CN105490764B - 一种信道模型校正方法和装置 - Google Patents

一种信道模型校正方法和装置 Download PDF

Info

Publication number
CN105490764B
CN105490764B CN201510920845.7A CN201510920845A CN105490764B CN 105490764 B CN105490764 B CN 105490764B CN 201510920845 A CN201510920845 A CN 201510920845A CN 105490764 B CN105490764 B CN 105490764B
Authority
CN
China
Prior art keywords
wavelet
denoising
test data
test
kalman
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.)
Active
Application number
CN201510920845.7A
Other languages
English (en)
Other versions
CN105490764A (zh
Inventor
贺晓伟
南作用
曹晓冬
叶青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201510920845.7A priority Critical patent/CN105490764B/zh
Publication of CN105490764A publication Critical patent/CN105490764A/zh
Application granted granted Critical
Publication of CN105490764B publication Critical patent/CN105490764B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明实施例提供一种信道模型校正方法和装置，涉及无线通信通信信道测试领域，以解决现有CW测试数据中存在噪声，导致的信道模型校正结果不够准确的问题。本发明实施例提供的方法包括：获取CW测试数据；其中，所述CW测试数据包含噪声；对所述CW测试数据进行小波分析去噪，得到第一测试数据；对所述第一测试数据进行卡尔曼滤波，得到第二测试信号；根据所述第二测试数据进行信道模型校正。

