CN105429722B - 一种基于粒子群优化的跳频信号参数估计方法 - Google Patents
一种基于粒子群优化的跳频信号参数估计方法 Download PDFInfo
- Publication number
- CN105429722B CN105429722B CN201510712920.0A CN201510712920A CN105429722B CN 105429722 B CN105429722 B CN 105429722B CN 201510712920 A CN201510712920 A CN 201510712920A CN 105429722 B CN105429722 B CN 105429722B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- particle
- frequency
- frequency hopping
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/713—Spread spectrum techniques using frequency hopping
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于粒子群优化的跳频信号参数估计方法，包括如下步骤：基于跳频信号的多分量模型，采用多峰函数粒子群算法从原始跳频信号中并行搜索跳频分量，寻找各个跳频周期内的时间和频率中心位置，实现粒子在跳频分量时频中心位置的聚集；通过粒子群算法输出的粒子个体最优值获取跳频信号参数。本发明具有简单方便、调整参数少，搜素能力强，尤其是适应宽信噪比范围内估计等优势。
Description
技术领域
本发明涉及一种参数估计方法，具体涉及一种基于粒子群优化的跳频信号参数估计方法。
背景技术
跳频通信在随机载频以及结合其它扩谱方式下进行通信，具有优越的抗干扰、低截获和灵活的多址组网能力，在电子战、无线电频谱监控和认知无线电等军事和民用通信领域得到了广泛的应用。复杂环境下实现跳频信号特征参数的盲估计，是实现跳频信号检测、截获和信息获取的前提和基础。
相关的研究主要有以下三种：相关函数法。基于跳频信号的双跳或多跳模型，在假设信号概率密度已知的情况下，基于最大相关函数法进行跳变时刻参数估计。
时频分析作为非平稳信号分析的有力工具，也用于跳频信号参数估计，主要包括STFT的线性时频表示和Cohen类时频分布的二次时频表示。在获取时频分布的基础上，利用时频分布极大值估计包括跳周期等跳频信号参数。时频分析方法关键是跳频图案的生成，但是其性能严重受制于时频核函数的选择和时频测不准原则，在抑制交叉项的同时带来跳频信号频谱扩展，造成参数估计算法性能下降。
第三种方法主要基于跳频信号内在时频结构的自适应分解方法，包括基于跳频信号的时频二维稀疏性而采用的线性回归方法、基于匹配追踪的跳频参数盲估计方法等。前者利用激活载波频率的稀疏性(用到的跳变频率少)、时域差分稀疏性(平滑性，驻留时间内的频率不变)，并通过双稀疏补偿利用凸优化实现；后者将跳频信号分解为若干时频原子的线性组合，需要建立庞大的时频字典，时频原子的参数划分也要足够精细，使得这种方法的运算过程相当复杂，时频原子的搜索时间非常漫长。
同时，现有的方法普遍存在以下缺陷：
对模型的分布有一定的已知要求，估计参数之间相互影响，存在信噪比阈值、低信噪比下获取的结果毫无意义。在实际复杂电磁环境下，获取有意义而非精确解已经是现实且实际的考量。而匹配追踪算法又带来原子库存储、内积计算量大等瓶颈问题，同时需要设计基于原子参数的跳频信号参数估计方法。
发明内容
针对现有技术的缺陷，本发明提供了一种基于粒子群优化的跳频信号参数估计方法，用于解决现有技术中复杂电磁环境，尤其是低信噪比下不能给出跳频信号参数有意义估计结果的问题。
为实现上述目的，本发明采取的技术方案为：
一种基于粒子群优化的跳频信号参数估计方法，包括如下步骤：
S1、基于跳频信号的多分量模型，采用多峰函数粒子群算法从原始跳频信号中并行搜索跳频分量，寻找各个跳频周期内的时间和频率中心位置，实现粒子在跳频分量时频中心位置的聚集：
S11、采用粒子群局域模型：假设在D维空间有M个粒子，i＝1，2，…M，其每个粒子属性由位置xi＝(xi1，xi2，…，xiD)和速度vi＝(vi1，vi2，…viD)决定；同时记录其在搜索过程中所经历过的个体最优位置Pi＝(Pi1，Pi2，…，PiD)，邻域最优位置Pn＝(Pn1，Pn2，…，PnD)；对第t+1代的第i个粒子第d维方向上，通过以下公式更新粒子速度和位置：
vid(t+1)＝wvid(t)+c1r1d(t)(Pid(t)-xid(t))+c2r2d(t)(Pnd(f)-xid(t))；
xid(t+1)＝xid(t)+vid(t+1)；
i＝1，2，…，M and d＝1，2，…，D；
式中，w、c1和c2分别表示惯性权重和学习因子，r1和r2是0～1内的随机数，经过多次迭代，实现粒子在适应度函数的不同峰值位置聚集；
S12、粒子邻域确定：定义粒子i和j的测度如下：
