基于实际测量电力噪声特性参数的统计分布,推导非高斯分布的窄带电力噪声模型,主要包括背景噪声和脉冲噪声.前者应用升余弦滚降滤波法建模,其功率服从正态分布;后者利用随机分布的特性参数:脉冲的宽度、间隔和包络所构建的脉冲函数来建...基于实际测量电力噪声特性参数的统计分布,推导非高斯分布的窄带电力噪声模型,主要包括背景噪声和脉冲噪声.前者应用升余弦滚降滤波法建模,其功率服从正态分布;后者利用随机分布的特性参数:脉冲的宽度、间隔和包络所构建的脉冲函数来建模.宽度、间隔和包络随机量均服从分隔马氏链.然后应用实际测量数据和马尔克夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)分析法比较评估了此模型,数值分析结果显示,模型能够很好地逼近实际的电力噪声.展开更多
针对电力噪声和正交频分复用(orthogonal frequency division multiplexing,OFDM)信号的特点,为提高检测的准确度同时减少数据冗余,基于含噪信号本元分析,分解干净信号和电力噪声特征向量,根据噪声和信号空间能量的不同,利用本元滤波的...针对电力噪声和正交频分复用(orthogonal frequency division multiplexing,OFDM)信号的特点,为提高检测的准确度同时减少数据冗余,基于含噪信号本元分析,分解干净信号和电力噪声特征向量,根据噪声和信号空间能量的不同,利用本元滤波的方法检测数据分组的起点。在电力噪声和基于G3方案的OFDM模型下,通过对经典延时相关检测算法和本元滤波检测算法进行性能评测比较,结果显示在不同信噪比下,本元滤波检测算法对接收信号的起点检测更准确,相应系统的误码率得到降低。展开更多
文摘基于实际测量电力噪声特性参数的统计分布,推导非高斯分布的窄带电力噪声模型,主要包括背景噪声和脉冲噪声.前者应用升余弦滚降滤波法建模,其功率服从正态分布;后者利用随机分布的特性参数:脉冲的宽度、间隔和包络所构建的脉冲函数来建模.宽度、间隔和包络随机量均服从分隔马氏链.然后应用实际测量数据和马尔克夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)分析法比较评估了此模型,数值分析结果显示,模型能够很好地逼近实际的电力噪声.
文摘针对电力噪声和正交频分复用(orthogonal frequency division multiplexing,OFDM)信号的特点,为提高检测的准确度同时减少数据冗余,基于含噪信号本元分析,分解干净信号和电力噪声特征向量,根据噪声和信号空间能量的不同,利用本元滤波的方法检测数据分组的起点。在电力噪声和基于G3方案的OFDM模型下,通过对经典延时相关检测算法和本元滤波检测算法进行性能评测比较,结果显示在不同信噪比下,本元滤波检测算法对接收信号的起点检测更准确,相应系统的误码率得到降低。