Description

一种信道模型校正方法和装置
技术领域
本发明实施例涉及无线通信通信信道测试领域，尤其涉及一种信道模型校正方法和装置。
背景技术
在无线网络规划中,使用传播模型可以有效地预测从发射端到接收端的路径损耗，但是由于不同地方的地理地貌、建筑、道路等传播环境是多变的,采用固定的传播模型得到的路径损耗的是不精准的,因此，需要根据实际测量环境对传播模型的公式进行校准，以提高网络质量,充分利用系统资源。
目前，主要通过对当地的实际无线环境作连续波(Continuous Wave，简称CW)测试，来实现传播模型的校正，如：使用接收设备采集连续波测试时传播信号的强度,然后分析处理采集到的相关数据，最后通过拟合等方法修正无线传播模型系数。
但是，在实际的CW测试过程中，由于设备内部噪声和外部信源的噪声干扰，使得经CW测试得到结果数据中通常包含大量的噪声，这严重影响信道模型的校正结果，使得信道模型的校正结果不够准确。
发明内容
本发明的实施例提供一种信道模型校正方法和装置，以解决现有CW测试数据中存在噪声，导致信道模型校正结果不够准确的问题。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，本发明实施例提供一种信道模型校正方法，包括：
获取CW测试数据；其中，所述CW测试数据包含噪声；
对所述CW测试数据进行小波分析去噪，得到第一测试数据；
对所述第一测试数据进行卡尔曼滤波，得到第二测试信号；
根据所述第二测试数据进行信道模型校正。
进一步的，在第一方面的一种可实现方式中，所述小波分析去噪中小波滤波器的小波分解长度N和小波分解尺度j根据所述卡尔曼滤波中的卡尔曼增益Gkl动态调整。
同时，所述卡尔曼滤波中的噪声方差根据所述小波分析去噪中小波系数的细节部分的绝对值的中值估计出。
如此，在小波分析去噪过程中，可以为卡尔曼滤波提供噪声方差的估计，而卡尔曼滤波运行中的卡尔曼增益可以为小波分析去噪动态的提供计算量调整依据，大大减少了计算量。
第二方面，本发明实施例提供一种信道模型校正装置，包括：
获取单元，用于获取CW测试数据；其中，所述CW测试数据包含噪声；
去噪单元，用于对所述获取单元获取到的CW测试数据进行小波分析去噪，得到第一测试数据；
以及，对所述第一测试数据进行卡尔曼滤波，得到第二测试信号；
校正单元，用于根据所述去噪单元得到的第二测试数据进行信道模型校正。
进一步的，在第二方面的一种可实现方式中，所述小波分析去噪中小波滤波器的小波分解长度N和小波分解尺度j根据所述卡尔曼滤波中的卡尔曼增益Gkl动态调整。
同时，所述卡尔曼滤波中的噪声方差根据所述小波分析去噪中小波系数的细节部分的绝对值的中值估计出。
由上可知，本发明实施例提供一种信道模型校正方法和装置，获取CW测试数据；其中，所述CW测试数据包含噪声，对所述CW测试数据进行小波分析去噪，得到第一测试数据，对所述第一测试数据进行卡尔曼滤波，得到第二测试信号，根据所述第二测试数据进行信道模型校正。如此，通过小波分析去噪和卡尔曼滤波联合对CW测试数据进行去噪，根据去噪后的数据进行信道模型校正，由于小波分析去噪可以去除信号中许多尖峰或突变、但不是平稳白噪声的信号，而卡尔曼滤波适于消除平稳的高斯白噪声干扰，二者的优势进行互补，提高了去噪的精度，进而提高了信道校正的准确性。同时，在小波分析去噪过程中，可以为卡尔曼滤波提供噪声方差的估计，而卡尔曼滤波运行中的卡尔曼增益可以为小波分析去噪动态的提供计算量调整依据，二者相互提供参数设定依据，大大减少了计算量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为小波分析去噪的原理框图；
图2为本发明实施例提供的系统原理框图；
图3为本发明实施例提供的一种信道模型校正方法的流程图；
图4为本发明实施例提供的一种信道模型校正装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“第一”、“第二”、“另一”等指示的系统或元件为基于实施例描述的具有一定功能的系统或元件，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的系统或元件必须有此命名，因此不能理解为对本发明的限制。
详细描述本方案之前，为了便于理解本发明所述的技术方案，对本发明中的一些重要名词进行详细解释：
