基于软件无线电的数字上变频系统设计

本文设计一个电路简单,变频频率易控的软件无线电的数字上变频硬件平台,而且其所有处理过程均在数字域上进行,可以在数字域上直接将基带信号上变换到所需的射频频率上。     

复用器硬件平台的设计与实现

提出了基于Stratix II系列FPGA的复用器硬件平台方案,对该平台的各个电路模块分别进行设计和测试,最终形成一个完整的复用器,单片FPGA实现片上系统,成本低,并利用FPGA的纵向移植特性,拓展复用器的复用路数,灵活方便。     

改进磷虾群与NBN联合优化神经网络的HPA预失真方法

为克服现有神经网络预失真方法复杂度高、易陷入局域最小等缺陷,提出一种正交差分进化磷虾群(ODEKH)与Neuron-by-Neuron (NBN)算法联合优化实数固定延时全连接级联神经网络 (RVFTDFCCNN)的高功率放大器预失真方法。采用RVFTDFCCNN对预失真系统中的预失真器和逆估计器进行建模,通过ODEKH算法进行全局搜索获得RVFTDFCCNN的初始化参数,再用NBN算法对RVFTDFCCNN进行训练,同时根据复合函数求偏导数的链式规则,从两个层次对NBN算法中的Jacobian矩阵元素计算进行优化。采用宽带DTMB信号作为输入信号,对预失真系统进行仿真。结果表明,当训练误差和泛化误差均在同一数量级时,RVFTDFCCNN的NBN算法计算量比单隐层(SHL)神经网络明显降低;ODEKH算法比传统磷虾群算法具有更快的收敛速度,ODEKH-NBN联合算法的训练精度比Levenberg-Marquardt(LM)算法提高一个数量级,预失真后的邻道功率比（ACPR）比LM算法改善了2dB。说明本文的预失真方法具有较低的复杂度和良好的预失真性能。     

DVB通用加扰算法研究与硬件实现

介绍DVB数字视频广播条件接收系统中的CSA通用加扰算法,分析了CSA算法结构及块加密和流加密的流程,提出了该算法的硬件实现方案,并简化了块加密中的子密钥生成,最后在FPGA上实现该方案,通过仿真和实际码流加扰测试,验证了该硬件实现方案的正确性.     

OFDM系统的基带自适应预失真器设计

针对OFDM系统中功率放大器的非线性,设计了一种功放自适应预失真器,提出了基于内插环路的同步处理、RASCAL算法的自适应查询表预失真技术。增加同步误差判定模块以及查询表刷新判定模块,保证系统在同步误差波动情况下可靠工作,实现了系统的自适应处理。仿真表明该方法可以在同步误差波动情况下将OFDM系统发射机功率谱泄露改善约17 dB。     

基于NiosⅡ软核的DES加密系统设计

DES算法在信息安全领域扮演着重要的角色,采用软件实现DES算法速度慢,不能满足一些高速应用领域的要求,所以采用硬件实现的方法,在FPGA上实现DES算法,速度非常快。另一个创新之处在于采用Nios Ⅱ软核作为整个加密系统的控制器,通过Nios Ⅱ软核控制串口收发数据以及DES模块的加密过程,Nios Ⅱ软核的最大特点是用户可以灵活定制,这就使得整个系统的扩展性和灵活性非常好,具有很好的应用前景。     

数字电视传输流中PSI信息的分析与错误检测

简要介绍了PSI信息,在此墓础上阐述了墓于FPGA的PSI信息检测方案,依据DVB ETS1 TR 101 290测量标准,对PSI相关参数进行检测.通过对实际码流进行测试,可以实现对PSI进行实时高效的监测.     

数字电视插播系统的设计与实现

针对数字电视节目替换过程中出现的马赛克和黑屏现象,提出一种基于AVS标准的数字电视节目插播系统的设计和实现方法。采用节目参考时钟的调整、拼接点的选择、缓冲区控制和码率调整这3种措施,在设计的FPGA硬件平台上实现了节目插播的无缝拼接。对实际的数字电视节目进行测试,结果表明设计的数字电视无缝插播系统能流畅播放节目,无马赛克和黑屏现象。     

正交匹配追踪和BIC准则的自适应双频段预失真模型优化算法

针对双频段预失真模型复杂度高以及当前的模型优化算法不具有自适应性的问题,提出一种自适应的模型优化算法.采用双频段广义记忆多项式作为预失真模型,通过正交匹配追踪算法对原始模型的基函数项进行排序,每次迭代时用所有已挑选的基函数项构成备选模型,推导了模型输出向量元素服从非独立同分布情况下的贝叶斯信息准则（Bayesian Information Criterion,BIC）,并将BIC值最小的备选模型作为优化后模型,从而在原始模型稀疏度和拟合误差门限未知情况下,实现了模型的自适应优化.结果表明：优化后模型与原始模型相比,二者分别预失真后的信号在邻道功率比和归一化均方误差方面均非常接近,预失真效果良好,而模型的系数量减少了75%以上.     

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier, HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network, RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter, EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio, ACPR)比LM算法改善了2dB.