采用多相关峰值的PN码频域匹配滤波捕获实现方法

现有的伪噪声(PN)码捕获算法大多是基于相关峰值进行门限判决,而捕获性能依赖于门限实时估计的正确性。针对这种情况,该文提出了一种利用多次PN码相关峰值位置间的相互关系进行判决的算法,避免了对信道噪声的实时估计,并给出了基于频域匹配滤波的实现方法和算法复杂度分析,推导了所提算法的检测概率和虚警概率,并且使用计算机仿真验证了推导结果的正确性;结果表明,所提算法避免了噪声估计的开销,增强了PN码捕获的鲁棒性,提高了捕获性能,适合工程应用。

阵列雷达的分层介质目标频域匹配滤波成像算法

为了对平面分层介质目标的内部结构实现高分辨三维(Three-Dimensional,3D)成像,提出了一种基于频域匹配滤波(Frequency-Domain Matched Filter,FDMF)的快速成像算法。该算法应用了毫米波单发单收(Single-Input Single-Output,SISO)阵列雷达体制,利用电磁波在平面分层介质间传播时电磁波的切向分量将保持连续这一规律,将SISO平面阵列雷达单个阵元的时域回波数据变换至频域后,化简雷达回波模型,最后将阵列的空域回波数据变换至波数域并作相位补偿及累加求和运算实现介质内部的图像重构。与同样适用于该应用场景的改进后向投影(Improved Back Projection,IBP)算法相比,所提算法避免了电磁波在介质分界面上折射点的计算,有效降低了计算复杂度;与相移偏移(Phase Shift Migration,PSM)算法相比,所提算法仍具有一定的效率优势;数值仿真和实验结果验证了所提算法的有效性。

频域匹配滤波-FFT联合捕获算法

频域匹配滤波法利用FFT-IFFT完成时域伪码的快速相关,提出频域匹配滤波-FFT联合捕获法,该方法在频域匹配滤波法的基础上对相关结果进行二次FFT运算。通过仿真结果可知,在相同条件下得到的相关峰值高于频域匹配滤波法的相关峰值,提高了多普勒频率的估计精度,在信噪比大于-14 dB时捕获概率能达到0.988。由此可见,频域匹配滤波-FFT联合捕获法在估计精度和捕获概率上优于传统的频域匹配滤波法。

基于FRFT的频域自适应匹配滤波器检测方法

针对浅海混响背景下频域自适应匹配滤波器检测性能下降的问题,提出基于分数阶傅里叶变换(FRFT)的频域自适应匹配滤波器检测方法,该方法利用模板匹配技术,采用滑动窗对接收信号进行最优阶次分数阶傅里叶变换,然后将此过程中得到的FRFT域图与参考信号最优阶次傅里叶变换FRFT域图进行匹配,将离差平方和作为评价相似度的指标,即对离差平方和最小值的位置进行滤波,并对滤波后的信号进行最优阶次分数阶傅里叶逆变换,从而实现混响背景下的目标检测。仿真结果表明,在信混比为-15dB的情况下,该算法可显著提高频域自适应匹配滤波器的检测性能。

GMR-1卫星通信频率初始捕获算法

在GMR-1卫星移动通信系统中,同步系统占有举足轻重的地位。GMR-1卫星移动通信系统是利用dual-chirp信号实现初始捕获的,但在现有的联合估计算法中,为简化实现复杂度,牺牲了估计精度。文章利用dual-chirp信号的性质,结合频域匹配滤波器提出了一种高精度的频率估计算法,同时实现复杂度也不高。

跳扩结合通信系统接收同步算法设计

介绍了一种适于FH/DS混合扩频体制接收同步算法。首先利用参考时钟和TOD信息完成跳频初始同步;其次利用频域匹配滤波法和PMF-FFT频率估计法进行伪码相位捕获,并采用开环跟踪结构进行伪码相位跟踪;最后根据伪码相位与跳频图案切换时间间的固有关系,利用伪码相位同步结果辅助完成跳频图案的精确同步。

水下小孔径阵列远程目标检测方法研究

匹配滤波器频域自适应线谱增强方法是一种基于递归算法的非线性滤波技术,它大大提高了匹配滤波器的检测性能。针对当前该技术使用窄带信号作为发射信号存在可利用的带宽有限,不能充分发挥自适应线谱增强器性能的问题,文章提出将该技术与宽带信号相结合来检测远程目标。仿真显示,该方法在低信噪比条件下获得了较高的信噪比增益和检测概率。海试数据处理结果表明,该技术的处理增益较传统方法高6.24 dB。该方法的高处理增益适合应用在水下无人平台上,弥补了小孔径阵列空间增益不足的缺点,可以实现远程目标的检测。

移动通信中的无线信道“指纹”特征建模

意在解决移动通信中的无线信道指纹建模问题,以已知场景的真实信道测量信号为参考,提取不同场景或不同区域内无线信道的差异化的特征,进而分析归纳出指纹的数学模型,并且基于指纹模型对包含不同场景或不同区域的路段进行区域划分.第一,基于无线信道的离散线性模型,采用特征提取的方法,提取其中的信道参数——多径数目、时延扩展、多普勒扩展、慢时间方向频率特征、接收功率均值,幅度标准差,幅度导数标准差等,由此建立起综合的指纹特征模型.第二,定义分类系数作为评价指标,刻画指纹模型对不同场景的区分度,计算得到上述模型对于已知场景的分类系数为0.84,表明模型能够较明显地区分开3个场景.第三,基于已知场景,以及文中建立的指纹模型和评价指标,利用样本距类距离均值分类指标、神经网络算法对两个真实信道测量结果进行场景识别,发现测试样本分别来自场景1和场景2.第四,建立区域划分的自适应模型,提出考虑场景变换连续性问题的基于滑动窗口的指纹聚类的神经网络算法,在对实际路段进行区域划分过程中,通过实验分析,选定神经网络算法的相关参数,确定分段结果为5段,共4种区域.第五,基于区域划分模型和评价指标,利用样本距类距离均值分类指标、神经网络算法以及频域匹配滤波方式对两个样本进行样本判断,判断结论为,两个测试样本均来自数据包3中的路段,位置分别为8米处和76米处.