多进制基带信号功率谱密度的仿真分析

随着信息技术的发展,多进制数字基带信号的应用越来越广泛.而分析其频谱特性对多进制数字基带信号的应用十分必要.以二进制数字基带信号为基础,利用交变波和稳态波分解法首先分析了三进制数字基带信号的功率谱密度,然后推广分析了M(M≥2)进制数字基带信号的功率谱密度特性.最后分别选取二进制、三进制和四进制数字基带信号用Mat-hb平台仿真分析了其功率谱密度,结果显示多进制数字基带信号的频谱一般由离散谱和连续谱组成,但在特定的条件下,其频谱中将只存在连续谱成分,而不存在离散谱.仿真结果为多进制数字基带信号的分析和应用提供了有益的参考.     

AD9788在多业务数字分布系统中的应用

介绍了一种采用单片高速数模转换器AD9788实现将多业务数字分布系统中两种不同制式多载波数字基带信号转换成模拟中频信号的实现方案,该方案具有较强的实用性和参考价值。     

一种基于滑动DFT的机载ILS信号检测方法的研究

仪表着陆系统是国际民航组织确定的标准着陆系统.针对目前机载ILS接收设备对基带信号的处理使用模拟电路,精确度低,处理不灵活、数据无法实时共享等问题,设计以DSP处理器为核心的数字ILS基带信号处理、发生系统.对实时性极强的滑动DFT算法进行分析与实现,以DDS芯片为基础,自行设计高精度ILS测试信号源.实验证明滑动DFT算法提高了ILS机载设备的精确度,并且具有很好的实时性,同时也验证了测试信号源的高精确度.     

基于分布式算法和FPGA实现基带信号成形的研究

提出了一种采用现场可编程门阵列FPGA实现基带信号成形FIR的数字滤波器硬件电路的方案。该方案基于分布式算法的思想,利用FPGA丰富的查找表资源,从时域上对基带信号直接进行成形。因为所采用的成形方法运算量小、精度高,所以适用于实时系统。所设计的电路通过硬件仿真,证明能够满足系统的要求,具有一定的理论和实际意义。     

基于温度自动补偿的直接上变频发射机中IQ不平衡校准方案

本文针对信号发射过程中，由基带信号经过正交调制后的正交 (in phase-path and quadrature-path, IQ)信号不完全正交且具有不同的幅度增益而产生的镜像干扰问题，提出了一种新的对IQ不平衡信号的校准参数进行估计的算法。通过建立不理想的信道模型，基于信号的二阶统计特性，计算发射信号和接收信号的相关矩阵，用所提算法估算出补偿参数，结合温度传感技术，对信号进行数字预校准，并对该算法的有效性进行验证。经过测试，不同温度环境下IQ不平衡信号经过校准后在理想接收端一侧的镜像抑制比(image rejection ratio, IRR)能稳定在50dB左右。     

基于模型的数字音频广播信号调制系统设计

本文设计并在FPGA芯片中实现了数字音频广播系统的信号调制系统。信号调制系统位于整个数字音频广播系统基带信号处理链的末端,是基带数字信号处理的核心系统。根据Eureka 147标准,信号调制系统需要对输入的基带码流进行数字调制、频域交织、差分调制以及正交频分复用等一系列处理。所设计的信号调制系统能够对输入的基带码流进行实时处理,完成上述信号处理算法,并输出数字音频广播的基带信号。     

软件无线电数字下变频技术研究及FPGA实现

在数字下变频系统实现方案中,输入的模拟中频信号经过高速A/D采样数字化后与数控振荡器NCO(Numerically Controlled Osillator)产生的正交本振信号混频,然后再由抽取滤波模块进行处理,以输出低速的低频或基带信号。本文以软件无线电数字下变频技术为研究对象,参考GSM系统建立数字下变频系统。     

宽带短波信号处理平台及算法

为了时宽带短波信号进行快速处理,提出一种基于软件无线电结构的高性能通用宽带无线信号处理平台。在这个平台上时短波信号射频数字化,然后进行数字变频,获得宽带基带解析信号。同时研究了基于基带解析信号的宽频带扫描算法、跳频集搜索算法、特定信号快速搜索算法、调制方式识别扣数字解调算法等,并在该平台上实现了这些算法。现场试验表明,本文提出的信号处理平台性能优越,信号处理算法有效。     

LTE系统PRACH基带信号的研究与实现

PRACH信道用于UE进行上行同步或小区之间的切换,通过对PRACH基带信号算法原理的分析,提出了一种PRACH基带信号的生成实现方案。通过对比和仿真,验证了该实现方案的高效性和可行性。该方案已在TD-LTE射频一致性测试仪表中得到应用。     