小波分析去噪：主要用于去除信号中尖峰或突变等大颗粒噪声，首先将源信号通过两个滤波器分解为A和D两个信号：A表示信号的近似值(approximations)部分，即信号的低频分量；D表示信号的细节值(detail)部分，即信号的高频分量，然后，对低频分量和高频分量进一步分解，最后，将信号中的高频分量进行全部或部分置零处理后来消除源信号中的突变噪声。
具体如图1所示，将源信号S通过滤波器1得到A信号，将源信号S通过滤波器2得到B信号，滤波器1的特征函数为h(n)，滤波器2的特征函数为g(n)，则小波分析去噪中分解出的低频分量Aj(n)和高频分量Dj(n)分别为：
其中，j为小波分解尺度，用于表示通过滤波器得到的信号进一步分解的程度；N为小波分解长度，即信号观测窗口长度，用于表示进行小波分析去噪的信号的长度；j和N的取值可以根据噪声情况而定，在本发明实施例中，j和N的取值可以参考卡尔曼增益的变化来确定，具体见实施例部分。
最后，对高频分量部分置零，将处理后的高频分量和低频分量进行组合得到去噪后的信号序列：
卡尔曼滤波：主要用于消除信号中的高斯白噪声干扰，通过建立状态方程和测量方程来描述一个动态系统，并对动态系统的状态序列进行线性最小方差估计消除信号中的噪声。具体实现过程为：
首先建立k时刻的观测状态方程：
X(k)＝A(k|k-1)X(k-1)+W(k-1) (4)
以及测量方程：Z(k)＝H(k)X(k)+V(k) (5)
其中，式(4)中A(k|k-1)为k-1时刻至k时刻的状态转移矩阵，W(k-1)为系统激励噪声序列；式(5)中H(k)为测量矩阵，V(k)为测量噪声序列，W(k)和V(k)是相互独立的高斯白噪声。
然后，建立系统状态预测方程：
计算对应于X(k)的预测误差协方差矩阵：
P(k+1|k)＝A(k+1|k)P(k)AT(k+1|k)+Q(k) (7)
其中，式(7)中的Q(k)是系统测量过程中噪声的方差矩阵，通常由实验获得，本发明实施例在此不进行限定。
在对k时刻的状态向量X(k)进行预测之后，利用测量方程(5)得到k+1时刻的测量值Z(k+1)，并利用测量值Z(k+1)对预测值进行修正，从而得到k+1时刻状态向量X(k+1)的滤波估计值
最后，根据下述公式计算得到卡尔曼增益矩阵G(k+1)：
G(k+1)＝P(k+1|k)HT(k+1)[H(k+1)P(k+1|k)HT(k+1)+R(k)]-1 (8)
其中R(k)是系统观测噪声方差矩阵。
通过卡尔曼增益及预测值得到修正的k+1时刻的滤波估计值：
最后更新误差协方差矩阵，用于下一时刻的滤波过程：
P(k+1)＝(I-G(k+1)H(k+1)))P(k+1|k) (10)
其中，I表示单位矩阵，对于单模型单测量，I＝1。
需要理解的是，上述名词为本领域技术人员为了描述方便常用的命名，并不代表或暗示所指的系统或元件必须有此命名，因此不能理解为对本发明的限制。
本发明的基本原理为：由于，小波分析去噪可以去除信号中许多尖峰或突变、但不是平稳白噪声的信号，而卡尔曼滤波适于消除平稳的高斯白噪声干扰，鉴于此，本发明实施例将二者优势进行互补，通过小波分析去噪和卡尔曼滤波联合对CW测试数据进行去噪，根据去噪后的数据进行信道模型校正。例如，图2为本发明实施例提供的去除CW测试数据中的噪声的原理框图，如图2所示，先对CW测试数据进行小波分析去噪，进行第一次滤波去噪，然后，再对经小波分析去噪后的数据进行卡尔曼滤波，进行第二次滤波去噪，去除数据中平稳的高斯白噪声，共同去除CW测试数据中的噪声；此外，如图2所示，小波分析去噪过程中，可以为卡尔曼滤波提供噪声方差的估计，而卡尔曼滤波运行中的卡尔曼增益可以为小波分析去噪动态的提供计算量调整依据，二者相互之间提供参数依据，不需要增加额外的计算过程，大大减少了计算量。
为了便于描述，以下实施例一以步骤的形式示出并详细描述了本发明中的信道模型校正方法，其中，示出的步骤也可以在信道模型校正装置之外的诸如一组可执行指令的计算机系统中执行，此外，虽然在图中示出了逻辑顺序，但是在某些可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
图3为本发明实施例提供的一种信道模型校正方法的流程图，如图3所示，所述方法可以包括：
步骤101:获取连续波CW测试数据；其中，所述CW测试数据包含噪声。
可选的，可以通过现有技术对当地的实际环境作连续波(Continuous Wave，简称：CW)测试获取CW测试数据，在此不再详细赘述。
