | 一种基于cme的改进型干扰检测方法 | |
RU2700005C1 (ru) | Способ оценки параметров канала в широкополосной гидроакустической связи и устройство для его реализации | |
US20080037689A1 (en) | Adaptive Kalman filtering for fast fading removal | |
CN108718223B (zh) | 一种非合作信号的盲频谱感知方法 | |
CN110673118A (zh) | 一种主动声纳单频脉冲串波形设计及检测算法 | |
Liu et al. | Modulation classification based on Gaussian mixture models under multipath fading channel | |
CN104270328A (zh) | 一种信噪比实时估计方法 | |
CN113259027B (zh) | 一种基于Haar变换的敌我识别信号码速率计算方法 | |
CN113949612A (zh) | 一种直升机与卫星通信中的突发信号捕获方法及*** | |
JP2013038637A (ja) | 受信装置および受信方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |