CN107872236A - 用于检查另一信号的频谱的信号去除 - Google Patents

用于检查另一信号的频谱的信号去除 Download PDF

Info

Publication number
CN107872236A
CN107872236A CN201710683990.7A CN201710683990A CN107872236A CN 107872236 A CN107872236 A CN 107872236A CN 201710683990 A CN201710683990 A CN 201710683990A CN 107872236 A CN107872236 A CN 107872236A
Authority
CN
China
Prior art keywords
signal
digitized
delay
extraction
mixed
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.)
Granted
Application number
CN201710683990.7A
Other languages
English (en)
Other versions
CN107872236B (zh
Inventor
P·S·威滕伯格
P·彼得
S·R·劳
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.)
Boeing Co
HRL Laboratories LLC
Original Assignee
Boeing Co
HRL Laboratories LLC
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 Boeing Co, HRL Laboratories LLC filed Critical Boeing Co
Publication of CN107872236A publication Critical patent/CN107872236A/zh
Application granted granted Critical
Publication of CN107872236B publication Critical patent/CN107872236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B1/06—Receivers
    • H04B1/16—Circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065—Analogue means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/175—Spectrum analysis; Fourier analysis by delay means, e.g. tapped delay lines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G01R23/165—Spectrum analysis; Fourier analysis using filters
    • G01R23/167—Spectrum analysis; Fourier analysis using filters with digital filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F3/00—Amplifiers with only discharge tubes or only semiconductor devices as amplifying elements
    • H03F3/189—High frequency amplifiers, e.g. radio frequency amplifiers
    • H03F3/19—High frequency amplifiers, e.g. radio frequency amplifiers with semiconductor devices only
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0294—Variable filters; Programmable filters
    • 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
    • H04B1/0003—Software-defined radio [SDR] systems, i.e. systems wherein components typically implemented in hardware, e.g. filters or modulators/demodulators, are implented using software, e.g. by involving an AD or DA conversion stage such that at least part of the signal processing is performed in the digital domain