频率可调带宽可选的VLBI多相数字基带转换器

VLBI数据采集终端是VLBI台站的重要设备,近年来随着数字硬件设备例如ADC、DSP、FPGA的快速发展,数字基带转化器代替模拟基带转换器成为现实。现有采用多相滤波器实现DBBC的方法不可避免存在盲区,且频率、带宽均不可调。提出一种通用的基于多相结构的宽带数字下变频方法,将多速率信号处理和并行处理方法应用在其中,成功实现了VLBI多个通道的单边带数字基带转换,且能实现中频中心频率可调、带宽可选。硬件测试结果表明VLBI数字基带转换器频率设置正确,带宽选择正确,且数字基带转换器带通特性好于模拟基带转换器。     

一种适应于IEEE 802.15.4k标准的高精度频偏估计算法

为实现基于IEEE 802.15.4k标准的长码字直接序列扩频系统(Direct sequency spread spectrum, DSSS)在低信噪比下的频偏估计,提出一种高精度、稳定的改进频偏估计算法。该算法在保证频偏估计范围的前提下同时利用相位和幅度信息对信号作有偏自相关和迭代,提高包含相位信息的序列的信噪比,然后对有偏自相关信号的各阶差分计算相位幅角并加权平均,克服了 Fitz方法在低信噪比下近似条件难以满足的缺点。实验结果表明该算法能在不缩小估计范围的同时实现极低信噪比下的精确频偏估计,估计精度满足IEEE 802.15.4k标准下接收系统对残余频偏的容忍度。     

一种基于ST-RFT算法的数字调制信号识别方法

将短时拉曼努金傅里叶变换(ST-RFT)应用于数字调制信号识别的研究中,以寻求提高低SNR条件下数字调制信号识别率的新方法。通过归一化ST-RFT谱图计算、特征参量提取以及阈值判别来实现调制信号的识别。针对5种常见的数字调制信号进行仿真分析,结果表明,在SNR=0 dB的信噪比条件下,基于ST-RFT算法的数字调制信号识别方法的平均识别率可以达到90%,比基于谱图时频分析法的识别率提高了10.4%;特别是相比于基于瞬时幅度和瞬时频率的特征方法,4FSK调制信号的识别率可提高9%。基于ST-RFT算法的数字调制信号识别方法能够 在低SNR条件下有效识别数字调制信号,具有良好的工作性能。     

基于级联随机共振的直接序列扩频信号的捕获方法

在直接序列扩频信号的捕获中,针对低信噪（SNR）比以及大频偏对信号捕获产生影响的问题,提出了一种基于级联随机共振的直接序列扩频信号的捕获方法。首先将输入信号通过部分匹配滤波器进行处理,当本地伪码和输入信号伪码相位对齐时,输出信号仅剩下了残余多普勒频偏;然后将该信号进行级联随机共振,从而提高信号的输入信噪比;最后通过快速傅里叶变换（FFT）谱分析,可以在频谱上得到清晰的谱峰,进而求出多普勒频偏值。通过理论分析和实验仿真可知,在输入信噪比为-26 dB的情况下,所提方法能够提高直接序列扩频信号的捕获灵敏度,并且通过两级级联随机共振系统后输出信噪比提高了15 dB左右;同时与传统捕获算法相比,该方法的正确检测概率提高了4 dB左右。所提方法不但能抑制噪声,而且能将部分噪声能量转换为信号能量,同时能够改善大多普勒频偏的影响,在捕获弱信号方面有着极大的优越性。     

基于卷积神经网络的通信信号调制识别研究

针对传统人工提取专家特征来进行通信信号识别的方法存在局限性大、低信噪比下准确率低的问题,提出一种复基带信号与卷积神经网络自动调制识别相结合的新方法。该方法将接收到的信号进行预处理,得到包含同相分量和正交分量的复基带信号,该信号作为输入卷积神经网络模型的数据集,通过多次训练调整模型结构以及卷积核、步长、特征图和激活函数等超参数,利用训练好的模型对通信信号进行特征提取和识别。实现了对2FSK、4FSK、BPSK、8PSK、QPSK、QAM16和QAM64 七种数字通信信号类型的识别分类。实验结果表明,当信噪比为0dB时,七种信号的平均识别准确率已达94.61%,验证了算法是有效的且在低信噪比条件下有较高的准确率。     

基于小波矩和BP网络的声音识别

目前大多数声音识别系统在无噪声环境下可以达到很高的识别率,但是在噪声环境下,识别率急剧下降。针对这个问题,提出一种基于小波矩和BP网络的声音识别方法。根据声音信号生成声谱图;通过小波矩对声谱图进行特征提取,选取有代表性意义的特征参数;根据选取的参数进行BP网络分类识别,从而识别声音的种类。实验结果表明,该方法在不同噪声种类以及不同信噪比的噪声环境下仍然具有较好的识别效果,克服了低信噪比下识别率低的缺陷。     