式中，Pj表示第j个粒子当前个体最优位置，f(Pj)和f(xi)分别表示第j个粒子的个体最优适应度和当前粒子适应度；测度中的分母维度选择2，表示时间；
S13、原子库构建：选用实型高斯函数作为过完备库原子的原型函数，定义为：
其中，尺度因子sk控制原子时域方向所占宽度，参数tk、fk和分别表示高斯原子的时间中心和频率中心及其相位，是原子的规范化系数，k是原子索引，表示粒子个数；因此，D＝4，第二维表示时间，原子由一个参数集完全表示，分别潜在地表示跳频周期、每一跳频周期内的时间和频率中心及其相位；
S2、通过粒子群算法输出的粒子个体最优值获取跳频信号参数：
S21、对原子的频率参数按照上升排序，得到在0到fs/2之间的频率值fi，i＝1，…，M及其索引ind1；
S22、以最小频率分辨率或最小跳频频率间隔(若已知的情况下)为阈值th，通过下式求取fl的跳变时刻(并不是跳频信号的跳变时刻)对应的索引ind2′，
并加上粒子首尾两个值构成排序后的频率近似区间划分，即ind2＝[1；ind2′；M]；
S23、结合索引ind1和ind2找到这些近似频率对应的粒子，对所有区间内的频率参数值求平均获取跳频频率fk，k＝1，…，K，其中K表示跳变时刻个数；对所有区间内的时间参数值求平均获取跳频分量的时间中心位置tk，k＝1，…，K；由于粒子自身包含时间和频率两个参数，所以求得的是一致的，fk和tk为每个跳频分量的时频中心参数；
S24、对估计的tk，k＝1，…，K估计参数，按照上升排序，差分后求取平均值，得到跳频周期的估计值进一步，由k＝1，…，K获取各个跳变时刻估计值。
本发明具有以下有益效果：
具有简单方便、调整参数少，搜素能力强，尤其是适应宽信噪比范围内估计等优势。
附图说明
图1为本发明实施例一种基于粒子群优化的跳频信号参数估计方法的流程图。
图2为本发明实施例一种基于粒子群优化的跳频信号参数估计方法中步骤S1的流程图。
图3为本发明实施例一种基于粒子群优化的跳频信号参数估计方法中步骤S2的流程图。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1-3所示，本发明实施例提供了一种基于粒子群优化的跳频信号参数估计方法，包括如下步骤：
S1、基于跳频信号的多分量模型，采用多峰函数粒子群算法从原始跳频信号中并行搜索跳频分量，寻找各个跳频周期内的时间和频率中心位置，实现粒子在跳频分量时频中心位置的聚集：
S11、采用粒子群局域模型：假设在D维空间有M个粒子，i＝1，2，…M，其每个粒子属性由位置xi＝(xi1，xi2，…，xiD)和速度vi＝(vi1，vi2，…viD)决定；同时记录其在搜索过程中所经历过的个体最优位置Pi＝(Pi1，Pi2，…，PiD)，邻域最优位置Pn＝(Pn1，Pn2，…，PnD)；对第t+1代的第i个粒子第d维方向上，通过以下公式更新粒子速度和位置：
vid(t+1)＝wvid(t)+c1r1d(t)(Pid(t)-xid(t))+c2r2d(t)(Pnd(t)-xid(t))；
xid(t+1)＝xid(t)+vid(t+1)；
i＝1，2，…，M and d＝1，2，…，D；
式中，w、c1和c2分别表示惯性权重和学习因子，r1和r2是0～1内的随机数，经过多次迭代，实现粒子在适应度函数的不同峰值位置聚集；
S12、粒子邻域确定：定义粒子i和j的测度如下：
式中，Pj表示第j个粒子当前个体最优位置，f(Pj)和f(xi)分别表示第j个粒子的个体最优适应度和当前粒子适应度；测度中的分母维度选择2，表示时间；选择最大测度对应粒子作为当前粒子的邻域；
S13、原子库构建：选用实型高斯函数作为过完备库原子的原型函数，定义为：
其中，尺度因子sk控制原子时域方向所占宽度，参数tk、fk和分别表示高斯原子的时间中心和频率中心及其相位，是原子的规范化系数，k是原子索引，表示粒子个数；因此，D＝4，第二维表示时间，原子由一个参数集完全表示，分别潜在地表示跳频周期、每一跳频周期内的时间和频率中心及其相位；
本具体实施中尺度因子表示原子在时间维度上的支撑区间，由谱图粗略估计。首先计算跳频信号的谱图，基于时频图沿着时间轴的最大值序列进行粗略估计，得到sk的估计值在跳频速率为常数的情况下，对于不同的原子是相同的，但是由于估计误差以及噪声的影响，这里将原子尺度参数估计范围通过谱图粗略估计：下界取上界取其中N为信号采样点数。时间参数取(0，N)，取归一化频率(0，0.5)，相位取(0，2π)，由此给出了粒子搜索空间的大小。
S2、通过粒子群算法输出的粒子个体最优值获取跳频信号参数：
S21、对原子的频率参数按照上升排序，得到在0到fs/2之间的频率值fi，i＝1，…，M及其索引ind1；
S22、以最小频率分辨率或最小跳频频率间隔(若已知的情况下)为阈值th，通过下式求取fi的跳变时刻(并不是跳频信号的跳变时刻)对应的索引ind2′，
并加上粒子首尾两个值构成排序后的频率近似区间划分，即ind2＝[1；ind2′；M]；