    • H04B1/0007—Software-defined radio [SDR] systems, i.e. systems wherein components typically implemented in hardware, e.g. filters or modulators/demodulators, are implented using software, e.g. by involving an AD or DA conversion stage such that at least part of the signal processing is performed in the digital domain wherein the AD/DA conversion occurs at radiofrequency or intermediate frequency stage
    • 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
    • H04B1/06—Receivers
    • H04B1/10—Means associated with receiver for limiting or suppressing noise or interference
    • H04B1/12—Neutralising, balancing, or compensation arrangements
    • H04B1/123—Neutralising, balancing, or compensation arrangements using adaptive balancing or compensation means
    • 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
    • H04B1/06—Receivers
    • H04B1/10—Means associated with receiver for limiting or suppressing noise or interference
    • H04B1/12—Neutralising, balancing, or compensation arrangements
    • H04B1/123—Neutralising, balancing, or compensation arrangements using adaptive balancing or compensation means
    • H04B1/126—Neutralising, balancing, or compensation arrangements using adaptive balancing or compensation means having multiple inputs, e.g. auxiliary antenna for receiving interfering signal
    • 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
    • H04B1/06—Receivers
    • H04B1/16—Circuits
    • H04B1/1638—Special circuits to enhance selectivity of receivers not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03F—AMPLIFIERS
    • H03F2200/00—Indexing scheme relating to amplifiers
    • H03F2200/451—Indexing scheme relating to amplifiers the amplifier being a radio frequency amplifier
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H2017/0072—Theoretical filter design
    • H03H2017/0081—Theoretical filter design of FIR filters
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H2017/0072—Theoretical filter design
    • H03H2017/009—Theoretical filter design of IIR filters
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/02—Amplitude-modulated carrier systems, e.g. using on-off keying; Single sideband or vestigial sideband modulation
    • H04L27/04—Modulator circuits; Transmitter circuits
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/02—Amplitude-modulated carrier systems, e.g. using on-off keying; Single sideband or vestigial sideband modulation
