序列估计二维积累空间分析模型

 目前伪随机序列捕获算法在序列估计捕获算法方向取得了广泛的关注和深入发展,针对此领域缺乏有效、通用的模型分析工具,文中提出序列估计二维积累空间分析模型.通过分析幅度积累和概率积累之间的关系,建立了具有一致性的幅度积累空间与概率积累空间,为序列捕获算法研究和设计提供了便利的分析模型和工具.蒙特卡罗仿真和对现有算法的性能分析验证了模型的正确性,并且广泛适用于目前已有的序列估计算法.     

状态积累递归软序列估计

目前对于数字电视应用的长周期伪随机序列,捕获性能有限。提出状态积累递归软序列估计算法,在递归软信息积累过程前端建立状态积累移位寄存器,通过积累多个周期的信息来提供较为可靠的初始积累值,最终加速后续软信息积累,从而取得较好的捕获性能。     

一种DS/SS信号PN码序列估计的神经网络方法

本文提出了一种利用神经网络(N.N.)完成直接序列扩频(DS/SS)信号PN(伪噪声码)码序列估计的新方法.该方法充分利用了无监督N.N.的自适应主元提取特性,加上其高速运算能力,解决了传统方法在PN码的实时处理及实现上的困难,理论分析和数值结果表明了本方案能在较低的输入信噪比条件下完成对PN码的正确估计.     

基于多输入多级递归软序列估计的PN码捕获算法

为了进一步改进递归软序列估计（RSSE）算法在低信噪比下的PN码捕获性能，文章提出了多输入多级递归软序列估计（MIMS-RSSE）算法。仿真结果显示，与RSSE算法相比，MIMS-RSSE算法在硬件复杂度增加不多的条件下，较显著地降低了系统对输入信噪比的要求。     

一种改进的DS/SS信号PN码序列估计算法

基于文献[1]的特征分析法,估计低信噪比情况下直接序列扩频(DS/SS)信号的PN(伪随机码)码,本文提出了一种改进的算法.本算法解决了原算法中PN码序列估计存在的相位不确定性,即估计的PN码部分码元与真实PN码元相比可能发生反号的问题.理论分析和仿真结果表明,本算法在低信噪比条件下能完成对PN码序列的精确估计.     

一种直扩信号伪码周期及序列的盲估计方法

论述了功率谱二次处理理论和信号子空间分解方法在直接序列扩频(DS/SS)信号的伪码周期估计以及伪码序列盲估计中的应用,提出了利用功率谱二次处理结合信号子空间分解的方法以实现对低信噪比DS/SS信号的完全估计.计算机模拟结果表明,该方法在较低的输入信噪比条件下能良好地工作.     

一种基于PN序列的信道估计算法及SIMULINK仿真

提出了一种基于PN序列的LS信道估计算法。利用PN序列特殊的相关性,在接收端完成相关处理,从而获得多径衰落信道的状态参数。在SIMULINK搭建的OFDM-FH仿真模型中,运用该信道估计算法进行仿真。结果证明,在相同信噪比和信道利用率的条件下,基于PN序列的LS信道估计算法要比传统的LS算法具有更高的信道估计精度。     

侦察中的直扩信号PN序列盲估计算法

为了解决通信侦察中低信噪比下直扩信号PN序列的盲估计问题,分析了矩阵特征分解算法。该算法基于直扩通信的基带信号模型,以及已知直扩信号的伪码周期,通过对信号的自相关矩阵进行特征分解,获取最大特征值对应的特征向量,进而估计出PN序列。理论分析与仿真数值结果表明,该算法在较低信噪比背景环境中,能够准确地恢复出PN序列。     

一种循环前缀为PN序列的OFDM信道估计算法

与传统的正交频分复用（OFDM）频域信道估计方法不同，提出了一种循环前缀为PN序列的OFDM信道估计方法：在时域OFDM符号中不插入传统意义上的循环前缀，而是插入PN序列作为训练序列，将PN序列与对应的接收序列作圆周相关处理获得信道频率响应估计；而由于PN序列周期性出现，它也起到了循环前缀的作用。仿真结果表明：在多径瑞利衰落信道中，在相同信噪比和相同信道利用率的条件下，提出的算法比频域梳状导频插入的时域滤波算法具有更高的信道估计精度。     