步骤102：对所述CW测试数据进行小波分析去噪，得到第一测试数据。
可选的，可以采用上述小波分析去噪原理对所述CW测试数据进行小波分析去噪，去除CW测试数据中尖峰或突变的噪声，得到第一测试数据。
步骤103：对所述第一测试数据进行卡尔曼滤波，得到第二测试信号。
可选的，可以采用上述卡尔曼滤波原理对所述第一测试数据进行卡尔曼滤波，去除第一测试数据中平稳的高斯白噪声，得到第二测试数据。
步骤104：根据所述第二测试数据进行信道模型校正。
可选的，可以通过现有信道模型校正方法，利用第二测试数据进行信道模型校正，本发明实施例对比不再详细描述。
如此，由于小波分析去噪可以去除信号中许多尖峰或突变、但不是平稳白噪声的信号，而卡尔曼滤波适于消除平稳的高斯白噪声干扰，二者优势进行互补，通过小波分析去噪和卡尔曼滤波联合对CW测试数据进行去噪，达到了很好的去噪效果，进而提高了根据该去噪后的数据进行信道模型校正的准确性。
进一步的，如前所述，在小波分析去噪过程中需要预先设定合适的小波分解尺度j和小波分解长度N，才能提高小波分析去噪效率，为解决该问题，优选的，在本发明实施例中，可以根据卡尔曼滤波中得到的卡尔曼增益Gkl的变化来动态调整小波分析滤波中的小波分解长度N和小波分解尺度j，以节省处理时间和存储空间；具体的，动态调节过程如下所示：
小波分解尺度
小波分解长度
其中，a1～a5为预设的从大到小的一些分解尺度，G1、G2、G3、G4分解为预设的从小到大的一些增益值，本发明实施例对a1～a5以及G1～G4的取值不进行限定，小波分解尺度j可以根据Gkl的不同确定为a1～a5中的任一分解尺度，Gkl越大，分解尺度越少。
N0为预设的小波分解长度，本发明实施例对比不进行限定。需注意的是，这里的调节区间可根据不同地区测量结果和滤波精度需求进行调整，此处仅示例性的将小波分解尺度分为五个尺度，需理解的是，小波分解尺度可分解的尺度包括但不限于上述5种。
其中，
进一步的，如前所述，在卡尔曼滤波过程中需要获知噪声的统计特性，如上述公式(8)中的R(k)，才能进行卡尔曼滤波，为解决该问题，优选的，在本发明实施例中，可以通过小波分析去噪中高频分量的绝对值的中值估计出含噪信号的噪声方差R，作为上述公式中的R(k)：
其中，Dj为小波分析去噪中的高频分量。
进一步的，本发明实施例还可以通过下述公式对去除噪声后的第二测试数据进行效果评估：
其中，x(n)为包含噪声的源信号，第二测试数据，例如，计算得到的MSE滤波值＝0.0081远小于MSE含噪值＝0.0559，说明去噪结果更贴近于真实值，可以看到，本滤波装置可以有效跟踪数据的变化，减小了CW测试数据中噪声的干扰，可更好的提高信道模型校正的准确性。
由上可知，本发明实施例提供一种信道模型校正方法，获取CW测试数据；其中，所述CW测试数据包含噪声，对所述CW测试数据进行小波分析去噪，得到第一测试数据，对所述第一测试数据进行卡尔曼滤波，得到第二测试信号，根据所述第二测试数据进行信道模型校正。如此，通过小波分析去噪和卡尔曼滤波联合对CW测试数据进行去噪，根据去噪后的数据进行信道模型校正，由于小波分析去噪可以去除信号中许多尖峰或突变、但不是平稳白噪声的信号，而卡尔曼滤波适于消除平稳的高斯白噪声干扰，二者的优势进行互补，提高了去噪的精度，进而提高了信道校正的准确性。同时，在小波分析去噪过程中，可以为卡尔曼滤波提供噪声方差的估计，而卡尔曼滤波运行中的卡尔曼增益可以为小波分析去噪动态的提供计算量调整依据，二者相互提供参数设定依据，大大减少了计算量。
根据本发明实施例，本发明下述实施例还提供了一种信道模型校正装置20，优选地用于实现上述方法实施例中的方法。
实施例二
图4为本发明实施例提供的一种信道模型校正装置20的结构图，如图4所示，所述装置可以包括：
获取单元，用于获取CW测试数据；其中，所述CW测试数据包含噪声。
去噪单元，用于对所述获取单元获取到的CW测试数据进行小波分析去噪，得到第一测试数据；
以及，对所述第一测试数据进行卡尔曼滤波，得到第二测试信号；
校正单元，用于根据所述去噪单元得到的第二测试数据进行信道模型校正。
可选的，所述小波分析去噪中小波滤波器的小波分解长度N和小波分解尺度j根据所述卡尔曼滤波中的卡尔曼增益Gkl动态调整。
具体的，所述小波分解尺度j为：
所述小波分解长度N为：
其中，a1～a5为分解尺度，Gkl越大，分解尺度越少，所需计算量越小。N0为预设小波分解长度。需注意的是，这里的调节区间可根据不同地区测量结果和滤波精度需求进行调整，此处分为五层仅供参考，且N0可以根据需要进行设置，本发明实施例对比不进行限定。