S23、结合索引ind1和ind2找到这些近似频率对应的粒子，对所有区间内的频率参数值求平均获取跳频频率fk，k＝1，…，K，其中K表示跳变时刻个数；对所有区间内的时间参数值求平均获取跳频分量的时间中心位置tk，k＝1，…，K；由于粒子自身包含时间和频率两个参数，所以求得的是一致的，fk和tk为每个跳频分量的时频中心参数；
S24、对估计的tk，k＝1，…，K估计参数，按照上升排序，差分后求取平均值，得到跳频周期的估计值进一步，由k＝1，…，K获取各个跳变时刻估计值。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于粒子群优化的跳频信号参数估计方法，其特征在于，包括如下步骤：
S1、基于跳频信号的多分量模型，采用多峰函数粒子群算法从原始跳频信号中并行搜索跳频分量，寻找各个跳频周期内的时间和频率中心位置，实现粒子在跳频分量时频中心位置的聚集：
S11、采用粒子群局域模型：假设在D维空间有M个粒子，i＝1，2，…M，其每个粒子属性由位置xi＝(xi1，xi2，…，xiD)和速度vi＝(vi1，vi2，…viD)决定；同时记录其在搜索过程中所经历过的个体最优位置Pi＝(Pi1，Pi2，…，PiD)，邻域最优位置Pn＝(Pn1，Pn2，…，PnD)；对第t+1代的第i个粒子第d维方向上，通过以下公式更新粒子速度和位置：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>wv</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mrow>
<mn>1</mn>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>r</mi>
<mrow>
<mn>2</mn>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>n</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
xid(t+1)＝xid(t)+vid(t+1)；
i＝1，2，…，M and d＝1，2，…，D；
式中，w、c1和c2分别表示惯性权重和学习因子，r1和r2是0～1内的随机数，经过多次迭代，实现粒子在适应度函数的不同峰值位置聚集；
S12、粒子邻域确定：定义粒子i和j的测度如下：
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>|</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>j</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>|</mo>
</mrow>
式中，Pj表示第j个粒子当前个体最优位置，f(Pj)和f(xi)分别表示第j个粒子的个体最优适应度和当前粒子适应度；测度中的分母维度选择2，表示时间；
S13、原子库构建：选用实型高斯函数作为过完备库原子的原型函数，定义为：
其中，尺度因子sk控制原子时域方向所占宽度，参数tk、fk和分别表示高斯原子的时间中心和频率中心及其相位，是原子的规范化系数，k是原子索引，表示粒子个数；因此，D＝4，第二维表示时间，原子由一个参数集完全表示，分别潜在地表示跳频周期、每一跳频周期内的时间和频率中心及其相位；
S2、通过粒子群算法输出的粒子个体最优值获取跳频信号参数：
S21、对原子的频率参数按照上升排序，得到在0到fs/2之间的频率值fi，i＝1，…，M及其索引ind1，其中fs指的是处理系统的采样频率，对于一数字处理系统而言是确定的；
S22、如果最小跳频频率间隔已知，就以最小跳频频率间隔为阈值，如果最小跳频频率间隔不知，就以最小分辨率为阈值，通过下式求取fi的跳变时刻对应的索引ind2′，
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>d</mi>
<msup>
<mn>2</mn>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<munder>
<mi>arg</mi>
<mi>i</mi>
</munder>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>></mo>
<mi>t</mi>
<mi>h</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
并加上粒子首尾两个值构成排序后的频率近似区间划分，即ind2＝[1；ind2′；M]；
其中的粒子划分是指频率按照上升的顺序排列后，由阈值th获取频率突变位置粒子的索引，对粒子进行区间划分，ind2′就是求取各个突变时刻对应的粒子索引；
S23、结合索引ind1和ind2找到这些近似频率对应的粒子，对所有区间内的频率参数值求平均获取跳频频率fk，k＝1，…，K，其中K表示跳变时刻个数；对所有区间内的时间参数值求平均获取跳频分量的时间中心位置tk，k＝1，…，K；fk和tk为每个跳频分量的时频中心参数；