分段极性相关法估计DS-BPSK信号参数

介绍了一种分段极性相关的方法,并将其应用于DS-BPSK信号的多个参数估计和伪码捕获。该方法首先通过计算分段相关值的极性序列之间的相关值来估计基带码元极性,然后对分段数据进行平滑以提高信噪比条件,最后再估计伪码序列位数、码片宽度和伪码序列值等参数。仿真结果表明,该方法在输人信噪比R_(SN)=-17 dB条件下,可以同时估计DS-BPSK信号的多个特征参数,也可以进行伪码的快速捕获。     

负信噪比直扩信号伪码盲估计方法

给出了一种采用延迟相关积累和信号子空间分析实现对负信噪比直扩（DSSS）信号伪码盲估计的方法。计算机仿真结果表明，该方法可以在-15dB信噪比条件下检测信号并估计出伪码、载波频率等参数，估计结果可以实现非合作解扩解调。     

Non-Supervised Learning for Spread Spectrum Signal Pseudo-Noise Sequence Acquisition

An idea of estimating the direct sequence spread spectrum (DSSS) signal pseudo-noise (PN) sequence is presented. Without the apriority knowledge about the DSSS signal in the non-cooperation condition, we propose a self-organizing feature map (SOFM) neural network algorithm to detect and identify the PN sequence. A non-supervised learning algorithm is proposed according the Kohonen rule in SOFM. The blind algorithm can also estimate the PN sequence in a low signal-to-noise (SNR) and computer simulation demonstrates that the algorithm is effective. Compared with the traditional correlation algorithm based on slip-correlation, the proposed algorithm's bit error rate (BER) and complexity are lower.     

一种PN码捕获的门限自适应估计方法

该文提出一种简单、实用的PN码捕获门限自适应设置方法.我们在对判决量统计特性分析的基础上,采用最大似然估计准则估计出等效高斯白噪声方差V.由此,我们得到了判决门限值的自适应设置方法.最后,我们进行了计算机仿真.结果表明,通过估计门限构造出的PN码捕获装置检测性能与理论值非常吻合,从而说明了其有效性.而且,判决门限的估计方法实现非常简单、快捷,很适合在工程中应用.     

直扩信号PN码序列估计的神经网络方法

为了解决通信侦察中低信噪比下直扩信号PN码序列的盲估计问题,分析了神经网络算法。该算法基于直扩通信的基带信号模型,通过对输入信号的主分量进行分析和提取,获取神经网络学习后的突触权值,进而估计出PN码序列。理论分析与仿真数值结果都表明,该算法在较低信噪比背景环境中,能够准确地恢复出PN码序列。     

一种神经网络结合NIC的PN码估计方法

针对网络电磁对抗环境中直接序列扩频信号的伪随机码的估计,这里提出了一种基于神经网络结合信息更新法则的方法,对过去基于神经网络的方法进行改进,构建了新的运算模型。理论分析和计算机仿真结果表明,该方法能在较低的信噪比容限下,正确地估计出扩频信号的伪随机码序列,该方法的性能优于原有的基于神经网络模型的码估计方法,为今后能够解决低信噪比条件下扩频码序列盲处理问题提供了一种更有效的途径。     

一种K-means改进算法的软扩频信号伪码序列盲估计

针对软扩频信号因采用了编码技术使得伪码序列难以估计的问题,该文提出一种基于K-means聚类改进的软扩频信号伪码序列盲估计方法。该方法首先以单倍伪码周期的窗长对接收信号进行数据分段以构造观测数据矩阵,其次利用相似测度的理论从观测数据中寻找出K-means算法最优的初始聚类中心点,然后通过搜索平均轮廓系数(Silhouette Coefficient, SC)最大的绝对值以完成伪码集合规模数的估计,最后找到估计的伪码集合规模数所对应的聚类中心点集合,进一步完成对软扩频信号伪码序列的盲估计。通过仿真实验表明,在伪码序列估计错误概率低于0.1的情况下,该文方法比未改进方法提高信噪比约4 dB;而且在同一条件下,该文方法对信号的盲解扩性能优于未改进的方法。     

DS-UWB系统中利用辅助序列的MAX/TC准则同步算法研究

DS-UWB系统是否能够获得快速可靠的信号同步是系统设计的一项重要指标。该文在最大值选择/过门限(MAXimum selection/Threshold Comparison,MAX/TC)准则DS-UWB系统同步捕获算法的基础上,提出一种采用辅助序列的MAX/TC准则改进型同步捕获算法,算法利用辅助序列信息判断本地伪随机序列发生器相位更新方向,能够较大程度降低系统伪随机序列同步捕获时间;通过对改进算法进行较为详细的理论分析,并且在超宽带室内信道环境中进行仿真实验,结果表明,采用该文算法可以在保证系统同步捕获性能的同时有效缩短平均同步捕获时间。