基于码重信息熵低码率线性分组码的盲识别

为解决较高误码条件下的低码率二进制线性分组码的盲识别问题,论文提出了基于码重分布信息熵的码长识别方法,而且,它还通过优化传统的矩阵化简方法求解生成矩阵,从而实现对低码率二进制线性分组码的盲识别。理论分析及仿真验证均表明:该方法能实现低码率线性分组码较正确的识别。论文最后进一步对不同码长线性分组码在不同误码率条件下进行了多次仿真,仿真结果验证了该识别方法具有较好的容错性能。     

关于卷积的运算规则及存在性

卷积是＂信号与系统＂课程中最重要的运算之一,参与卷积运算的函数是多种多样的,可能是有始的、有终的,也可能是时限的或无时限的,卷积可能存在也可能不存在。本文对各种场合下卷积的运算规则进行了归纳,并探讨了卷积的存在性以及它与卷积性质之间的关系。     

基于非线性函数的非平稳盲源分离步长算法

传统自然梯度盲源分离算法采用固定步长,导致收敛速度和稳态误差之间存在矛盾,使算法性能受到制约,特别是对非平稳盲源的分离效果较差。为此,对传统算法进行了改进,提出了一种新的基于非线性函数的步长算法,在分离过程中使步长在每次更新中自动做出合理的调整。通过MATLAB仿真实验证明了新算法的有效性。     

802.11b中卷积码和Viterbi译码的FPGA设计实现

卷积码是一种重要的信道纠错编码方式,其纠错性能通常优于分组码,目前(2,1,6)卷积码已广泛应用于无线通信系统中,Viterbi译码算法能最大限度地发挥卷积码的纠错性能。阐述了802.11b中卷积码的编码及其Viterbi译码方法,给出了编译码器的设计方法,并利用Verilog HDL硬件描述语言完成编译码器的FPGA实现。使用逻辑分析仪,在EP2C5T144C8芯片上完成了编译码器的硬件调试。     

基于均匀线阵的盲分离算法

针对现有的最小二乘恒模盲分离算法虽然能实现源信号分离但分离信号间仍存在相关性的问题,在建立均匀线阵接收模型和分析现有算法的基础上,提出了一种将阵列结构和已有算法相结合的修正小二乘恒模盲分离算法,并进行了实验仿真。仿真结果表明,修正算法有效地降低了分离信号间的相关性,将分离结果用于信号测向,实现了对空间信号源的高分辨率测向。     

基于FPGA的移动通信中卷积码编码器设计

卷积码是一种性能优良的差错控制编码。介绍了卷积码编码原理,基于FPGA利用VHDL硬件描述语言实现了一个（2,1,9）卷积码编码器。给出了仿真结果,并在FPGA器件上验证实现。仿真及测试结果表明,达到了预期的设计要求,并用于实际项目中。     

基于欠定盲分离的多目标微多普勒特征提取

连续波雷达多目标回波中多种微多普勒特征分离问题采用独立成分分析方法实现,该方法在使用中存在较大局限性,要求待分离的微多普勒特征之间必须是统计独立的,且仅局限于恰定和超定的方程组求解问题。然而,在多目标雷达观测场景下,雷达接收的混叠回波的个数通常少于目标的个数,各目标的微多普勒特征可能存在相关性。为此,提出了一种基于欠定盲分离的多目标回波微多普勒特征分离方法。该方法可以从少数原始混叠回波中分离出多个目标的微多普勒特征,对待分离的微多普勒特征限制性弱。通过数值仿真,证实了该方法的可行性。     

RS与卷积级联码在Rice信道中的性能分析

针对Rice信道的特性,采用RS码与卷积码进行级联的纠错编码方案,使用matlab对其在Rice信道上的纠错性能进行仿真分析。结果表明,在Rice信道上,RS和卷积的级联码是一种易于实现且性能优越高效的纠错码,有较高的实用价值。     

圆钢管混凝土柱高强单边螺栓T形件初始刚度计算方法

T形件作为半刚性钢框架梁柱节点连接的重要组件,其初始刚度对节点刚性的影响至关重要。目前,尚缺乏对圆钢管混凝土柱高强单边螺栓T形件初始刚度计算的研究。采用欧洲规范EN 1993-1-8中的组件法,以圆钢管混凝土柱高强单边螺栓T形件为对象,通过简化力学模型,分别给出了弧形端板的抗弯刚度、圆形柱翼缘壁的抗弯刚度、螺栓的抗拉刚度以及锚固钢筋的抗拔刚度计算公式。利用有限元软件ABAQUS,通过数值分析确定了重要影响参数,给出了可用于计算的系数曲线。提出了圆钢管混凝土柱高强单边螺栓T形件的初始刚度计算方法,给出算例以说明该计算过程,并通过试验验证了其准确性。研究表明,提出的计算方法可用于半刚性圆钢管混凝土组合框架的计算与分析。     

基于Gabor变换降噪和盲信号分离的轴承故障诊断方法

针对轴承故障信号往往淹没在强烈的系统噪声中导致故障特征难以提取的情况,提出了一种基于Gabor变换降噪和盲信号分离的故障诊断方法。该方法利用Gabor变换对时频信号的优良分辨率和盲信号分离技术的优势,先对非平稳信号进行降噪,再通过盲信号分离技术对降噪后的信号进行分离,提取出故障频率。实验结果表明,该方法能有效地诊断出轴承故障特征。