S24、对估计的tk，k＝1，…，K估计参数，按照上升排序，差分后求取平均值，得到跳频周期的估计值进一步，由获取各个跳变时刻估计值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510712920.0A CN105429722B (zh) | 2015-10-20 | 2015-10-20 | 一种基于粒子群优化的跳频信号参数估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510712920.0A CN105429722B (zh) | 2015-10-20 | 2015-10-20 | 一种基于粒子群优化的跳频信号参数估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105429722A CN105429722A (zh) | 2016-03-23 |
| CN105429722B true CN105429722B (zh) | 2017-12-12 |
Family
ID=55507684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510712920.0A Expired - Fee Related CN105429722B (zh) | 2015-10-20 | 2015-10-20 | 一种基于粒子群优化的跳频信号参数估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105429722B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110208869B (zh) * | 2019-07-08 | 2020-04-24 | 湖南师范大学 | 一种基于稀疏分解阈值设定的大地电磁信号去噪方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102158248A (zh) * | 2011-03-04 | 2011-08-17 | 西安电子科技大学 | 基于循环谱理论的ds/fh扩频信号参数估计方法 |
| CN104218973A (zh) * | 2014-09-15 | 2014-12-17 | 西安电子科技大学 | 基于Myriad滤波的跳频信号参数估计方法 |
-
2015
- 2015-10-20 CN CN201510712920.0A patent/CN105429722B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102158248A (zh) * | 2011-03-04 | 2011-08-17 | 西安电子科技大学 | 基于循环谱理论的ds/fh扩频信号参数估计方法 |
| CN104218973A (zh) * | 2014-09-15 | 2014-12-17 | 西安电子科技大学 | 基于Myriad滤波的跳频信号参数估计方法 |
Non-Patent Citations (5)
| Title |
|---|
| 《A New Time-Frequency Representation Based on Ambiguity Function Analysis and its Application in Parameter Estimation of FH Signals》;Jiantao Guo;《2008 4th International Conference on Wireless Communications, Networking and Mobile Computing》;20081014;1-4 * |
| Time-Frequency Analysis of Frequency Hopping Signals Based on Particle Swarm Optimization;Guo Jiantao;《Applied Mechanics and Materials》;20120826;第195-196卷;265-269 * |
| 基于粒子群算法的跳频信号参数估计;郭建涛;《计算机应用研究》;20100228;第27卷(第2期);512-514 * |
| 用于跳频分量搜索的环形拓扑粒子群算法;郭建涛;《信阳师范学院学报：自然科学版》;20140430;第27卷(第2期);267-270 * |
| 用于跳频分量选取的修正适应度距离比粒子群算法;郭建涛;《重庆邮电大学学报（自然科学版）》;20150228;第27卷(第1期);26-30 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105429722A (zh) | 2016-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106646410A (zh) | 宽带认知被动雷达架构下的学习‑感知‑决策‑响应方法 | |
| CN103346845B (zh) | 基于快速傅里叶变换的盲频谱感知方法及装置 | |