可选的，本发明实施例中，所述卡尔曼滤波中的噪声方差根据所述小波分析去噪中小波系数的细节部分的绝对值的中值估计出。
具体的，所述卡尔曼滤波中的噪声方差R为：
其中，Dj为所述小波分析去噪中细节部分的分量。
由上可知，本发明实施例提供一种信道模型校正装置，获取CW测试数据；其中，所述CW测试数据包含噪声，对所述CW测试数据进行小波分析去噪，得到第一测试数据，对所述第一测试数据进行卡尔曼滤波，得到第二测试信号，根据所述第二测试数据进行信道模型校正。如此，通过小波分析去噪和卡尔曼滤波联合对CW测试数据进行去噪，根据去噪后的数据进行信道模型校正，由于小波分析去噪可以去除信号中许多尖峰或突变、但不是平稳白噪声的信号，而卡尔曼滤波适于消除平稳的高斯白噪声干扰，二者的优势进行互补，提高了去噪的精度，进而提高了信道校正的准确性。同时，在小波分析去噪过程中，可以为卡尔曼滤波提供噪声方差的估计，而卡尔曼滤波运行中的卡尔曼增益可以为小波分析去噪动态的提供计算量调整依据，二者相互提供参数设定依据，大大减少了计算量。
需要说明的是，本发明图4所示设备中的获取单元可以为一通信单元；去噪单元、校正单元可以为单独设立的处理器，也可以集成在网络故障时间定位设备的某一个处理器中实现，此外，也可以以程序代码的形式存储于网络故障时间定位设备的存储器中，由信道模型校正设备的某一个处理器调用并执行以上知识库构建的功能。这里所述的处理器可以是一个中央处理器(Central Processing Unit，CPU)，或者是特定集成电路(ApplicationSpecific Integrated Circuit，ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种信道模型校正方法，其特征在于，包括：
获取连续波CW测试数据；其中，所述CW测试数据包含噪声；
对所述CW测试数据进行小波分析去噪，得到第一测试数据，其中，所述小波分析去噪中小波滤波器的小波分解长度N和小波分解尺度j根据卡尔曼滤波中的卡尔曼增益Gkl动态调整；
对所述第一测试数据进行所述卡尔曼滤波，得到第二测试数据；
根据所述第二测试数据进行信道模型校正；
所述小波分析去噪中小波滤波器的小波分解长度N和小波分解尺度j根据所述卡尔曼滤波中的卡尔曼增益Gkl动态调整具体为：
所述小波分解尺度
所述小波分解长度N为：
其中，a1～a5为预设的从大到小排列的分解尺度，G1～G4为预设的从小到大排列的增益值，N0为预设的小波分解长度。
2.根据权利要求1所述的方法，其特征在于，所述卡尔曼滤波中的噪声方差根据所述小波分析去噪中高频分量的绝对值的中值估计出来。
3.一种信道模型校正装置，其特征在于，包括：
获取单元，用于获取连续波CW测试数据；其中，所述CW测试数据包含噪声；
去噪单元，用于对所述获取单元获取到的CW测试数据进行小波分析去噪，得到第一测试数据，其中，所述小波分析去噪中小波滤波器的小波分解长度N和小波分解尺度j根据卡尔曼滤波中的卡尔曼增益Gkl动态调整；
以及，对所述第一测试数据进行卡尔曼滤波，得到第二测试数据；
校正单元，用于根据所述去噪单元得到的第二测试数据进行信道模型校正；
所述小波分析去噪中小波滤波器的小波分解长度N和小波分解尺度j根据所述卡尔曼滤波中的卡尔曼增益Gkl动态调整具体为：
所述小波分解尺度
所述小波分解长度N为：
其中，a1～a5为预设的从大到小排列的分解尺度，G1～G4为预设的从小到大排列的增益值，N0为预设的小波分解长度。
4.根据权利要求3所述的装置，其特征在于，所述卡尔曼滤波中的噪声方差根据所述小波分析去噪中高频分量的绝对值的中值估计出来。
CN201510920845.7A 2015-12-11 2015-12-11 一种信道模型校正方法和装置 Active CN105490764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510920845.7A CN105490764B (zh) 2015-12-11 2015-12-11 一种信道模型校正方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510920845.7A CN105490764B (zh) 2015-12-11 2015-12-11 一种信道模型校正方法和装置

