基于分段FFT的抑制载波调相信号载波捕获方法研究

来源 :无线电工程 | 被引量 : 0次 | 上传用户:ljc20090204
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对在低码速率大频偏范围条件下抑制载波调相信号载波捕获困难的问题,提出了一种改进的基于分段FFT载波捕获方法.该方法根据抑制载波调相信号的载波提取特点,采取了分段并行FFT分析、 两级滤波、 相干累积和非相干累积的改进措施,以适应低码速率大频偏范围的载波捕获.对改进的基于分段FFT的抑制载波调相信号载波捕获方法进行了仿真.仿真结果表明,改进的方法具有较好的抗噪性能,在低信噪比条件下能够较好地完成载波捕获.
其他文献
C-V2X或LTE-V作为车联网(Vehicular Communication Networks,VCN)领域的新兴通信技术,能够有效提高道路安全和交通通信效率.在3GPP发布的R14标准中,引入不依赖于任何蜂窝基础设施的直连通信模式4,在模式4中车辆自主选择和管理其无线电资源.在不结合实际的交通场景的情况下对C-V2X模式4通信性能进行评估,提出了一种多信道传播模型下C-V2X模式4通信性能分析模型,验证了不同传输参数以及不同信号传播信道对性能的影响,试图设计更为完备的分析模型,探索参数的影响并调整参
5G大规模智能机器协同促使社会生产生活方式向安全、 高效、 便捷和绿色演进,但移动终端的有限能量存储将严重制约其协同质量.3GPP研究表明,基站发送节能信号可辅助终端显著降低能源消耗,针对利用有限的时频资源设计节能信号,简单有效地检测节能信号以应对严重的信号间干扰导致检测性能恶化等问题,提出了一种基于多级序列的多用户节能信号检测方法,并通过仿真评估验证了该方法检测性能的优越性.
5G网络是车联网(Internet of Vehicles,IoV)发展的关键一步,其低时延的特点可以实现自动驾驶车辆对前方实时交通信息感知的需求,为预先制动、 提前绕行等驾驶行为提供参考.针对混合交通场景中手动驾驶车辆可能会出现的危险驾驶行为,基于长短时记忆(Long Short-Term Memory,LSTM)网络和无线集群学习框架,提出了一种基于车联网的无线集群智能轨迹预测(Swarm Learning-based Trajectory Prediction,SLTP)算法.SLTP算法以智能网联
针对异质能量约束的集群学习(Swarm Learning,SL)系统中的节点选择问题,提出了一种基于组合多臂赌博机(Combinatorial Multi-Armed Bandit,CMAB)的能量感知的节点选择(Energy Aware Node Selection,EANS)算法.EANS算法考虑了集群学习所在无线网络质量对传输的影响,结合模型训练时延设计基于时延的优化目标,利用CMAB理论将原节点选择问题转化为在线的最小化时延的形式.再结合李雅普诺夫优化(Lyapunov Optimization)
受降水量、径流等因素的影响,水库的长期水位预测面临巨大挑战.提出了一种新的基于长短期记忆(Long Short Term Memory,LSTM)网络的时间序列模型,对沂沭泗流域中的石梁河水库水位进行了预测和性能评价.该模型整合了降雨、 水流和土壤含水量等历史信息,并通过实验获取最优预测步长,从而提高了模型的预测准确度,并且稳定性更好,避免出现较大的误差.实验使用Nash-Sutcliffe效率(NSE)、Pearson相关系数平方(R2)和绝对均方根误差(Root Mean Square Errors,
针对消息在信道传输过程中的成形损耗问题,提出了一种在Rayleigh衰落信道下基于低密度奇偶校验(Low-Density Parity-Check,LDPC)编码的星座成形系统.该方法基于脉幅调制(Pulse Amplitude Modulation,PAM)下的星座图,通过在发送端加入一个成形编码器(作用是提高输出比特为0的概率),使得星座图中低能量的符号比高能量的符号更容易被选中,从而提高成形增益.并且在解调器和译码器之间进行迭代译码,进一步提高了系统的性能.理论分析和仿真结果表明,在独立Raylei
为了解决自然场景文本检测中由于文本实例分布随机、 形态与尺度多样造成的检测难题,设计了一种基于注意力机制特征融合与增强的自然场景文本检测算法.利用注意力机制对有效特征提取的优势,在模型的解码融合阶段设计并引入了一种基于注意力的特征融合模块(Attention-based Feature Fusion Module,AFFM),利用空间和通道注意力分别为高层特征和低层特征引入更丰富的细节和全局信息,进一步提高了检测的准确率;设计了联合注意力特征增强模块(Joint Attention Feature Enh
当前群体智能正在从狭义向广义的业态扩展,车路群智协同是发展趋势,而规模化运营测试是车路群智协同规模商用的基础.传统的集中式智能架构不能很好地应对交通环境复杂性和不确定性带来的通信和计算问题,基于去中心化的群体智能的架构,研究不完备信息环境下的车路协同的运营与测试体系,以泛在的“群智”应对环境中的不确定性.提出了面向车路群智协同的运营测试融合体系,通过全面认知、 可靠通信和博弈学习等关键技术,实现车路要素之间的协同交互,以高效支撑运营测试.
大数据及云存储的发展对传统的存储技术提出了更高的要求.为了进一步提升多级存储单元的存储效率,提出了一种双层低密度奇偶校验(Low-Density Parity-Check,LDPC)码的优化设计方法.该方法针对多层单元(Multi-level Cell,MLC)信道的非对称性特性,对存储单元的单页添加额外校验比特以提高存储单元闪存信道的译码性能,并对单层LDPC码和本算法的性能进行了分析.仿真结果表明,在多级存储单元信道中使用BP译码算法进行译码,误码率为10-5时,基于双层LDPC码构造的纠错码算法比单
通信网中信息量的迅猛增长,使得网络负载不均衡、 资源利用率低的情况日益加重.当前基于深度学习的智能路由方法在一定程度上克服了此问题,但这些方法在路径选择过程中有一定几率产生环路现象.针对上述问题,提出了一种基于深度神经网络(Deep Neural Network,DNN)的路由方案,利用距离值作为神经网络样本标签,通过距离判定与容量判定的方式,逐跳趋近目标节点.实验结果表明,算法在不产生环路现象的同时,保证了收敛速度和负载均衡.