    • H04L27/08—Amplitude regulation arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/18—Phase-modulated carrier systems, i.e. using phase-shift keying
    • H04L27/20—Modulator circuits; Transmitter circuits

Abstract

用于检查另一信号的频谱的信号去除。一种用于去除提取的RF信号(122)以检查至少一个其它RF信号的频谱的方法(600)包括：由ADC(112)接收(602)混合信号(108)。所述混合信号包括来自不同信号源(106a‑106n)的多个单独的源信号(104a‑104n)。由ADC对混合信号进行数字化(606)。生成相同的第一数字化信号(116)和第二数字化信号(120)。将第一数字化信号延迟(608)预定时间延迟，并且在神经形态信号处理器(118)中处理(610)第二数字化信号以提取提取信号(122)。所述预定时间延迟对应于在神经形态信号处理器中嵌入(204)的延迟。基于第一数字化信号的相位延迟和幅度来调节(614)提取信号的相位延迟和幅度。从第一数字化信号对消(616)经调节的提取信号(130)以提供用于检查的输入检查信号(134)。

Description

用于检查另一信号的频谱的信号去除
技术领域
本公开涉及通信、通信信号的检查或分析，更具体地，涉及用于检查诸如较低电平信号的另一信号的频谱的信号去除。
背景技术
当与较大电平信号组合接收低电平信号时，对于幅度比具有较大幅度的另一信号低的低电平信号的频谱的检查，存在动态范围限制。使用基于快速傅里叶变换(FFT)的频谱分析常常受到FFT滤波器的旁瓣限制，而对消(cancellation)系统具有相对慢的响应时间。因此，需要一种不经受上述缺点的用于信号去除以检查较低电平信号的频谱的系统和方法。
发明内容
根据实施方式，一种用于去除提取的射频(RF)信号以检查至少一个其它RF信号的频谱的方法包括由模数转换器(ADC)接收混合信号。该混合信号包括来自不同的信号源的多个单独的源信号。该方法还包括由ADC将混合信号数字化并且生成第一数字化信号和第二数字化信号。第一数字化信号与第二数字化信号相同或一样。该方法另外包括将第一数字化信号延迟预定时间延迟并且在神经形态(neuromorphic)信号处理器中处理第二数字化信号以从第二数字化信号中提取提取信号。第一数字化信号的预定时间延迟对应于在神经形态信号处理器中嵌入的延迟。该方法还包括基于第一数字化信号的相位延迟和幅度来调节提取信号的相位延迟和幅度。该方法还包括从第一数字化信号对消经经调节的提取信号以提供输入检查信号。
根据另一实施方式，一种用于去除提取的射频(RF)信号以检查至少一个其它RF信号的频谱的系统包括用于接收混合信号的模数转换器(ADC)。该混合信号包括来自不同的信号源的多个单独的源信号。ADC将混合信号数字化并生成第一数字化信号和第二数字化信号。第一数字化信号与第二数字化信号相同或一样。该系统还包括用于将第一数字化信号延迟预定时间延迟的延迟电路。该系统还包括神经形态信号处理器，所述神经形态信号处理器用于处理第二数字化信号以从第二数字化信号中提取提取信号。第一数字化信号的预定时间延迟对应于在神经形态信号处理器中嵌入的延迟。该系统另外包括信号相位和幅度调节模块，所述信号相位和幅度调节模块基于第一数字化信号的相位延迟和幅度来调节提取信号。设置求和结点以用于从第一数字化信号对消经调节的提取信号以提供输入检查信号。
根据另外的实施方式，一种用于去除提取的射频(RF)信号以检查至少一个其它RF信号的频谱的计算机程序产品包括实现有程序指令的计算机可读存储介质。该计算机可读存储介质不是瞬时介质本身。程序指令可被装置执行以使得装置执行一种方法，该方法包括：由模数转换器(ADC)接收混合信号，该混合信号包括来自不同的信号源的多个单独的源信号。该方法还包括：由ADC将混合信号数字化并且生成第一数字化信号和第二数字化信号。第一数字化信号与第二数字化信号相同或一样。该方法还包括：将第一数字化信号延迟预定时间延迟，并且在神经形态信号处理器中处理第二数字化信号，以从第二数字化信号中提取提取信号。第一数字化信号的预定时间延迟对应于在神经形态信号处理器中嵌入的延迟。该方法另外包括：基于第一数字化信号的相位延迟和幅度来调节提取信号的相位延迟和幅度。该方法还包括：从第一数字化信号对消调节的提取信号以提供输入检查信号。
根据另一实施方式或者前述任何实施方式，该方法还包括：在混合信号被ADC接收之前，将混合信号放大。混合信号被放大至预定幅度以便由ADC进行采样。
根据另一实施方式或者前述任何实施方式，该方法还包括：确定提取信号和第一数字化信号的相位延迟和幅度，并且基于第一数字化信号的相位延迟和幅度来生成对提取信号的调节。
根据另一实施方式或者前述任何实施方式，调节提取信号的相位延迟和幅度包括：生成相位与第一数字化信号相差180度的经调节的提取信号。
根据另一实施方式或者前述任何实施方式，在神经形态信号处理器中处理第二数字化信号包括：由神经形态信号处理器接收第二数字化信号；基于第二数字化信号生成嵌入延迟的混合信号；将嵌入延迟的混合信号线性地映射到储备池(reservoir)中；通过将嵌入延迟的混合信号与多个储备池状态组合来创建混合信号的多维状态空间表示；以及基于混合信号的多维状态空间表示识别共同地形成混合信号的多个单独的源信号中的至少一个单独的源信号。所识别出的至少一个单独的源信号是提取信号。
