基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

基于质量评价的辐射源定位精度提升方法

针对辐射源定位精度受限于测量环境、监测设备等因素的问题，提出一种基于质量评价的测量精度提升（MAI）方法。根据监测设备的误差范围，将每个观测点可能的取值区间均分为若干段，每段取中值作为测量值；将所有测点可能的取值重新组合后，计算得到多个结果和质量评价指标，并选择评价指标最好的结果作为测量结果。所提方法与基于到达信号强度（SOA）的辐射源定位方法相结合，将复相关系数、位置偏差系数、信号强度方差作为评价指标，以复相关系数接近于1且位置偏差系数小于某指定值的结果为有效结果，有效结果中信号强度方差最小的即为最终的测量结果。为提高计算性能，在测点数大于5时，对该方法进行了改进：首先将前5个测点使用此定位方法进行计算，并将所有有效结果按信号强度方差排序，取前L个结果与第6个测点的测量值组合，重新计算得到多个结果；然后再排序、取前L个结果，并与下一个测点重新组合计算，直到所有的测点都参与组合计算，最后得出结果。仿真实验结果表明，所提方法可以在不增加硬件成本的条件下，以牺牲计算性能为代价，大幅度提升定位精度。     

便携极低速对流层散射通信系统优化设计

针对便携极低速对流层散射通信系统的远距离应用,在分析散射信道快衰落特性的基础上,提出便携极低速通信系统分集接收方案,并给出不同分集重数情况下的误码性能理论曲线,在此基础上提出采用失真自适应接收的抗多径波形以获取最大隐分集增益,设计并实现高效低时延LDPC编码和窄带滤波器。仿真结果表明,纠错编码可获得5 d B编码增益,窄带滤波解决了极低速远距离通信存在的多普勒效应问题。在系统测试平台上对便携极低速散射通信系统性能进行实测,测试结果表明,该优化设计方案可有效提升系统能力。     

第七讲 无线电视信号的接收（上）

有线电视系统接收的信号源中 ,除了卫星电视信号、自办节目外 ,在目前建设的ＣＡＴＶ系统中 ,最主要的是接收无线的广播电视节目。由于它可以利用天线装置接收多频道的电视节目 ,因而在有线电视系统传输的节目中占有很大的比例。接收天线是无线电视信号接收的重要组成部分 ,是无线电波进入有线电视系统的大门。天线有无源天线和有源天线两种 ,有源天线可使天线系统实现高增益、高信噪比接收。从天线接收的各种无线信号需要进行不同的处理 ,以达到一定的质量标准 ,方可送入有线电视网中。一般由于电视发射台的方向不一致 ,接收场强也不一样 ,…