排序方式: 共有107条查询结果,搜索用时 171 毫秒
1.
2.
一种基于与BCH码等价原理的m序列重构算法 总被引:1,自引:0,他引:1
该文针对现有m序列特征多项式估计方法在高阶高误码条件下的估计效率不高,精度不够的问题展开研究,通过分析m序列和BCH码的生成原理,得出二者之间的等价关系,进而提出了一种新的m序列特征多项式的估计算法。该算法通过构造与之等价的BCH码,利用其良好的纠错性能,实现高误码条件下的m序列特征多项式的估计,仿真结果表明本算法能较好地解决误码条件下的m序列特征多项式估计问题,运算速度主要适用于通信信号处理中常用20阶以内的m序列分析问题。 相似文献
3.
中频通信信号信噪比的快速盲估计 总被引:4,自引:0,他引:4
信噪比是通信信号处理中的一个重要参数,许多算法都以它作为先验信息来获取最佳性能。该论文通过确定中频通信信号的频谱范围来计算信号能量,进而根据定义估计信噪比,由此提出了一种中频通信信号的信噪比快速盲估计方法。对BPSK,QPSK,16QAM等常用线性调制通信信号的仿真表明:该方法性能稳定,在数据样点长度为4096且信噪比变化范围为-5 dB到25 dB时,估计值的偏差和均方根误差基本都小于0.5 dB。与基于特征值分解的方法相比,在得到精确估计结果的同时具有计算复杂度小、适应动态范围广等优点。 相似文献
4.
压缩感知理论(Compressed Sensing, CS)是对信号压缩的同时进行感知的新理论,而如何分析观测矩阵(Sensing Matrix)的稳定性是压缩感知理论中的一个非常重要研究方向。不相关性(Incoherence)准则是分析观测矩阵稳定性的一个重要准则,该准则的研究需要假设观测矩阵行向量是一组标准正交基的子集,这大大限制了不相关性准则的应用。本文针对这一局限性,提出了广义不相关性准则,即仅要求观测矩阵行向量是一组普通基的子集。首先推广了相关度定义,称为广义相关度;然后提出了广义不相关性准则,即推导并证明了压缩观测值(Compressive Measure)个数与广义相关度之间的满足某一关系式时,信号能够完全重构;最后把不相关性准则应用到高斯随机观测矩阵和随机±1构成的Rademacher矩阵的稳定性分析。数值仿真表明高斯随机观测矩阵和随机±1构成的Rademacher矩阵具有较好的稳定性。 相似文献
5.
提出了一种基于阵列流型替换的宽带非相干 DOA 估计新方法.比较了宽带非相干(ISSM)方法与本文方法在分辨两个相邻较近信号源时的性能.仿真表明,本文方法大大降低了信噪比门限,其它性能也优于 ISSM 方法. 相似文献
6.
7.
8.
9.
10.
基于最小方差谱估计的循环平稳信号 到达角估计方法 总被引:1,自引:0,他引:1
文章提出了基于最小方差谱估计的多循环频率到达角估计方法.通过对指数函数进行Jacobi-Anger展开,将目标方向矩阵近似分解为两个独立矩阵相乘的形式,并构造相应的变换矩阵,将多个不同循环频率处阵列输出信号循环相关函数矩阵进行叠加,再利用最小方差谱估计方法实现对目标到达角的估计.新方法克服了已有基于信号循环平稳特性估计方法只利用信号单个循环频率信息的不足.仿真结果证实了新方法的有效性,同时也证实该方法确实具有较单循环频率SC-SSF方法和传统宽带聚焦方法更好的估计性能. 相似文献