根据另一实施方式或者前述任何实施方式，该方法还包括：将多维状态空间表示线性地映射至输出层中的一个或更多个输出节点以生成预滤波信号的集合。
根据另一实施方式或者前述任何实施方式，该方法还包括：通过对预滤波信号进行自适应滤波来识别多个单独的源信号中的至少一个单独的源信号。
根据另一实施方式或者前述任何实施方式，对预滤波信号进行自适应滤波包括：使预滤波信号经过一组自适应滤波器，其中，各个预滤波信号被供应到所述一组自适应滤波器中的独特滤波器中，各个独特滤波器具有自适应中心频率.
根据另一实施方式或者前述任何实施方式，输出层包括输出节点的集合。各个输出节点从各个储备池处理节点接收加权输出作为输入，并且各个输出节点对各个输入的值求和，以生成输出节点的输出。
根据另一实施方式或者前述任何实施方式，输出层中的各个输出节点在其输入连接上包括独特且自适应的输出权重的集合，使得一个或更多个混合信号或第二数字化信号被传递到神经形态信号处理器中。自适应输出权重被配置为使得给定输出节点的输出放大源信号的子集，同时抑制其它源信号。
根据另一实施方式或者前述任何实施方式，该方法还包括：基于各个自适应滤波器的输出来获得误差信号。该误差信号用于更新自适应滤波器的自适应中心频率并且更新输出层中的自适应输出权重。
根据另一实施方式或者前述任何实施方式，该系统还包括放大器，在混合信号被ADC接收之前，所述放大器放大混合信号。该放大器将混合信号放大至预定幅度以便由ADC进行采样。
根据另一实施方式或者前述任何实施方式，该系统还包括相位延迟和幅度计算模块，其用于确定提取信号和第一数字化信号的相位延迟和幅度，并且基于第一数字化信号的相位延迟和幅度来生成对提取信号的调节。
根据另一实施方式或者前述任何实施方式，该系统还包括信号相位和幅度调节模块，其用于基于第一数字化信号来调节提取信号的相位延迟和幅度。
根据另一实施方式或者前述任何实施方式，信号相位和幅度调节模块调节提取信号的相位延迟以生成相位与第一数字化信号相差180度的经调节的提取信号。
根据另一实施方式或者前述任何实施方式，神经形态信号处理器包括延迟嵌入模块、储备池、输出层和自适应滤波器组。延迟嵌入模块被配置为接收第二数字化信号并生成嵌入延迟的混合信号。储备池被配置为将嵌入延迟的混合信号线性地映射到储备池中以通过将嵌入延迟的混合信号与多个储备池状态组合来创建混合信号的多维状态空间表示。输出层被配置为通过将状态空间表示线性地映射至输出层中的一个或更多个输出节点来生成预滤波信号的集合。滤波器组被配置为通过经由一组自适应滤波器处理预滤波信号来生成共同地形成混合信号的单独的源信号，所述单独的源信号中的至少一个被识别为提取信号。
根据另一实施方式或者前述任何实施方式，储备池包括多个处理节点，并且输出层包括输出节点的集合。各个输出节点从各个储备池处理节点接收加权输出作为输入。各个输出节点将这些值加到一起，以生成其输出权重。各个输出节点的输出权重放大源信号的子集，同时抑制其它源信号。从单独的源信号中识别提取信号。
所讨论的特征、功能和优点可在各种实施方式中独立地实现，或者可在其它实施方式中被组合，其进一步的细节可参见以下描述和附图。
附图说明
图1是根据本公开的实施方式的用于从混合信号中去除提取信号以分析混合信号中的至少一个其它信号的系统的示例的示意性框图。
图2是根据本公开的另一实施方式的用于提取信号的神经形态信号处理器的示例的示意性框图。
图3是图2的神经形态信号处理器的延迟嵌入模块的示例的示意性框图。
图4是图2的神经形态信号处理器的储备池的示例的示意性框图。
图5是图2的神经形态信号处理器的储备池和输出层的示例的示意性框图。
图6是根据本公开的实施方式的用于从混合信号中去除提取信号以分析混合信号中的至少一个其它信号的方法的示例的流程图。
图7是根据本公开的实施方式的从混合信号中提取特定信号的方法的示例的流程图。
具体实施方式
实施方式的以下详细描述参考了附图，附图示出本公开的特定实施方式。具有不同结构和操作的其它实施方式没有脱离本公开的范围。在不同的图中，相似的标号可表示相同的元件或组件。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可包括具有计算机可读程序指令的计算机可读存储介质，所述指令使得处理器实现本公开的各方面。
计算机可读存储介质可以是可保持并存储便于指令执行装置使用的指令的有形装置。计算机可读存储介质可以是(例如，但不限于)电子存储装置、磁存储装置、光学存储装置、电磁存储装置、半导体存储装置或者上述装置的任何合适的组合。计算机可读存储介质的更具体示例的非穷尽性列表包括：便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、静态随机存取存储器(SRAM)、便携式紧凑盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码的装置(例如，记录有指令的穿孔卡片或凹槽中的突起结构)以及上述装置的任何合适的组合。如本文所用，计算机可读存储介质不应被解释为是瞬时信号本身，例如无线电波或其它自由传播的电磁波、通过波导或其它传输介质传播的电磁波(例如，穿过光纤线缆的光脉冲)、或者通过导线发送的电信号。
