高动态环境下高阶双二进制偏移载波信号的精确捕获

针对高动态环境下双二进制偏移载波(DBOC)调制信号无法精确捕获的问题,该文提出一种基于部分匹配滤波结合快速傅里叶变换(PMF-FFT)的捕获方法。又针对捕获过程中相关损失和扇贝损失引起的检测性能降低问题,提出一种改进的捕获方法。该方法首先利用离散多项式相位变换(DPT)去除接收信号的高阶动态项,然后针对DBOC信号重新设计PMF-FFT算法;最后利用频谱校正法对FFT后的功率谱最大值进行校正。仿真结果表明,在同一条件下,该方法将检测概率提高了2 dB左右,并且有效缩短了捕获时间。

BOC及其衍生信号通用无模糊捕获分析

针对BOC(binary offset carrier)及其衍生信号通用无模糊捕获方法匮乏的问题,提出了一种基于伪相关函数(pseudo correlation function,PCF)的无模糊捕获改进方法。首先,根据形状码向量的概念构建了BOC信号的互相关函数统一表达式,并提出了两组新的形状码向量;然后,通过接收信号与形状码向量对应的参考信号作互相关合成得到一个单峰;最后,通过单峰与自相关函数合成得到通用无模糊捕获方法。仿真实验表明,在同一条件下,新提出的捕获方法主峰能量相对于副载波相位消除法提高了23%,并且能够适用于所有类型和所有调制阶数的BOC信号,能够完全消除同步过程中自相关函数的模糊性。

基于区域增长校正的频域盲源分离排序算法

卷积盲源分离可以在频域得到有效解决,但频域盲源分离必须解决排序模糊问题。该文提出一种基于区域增长校正的频域盲源分离排序算法。首先对卷积混合信号短时傅里叶变换,在频域的各个频点处建立瞬时模型进行独立分量分析,在此基础上使用分离信号功率比的相关性,对所有频点进行逐点排序置换。其次根据阈值将排序后的结果划分为若干个小区域。最后按区域增长方式进行区域置换与合并,最终得到正确的分离信号。区域增长校正可最大限度地减少频点排序错误扩散现象,从而改善分离效果。在模拟和真实环境中分别进行语音盲源分离实验,结果表明所提算法的有效性。

基于批处理和Teager-Kaiser算子的BOC信号联合捕获算法

针对较低信噪比条件下二进制偏移载波信号的捕获问题,提出了一种基于批处理和Teager-Kaiser(TK)算子的联合捕获算法。该方法首先对接收信号和组合扩频码进行批处理和平均处理,并将接收信号转换到频域进行多次循环移位;然后,将得到的最佳频偏补偿序列与组合扩频码进行圆周相关运算得到最大相关值;最后,引入相关峰能量最大值与次大值的比值作为门限判决变量,比较了所提TK算子法、差分相干累积算法和批处理算法的检测概率。仿真结果表明,在同一条件下,TK算子法检测概率比差分相干算法提高了约2dB,比批处理算法提高了约6dB,并减少了捕获时间。

改进的SVD算法对BOC信号组合码与信息序列盲估计

针对低信噪比下二进制偏移载波信号的组合码序列以及信息序列盲估计问题,在未知时延下,利用奇异值分解(singular value decomposition,SVD)算法估计出的组合码序列及信息序列,其最大奇异向量和次大奇异向量之间可能存在酉模糊现象。对于该问题的研究,提出一种改进的SVD方法对最大奇异向量及次大奇异向量进行线性组合,接着最优化筛选出其相应的系数矩阵,最后结合系数矩阵估计出组合码序列与信息序列。仿真结果表明,改进的SVD算法可同时应用于组合码和信息序列的估计且不受未知时延的影响,具有消模糊效果好、需要数据量少和抗噪性能强的特点。

基于谱相关的CBOC信号参数盲估计

针对低信噪比下组合二进制偏移载波(CBOC)调制信号的参数盲估计问题,提出了利用谱相关对CBOC信号进行参数估计方法。首先给出了CBOC信号模型,然后根据CBOC信号的数据通道和导频通道之间有良好的正交性特点,详细推导出其谱相关函数可以化简为两个BOC信号谱相关函数的叠加,最后根据CBOC信号循环频率截面的特点进行峰值检索后,实现对伪码速率、载频速率和副载波速率的盲估计。推导结果和计算机仿真分析表明,该方法可以实现在低信噪比下对伪码速率、载频速率和副载波速率的有效估计。

组合二进制偏移载波信号的伪码周期及组合码序列盲估计

针对在非协作通信以及低信噪比下组合二进制偏移载波(CBOC)信号伪码周期和组合码序列较难估计的问题,该文提出了2次谱算法与基于径向基函数(RBF)神经网络算法。对输入信号进行2次功率谱计算,可以得到CBOC信号的伪码周期。在此基础上,首先对接收的1周期组合码序列进行重叠分段,其次优化筛选出学习系数,对每段数据向量作为RBF神经网络的输入信号并进行有监督地调节,最后对每段数据向量多次输入并反复训练权值向量就可以恢复原组合码序列。仿真结果表明,利用2次谱可以在低信噪比下估计出伪码周期;在误码率低于1%的情况下,所提出的RBF神经网络相比于反向传播(BP)神经网络与Sanger神经网络,信噪比分别提高1 dB和3 dB,并且在同等条件下所需的数据组数较少。

基于Givens变换和二阶振荡W-C-PSO优化的盲源分离算法

针对智能算法在实现盲源分离时容易陷入局部最优且收敛速度缓慢的问题,提出一种基于Givens变换和二阶振荡粒子群优化的盲源分离算法。该算法首先将惯性权重与学习因子两个参数构造函数关系,使之共同调节算法迭代来提高算法的整体性与全局搜索能力;再引入二阶振荡环节增加种群的多样性,这样算法不易陷入局部最优;此外,采用Givens变换将分离矩阵转换成旋转角度表示形式来降低算法的复杂度。仿真表明,该算法能有效实现机械振动信号和语音信号的盲分离,并且相比其他算法具有更快的收敛速度和更好的分离性能。