频率选择性衰落信道下的同步参数联合盲估计算法

对于多径频率选择性衰落信道以及低信噪比环境下线性调制信号的同步参数盲估计问题,提出基于循环累积量的载波频偏、初始相偏和符号定时误差前向联合盲估计算法。通过理论推导得出多径频率选择性衰落信道下信号的循环累积量与初始相偏和符号定时误差的数学关系。在此基础上先以较大频率间隔进行粗估计确定频偏范围,再以较高精度遍历检测信号特定循环频率,提高载波频偏估计精度,进而由累积量值估计出初始相偏和符号定时误差,不依赖于信道衰落和加性噪声的分布特性,尤其适用于频偏、相偏、定时误差和信道衰落同时存在的复杂情况。仿真结果表明,该算法 能有效实现低信噪比和多径频率选择性衰落信道下对线性调制信号同步参数的联合盲估计。     

基于特征融合的跳频信号射频指纹识别技术

射频指纹识别(RFID)是一种物理层身份认证的方法,是电子对抗中一个重要且基本的研究方向,为现代战争提供情报信息等方面发挥着重要作用;为了提升在电子战复杂环境下RFID的准确率,同时解决在跳频信号片段长度有限致使稳态特征难以提取的问题,提出了一种基于信号多个维度特征融合与深度卷积网络提取特征的智能识别技术,改进了传统的星座图特征提取方法并提取了信号的双谱、星座图和希尔伯特-黄变换 (HHT)时频谱进行特征融合,并设置了不同信噪比和不同输入条件下的对照实验来证明该方法的有效性和鲁棒性;相比于传统的识别方法,该方法运算量小,且提升了在各信噪比下识别准确率,在正常室外环境下对六部相移键控(PSK)类跳频电台的识别准确率达到了99.29%。     

基于多节点信息融合和协作的信号调制方式识别

针对单节点在低信噪比环境下调制识别率低的难题,提出了基于一种多节点信息融合和协作的信号调制方式识别方法。首先设计多个传感器节点协作方案,并提取每节点特征,然后中心节点将各节点特征进行融合,最后采用最小二乘支持向量机建立信号调制分类器。仿真结果表明,相比于其他信号调制识别方法,该方法提高了信号调制识别精度,对信噪比环境具有更好的自适应性。     

Pseudo pitch synchronous analysis of speech with applications to speaker recognition

The fine spectral structure related to pitch information is conveyed in Mel cepstral features, with variations in pitch causing variations in the features. For speaker recognition systems, this phenomenon, known as "pitch mismatch" between training and testing, can increase error rates. Likewise, pitch-related variability may potentially increase error rates in speech recognition systems for languages such as English in which pitch does not carry phonetic information. In addition, for both speech recognition and speaker recognition systems, the parsing of the raw speech signal into frames is traditionally performed using a constant frame size and a constant frame offset, without aligning the frames to the natural pitch cycles. As a result the power spectral estimation that is done as part of the Mel cepstral computation may include artifacts. Pitch synchronous methods have addressed this problem in the past, at the expense of adding some complexity by using a variable frame size and/or offset. This paper introduces Pseudo Pitch Synchronous (PPS) signal processing procedures that attempt to align each individual frame to its natural cycle and avoid truncation of pitch cycles while still using constant frame size and frame offset, in an effort to address the above problems. Text independent speaker recognition experiments performed on NIST speaker recognition tasks demonstrate a performance improvement when the scores produced by systems using PPS are fused with traditional speaker recognition scores. In addition, a better distribution of errors across trials may be obtained for similar error rates, and some insight regarding of role of the fundamental frequency in speaker recognition is revealed. Speech recognition experiments run on the Aurora-2 noisy digits task also show improved robustness and better accuracy for extremely low signal-to-noise ratio (SNR) data.     

Feature saliency using signal-to-noise ratios in automated diagnostic systems developed for Doppler ultrasound signals

Artificial neural networks (ANNs) have been used in a great number of medical diagnostic decision support system applications and within feedforward ANNs framework there are a number of established measures such as saliency measures for identifying important input features. By identifying a set of salient features, the noise in a classification model can be reduced, resulting in more accurate classification. In this study, a signal-to-noise ratio (SNR) saliency measure was employed to determine saliency of input features of multilayer perceptron neural networks (MLPNNs) used in classification of Doppler signals. The SNR saliency measure determines the saliency of a feature by comparing it to that of an injected noise feature and the SNR screening method utilizes the SNR saliency measure to select a parsimonious set of salient features. Ophthalmic and internal carotid arterial Doppler signals were decomposed into time–frequency representations using discrete wavelet transform. Input feature vectors were extracted using statistics over the set of the wavelet coefficients. The MLPNNs used in classification of the ophthalmic and internal carotid arterial Doppler signals were trained for the SNR screening method. The application results of the SNR screening method to the ophthalmic and internal carotid arterial Doppler signals demonstrated that classification accuracies of the MLPNNs with salient input features are higher than that of the MLPNNs with salient and non-salient input features.