Publications (2)

Publication Number Publication Date
CN105490764A CN105490764A (zh) 2016-04-13
CN105490764B true CN105490764B (zh) 2018-05-11

Family

ID=55677521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510920845.7A Active CN105490764B (zh) 2015-12-11 2015-12-11 一种信道模型校正方法和装置

Country Status (1)

Country Link
CN (1) CN105490764B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109617839B (zh) * 2018-11-21 2021-03-02 重庆邮电大学 一种基于卡尔曼滤波算法的莫尔斯信号检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101084451A (zh) * 2004-11-24 2007-12-05 SiRF技术公司 基准振荡器频率校正系统
CN102902846A (zh) * 2012-09-14 2013-01-30 华北电力大学 一种基于海量数据的缓变参数状态检测方法
CN103116134A (zh) * 2013-02-07 2013-05-22 哈尔滨工业大学 双余度舵机剩余寿命预测装置及实现双余度舵机剩余寿命的预测方法
CN103676649A (zh) * 2013-10-09 2014-03-26 江苏师范大学 局部自适应小波神经网络训练系统、设备及方法
CN103838970A (zh) * 2014-03-07 2014-06-04 武汉理工大学 面向深海船舶动力定位的高精度实时状态估计方法及系统
CN104751000A (zh) * 2015-04-12 2015-07-01 北京理工大学 一种机电复合传动状态监测信号小波降噪方法
CN104898148A (zh) * 2015-06-02 2015-09-09 北京航空航天大学 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法
CN104993807A (zh) * 2015-07-16 2015-10-21 北京交大思诺科技股份有限公司 一种用于应答器上行链路信号处理的滤波方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101084451A (zh) * 2004-11-24 2007-12-05 SiRF技术公司 基准振荡器频率校正系统
CN102902846A (zh) * 2012-09-14 2013-01-30 华北电力大学 一种基于海量数据的缓变参数状态检测方法
CN103116134A (zh) * 2013-02-07 2013-05-22 哈尔滨工业大学 双余度舵机剩余寿命预测装置及实现双余度舵机剩余寿命的预测方法
CN103676649A (zh) * 2013-10-09 2014-03-26 江苏师范大学 局部自适应小波神经网络训练系统、设备及方法
CN103838970A (zh) * 2014-03-07 2014-06-04 武汉理工大学 面向深海船舶动力定位的高精度实时状态估计方法及系统
CN104751000A (zh) * 2015-04-12 2015-07-01 北京理工大学 一种机电复合传动状态监测信号小波降噪方法
CN104898148A (zh) * 2015-06-02 2015-09-09 北京航空航天大学 一种基于数据压缩和神经网络的低成本ins/gps无缝导航方法
CN104993807A (zh) * 2015-07-16 2015-10-21 北京交大思诺科技股份有限公司 一种用于应答器上行链路信号处理的滤波方法

Also Published As

Publication number Publication date
CN105490764A (zh) 2016-04-13

Similar Documents

Publication Publication Date Title
Liu et al. Coupling the k-nearest neighbor procedure with the Kalman filter for real-time updating of the hydraulic model in flood forecasting
US7148702B2 (en) VNA and method for addressing transmission line effects in VNA measurement data
CN110068797B (zh) 一种校准麦克风阵列的方法、声源定位方法及相关设备
CN111323795A (zh) 一种北斗变形监测中多路径误差的削弱方法
CN101009925A (zh) 定位技术
CN112713881A (zh) 一种基于边缘计算的同步时钟维持系统与方法
CN105490764B (zh) 一种信道模型校正方法和装置
CN102289715A (zh) 基于前向线性预测的自适应小波神经网络去噪建模方法
US11344211B2 (en) HMM-based adaptive spectrogram track method
CN111756353B (zh) 一种基于非线性融合滤波的液位仪噪声优化方法
CN104412115B (zh) 衰落多普勒频率估计装置和衰落多普勒频率估计方法
DE102015205393A1 (de) Verfahren für eine Distanzmessung zwischen Vorrichtungen zur drahtlosen Kommunikation in einem System zur drahtlosen Kommunikation
Ghibaudo et al. A Sparse adaptive Bayesian filter for input estimation problems
CN106153046B (zh) 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法
US6490535B1 (en) Method and apparatus for calibrating an instrument
CN109655081B (zh) 星敏感器光学系统参数在轨自适应校正方法及系统
CN109725188B (zh) 一种电流测量方法和装置
CN113810854B (zh) 终端运动轨迹的确定方法和服务器
CN109581254B (zh) 相位偏差获取方法及系统、相位校准方法及系统
Ribereau et al. Estimating return levels from maxima of non-stationary random sequences using the Generalized PWM method
CN115932913A (zh) 一种卫星定位伪距修正方法及装置
Ma et al. Outlier correction method of telemetry data based on wavelet transformation and Wright criterion
CN107167670B (zh) 一种基于脉冲噪声环境下的电磁辐射测量修正方法
CN114742006B (zh) 基于fw-esn的石英晶振动态温频特性建模方法
CN110929849A (zh) 一种神经网络模型的压缩方法和装置

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