| Byun et al. | Sparse underwater acoustic channel parameter estimation using a wideband receiver array | |
| CN108680910A (zh) | 基于波形认知的调频广播外辐射源雷达目标检测方法 | |
| CN104485979A (zh) | 基于时频图修正的欠定混合跳频参数盲估计方法 | |
| CN107918146A (zh) | 一种基于非线性挤压s时频变换的弱信号检测方法 | |
| CN105429722B (zh) | 一种基于粒子群优化的跳频信号参数估计方法 | |
| Chen et al. | Unlocking signal processing with image detection: A frequency hopping detection scheme for complex EMI environments using STFT and CenterNet | |
| Hou et al. | Indoor localization for Bluetooth low energy using wavelet and smoothing filter | |
| Liu et al. | A novel signal separation algorithm for wideband spectrum sensing in cognitive networks | |
| CN105717490B (zh) | 基于时频分析的lfm信号分离及参数估计方法 | |
| Peng et al. | PRIDE: path integration based delay estimation in multi-device multi-path environments | |
| Angrisani et al. | The effect of Savitzky-Golay smoothing filter on the performance of a vehicular dynamic spectrum access method | |
| Barodia | Performance analysis of MUSIC algorithm for DOA estimation | |
| Han et al. | Time-domain UTD-PO analysis of a UWB pulse distortion by multiple-building diffraction | |
| Zhang et al. | Frequency-domain correlation: An asymptotically optimum approximation of quadratic likelihood ratio detectors | |
| CN103323853A (zh) | 一种基于小波包和双谱的鱼类识别方法及系统 | |
| Defrance et al. | Detecting arrivals within room impulse responses using matching pursuit | |
| CN109861721B (zh) | 一种基于压缩感知的跳频信号稀疏分解方法 | |
| Datta et al. | Detection Performance Analysis for Wideband Cognitive Radio Network: A Compressive Sensing Approach | |
| Wang et al. | Blind separation of instantaneous linear mixtures of cyclostationary signals | |
| Diamant | Computationally efficient calculations of target performance of the normalized matched filter detector for hydrocoustic signals | |
| Chen et al. | Bayesian sparse channel estimation and tracking | |
| Zhu et al. | A blind source separation-based anti-jamming method by space pre-whitening | |
| Cottatellucci | Capacity per unit area of distributed antenna systems with centralized processing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171212 Termination date: 20181020 |