本文所述的计算机可读程序指令可从计算机可读存储介质被下载到各个计算/处理装置或者经由网络(例如，互联网、局域网、广域网和/或无线网络)被下载到外部计算机或外部存储装置。网络可包括铜传输线缆、传输光纤、无线传输、路由器、防火墙、开关、网关计算机和/或边缘服务器。各个计算/处理装置中的网络适配卡或网络接口从网络接收计算机可读程序指令并且转发计算机可读程序指令以用于存储在各个计算/处理装置内的计算机可读存储介质中。
用于实现本公开的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、依赖机器的指令、微码、固件指令、状态设置数据、或者以一个或更多个编程语言的任何组合编写的源代码或对象代码，包括面向对象的编程语言(例如，Smalltalk、C++等)以及传统过程编程语言(例如，“C”编程语言或相似的编程语言)。计算机可读程序指令可完全在用户的计算机上执行，部分地在用户的计算机上执行，作为独立软件包执行，部分地在用户的计算机上并且部分地在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种场景中，远程计算机可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接至用户的计算机，或者可对外部计算机(例如，利用互联网服务提供商通过互联网)进行连接。在一些实施方式中，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可通过利用计算机可读程序指令的状态信息将电子电路个性化来执行计算机可读程序指令，以便执行本公开的各方面。
本文中参照根据本公开的实施方式的方法、设备(系统)和计算机程序产品的流程图和/或框图来描述本公开的各方面。将理解，流程图和/或框图中的各个方框以及流程图和/或框图中的方框的组合可由计算机可读程序指令来实现。
这些计算机可读程序指令可被提供给通用计算机、专用计算机或者其它可编程数据处理设备的处理器以生成机器，使得经由计算机或其它可编程数据处理设备的处理器执行的指令创建用于实现流程图和/或框图方框中所指定的功能/行为的手段。这些计算机可读程序指令也可被存储在计算机可读存储介质中，其可指导计算机、可编程数据处理设备和/或其它装置按照特定方式起作用，使得存储有指令的计算机可读存储介质包括制品，该制品包括实现流程图和/或框图方框中所指定的功能/行为的方面的指令。
计算机可读程序指令也可被加载到计算机、其它可编程数据处理设备或其它装置上以使得在计算机、其它可编程设备或其它装置上执行一系列操作步骤以生成计算机实现的处理，使得在计算机、其它可编程设备或其它装置上执行的指令实现流程图和/或框图方框中所指定的功能/行为。
图1是根据本公开的实施方式的用于从混合信号去除提取信号以分析混合信号中的至少一个其它信号的系统100的示例的示意性框图。至少一个其它信号可以是幅度比去除的信号低的较低电平信号。因此，系统100可用于去除信号以检查电平比去除的信号低的信号的频谱。
系统100包括一个或更多个天线102，其从多个不同的射频(RF)信号源106a-106n接收RF源信号104a-104n。RF源信号104a-104n或RF源信号104a-104n的部分可由天线102同时接收并随时间形成混合信号108。由天线102接收的RF源信号104a-104n的部分可在时间上部分地交叠。系统100还包括放大器110以用于从天线102接收混合信号108。放大器110将混合信号108放大至使得混合信号的幅度足以由模数转换器(ADC)112对混合信号108进行采样的电平。因此，放大器110将混合信号108放大至允许ADC有效地对混合信号108进行采样或数字化的预定电平或幅度。根据示例，混合信号108需要被放大，这是因为一些源信号104a-104n或者分析所关注的源信号可具有显著小于形成混合信号108的其它源信号104a-104n的幅度，并且混合信号108的放大还放大混合信号108内的所关注的源信号，以使得可如本文所述从混合信号108或者从混合信号108的数字表示提取并去除另一更高幅度的源信号，以便于所关注的源信号的分析。
ADC 112对混合信号108进行采样或数字化，并且生成第一数字化信号116和第二数字化信号120。第一数字化信号116和第二数字化信号120是相似的信号或相同，并且各自为混合信号108的数字表示。因此，第一数字化信号116也可被称作第一数字化混合信号，第二数字化信号12也可被称作第二数字化混合信号。
延迟电路114从ADC 112接收第一数字化信号116。延迟电路114将第一数字化信号116延迟预定时间延迟。
系统100另外包括神经形态信号处理器118，其从ADC 112接收第二数字化信号120。神经形态信号处理器118处理第二数字化信号120以从第二数字化信号120提取提取信号122。延迟电路114的预定时间延迟对应于在神经形态信号处理器118中嵌入的延迟。可被配置用作神经形态信号处理器118的装置的背景示例是认知盲源分离器，所描述的这种认知盲源分离器可见于2016年3月17日提交的美国专利申请15/073,626。被配置用作神经形态信号处理器118的示例性认知盲源分离器将在本文中参照图2至图5来描述。
相位延迟和幅度计算模块124接收来自神经形态信号处理器118的提取信号122以及来自延迟电路114的经延迟的第一数字化信号116。相位延迟和幅度计算模块124确定提取信号122和经延迟的第一数字化信号116的相位延迟和幅度。相位延迟和幅度计算模块124确定相对于经延迟的第一数字化信号116需要对提取信号122进行的任何调节，以使得信号的相位将彼此相差正好180度以从经延迟的第一数字化信号116对消(抵消(nulling))提取信号122。
信号相位和幅度调节模块126接收来自神经形态信号处理器118的提取信号122以及来自相位延迟和幅度计算模块124的输出128。输出128对应于基于经延迟的第一数字化信号116的相位对提取信号122的调节。信号相位和幅度调节模块126利用来自相位延迟和幅度计算模块124的输出128调节提取信号122的相位延迟和幅度，以使得从信号相位和幅度调节模块126输出的经调节的提取信号130相对于经延迟的第一数字化信号116在相位上相差180度。
系统100还包括求和结点132或其它机制以用于从经延迟的第一数字化信号116对消或去除经调节的提取信号130以提供去除了提取信号122或经调节的提取信号130的输入检查信号134。由于经调节的提取信号130与第一数字化信号116相位相差180度，所以当经调节的提取信号130和第一数字化信号116在求和结点132中被组合时，调经节的提取信号130被对消。输入检查信号134本质上是从数字化混合信号108提取并对消了混合信号108中的特定信号的数字化混合信号108或系统100的输入信号。输入检查信号134被分析。根据实施方式，由装置136检查输入检查信号134的频谱。根据实施方式，装置136是频谱分析仪，或者在另一示例中，装置是神经形态信号处理器或其它装置。在其它实施方式中，由特定装置分析与输入检查信号134关联的其它参数。
根据实施方式，系统100的至少一些组件可被设置在单个芯片140上，如图1中的虚线所示。
图2是根据本公开的另一实施方式的用于提取信号的神经形态信号处理器200的示例的示意性框图。示例性神经形态信号处理器200可用于图1中的神经形态信号处理器118。示例性神经形态信号处理器200接收第二数字化信号120。根据示例，第二数字化信号120被表征为包含多个脉冲的嘈杂混合的输入混合信号，各个脉冲具有窄瞬时带宽。神经形态信号处理器200提供从输入混合信号或第二数字化信号120分离并去燥的脉冲作为输出。示例性神经形态信号处理器200也可被称作可操作用于分离多个时间相关的源射频(RF)信号的认知盲源分离器(CBSS)。神经形态信号处理器200的实施方式假设源信号各自占据窄频率带宽，并且尽管信号可以在时间上交叠，假设信号极少可以在时间和频率上同时交叠。这些源信号的非限制性示例包括用于雷达的射频(RF)信号以及用于声纳的超声脉冲、或者用于分离多个语言信号的音频信号。
第二数字化信号120或数字化混合信号也可被表征为作为来自要提取的源信号104a-104n的一个或更多个混合的样本的数据点的时间序列。第二数字化信号120的数据点的时间序列通过延迟嵌入模块204来供应，延迟嵌入模块204创建输入信号的时滞版本(即，嵌入延迟的混合信号206)。延迟嵌入模块204接收第二数字化信号120并生成嵌入延迟的混合信号206。延迟嵌入模块204存储有限数量的过去信号值，因此将标量值的混合信号108变成多维信号。延迟嵌入模块204从当前和过去信号值构造多维向量。嵌入延迟的混合信号206经由线性函数被映射到储备池208中。储备池208适于将嵌入延迟的混合信号206线性地映射到储备池208中以创建嵌入延迟的混合信号206的高维(HD)或多维状态空间表示210。因此，嵌入延迟的混合信号206被线性地映射到储备池208中，如下面更详细地描述的。储备池208是动态系统，储备池状态和嵌入延迟的混合信号206的组合创建原始混合信号108或第二数字化信号120的多维状态空间表示210。例如，储备池208中的特定神经元或处理节点(图4中的404)可表示特定源信号(例如，图1中的RF源信号104a-104n)。多维状态空间表示中的输入的线性映射也可通过数学方式来说明。使 为k维嵌入延迟的输入，x[n]为表示m维储备池状态的向量，其中u0(t)是连续时间t处的输入信号的值，τ是嵌入中的样本之间的时间延迟。作为当前嵌入延迟的输入向量u[n]与先前状态向量的线性函数来计算储备池状态：
这里，是指定储备池连接性的m×m矩阵，是指定输入向储备池208中的线性映射的m×k矩阵。对和的选择的非限制性是随机地生成它们(例如，各个条目取自具有零均值和单位方差的独立高斯分布)，然后，通过将矩阵除以确保各个矩阵具有严格小于一的谱范数的标量来将矩阵归一化。
状态空间表示210按照储备池208的状态的不同线性组合被映射至输出层212中的固定数量的输出节点502a-502n(图5)以便生成预滤波信号214。对于输出层212中的各个输出节点502a-502n存在独特的线性函数。因此，嵌入延迟的混合信号206的储备池状态空间表示210被线性地映射到输出层212中。输出层212适于通过将状态空间表示210线性地映射至输出层212中的一个或更多个输出节点502a-502n(图5)来生成预滤波信号214的集合。需要注意的是，术语“线性组合”和“线性函数”在本文中按照同义词使用。学习不同的线性函数(例如，与学习滤波器中心频率以便使误差函数最小化相同的方式)。例如，神经形态信号处理器200在误差函数模块220中针对不同线性函数的权重获得误差函数218的导数，并且使权重适应滤波器中心频率。
输出层212的各个输出节点502a-502n与一组自适应滤波器216中的独特有限滤波器关联。根据实施方式，所述一组自适应滤波器216包括有限冲激响应(FIR)滤波器和无限冲激响应(IIR)滤波器。一组自适应滤波器216适于通过经由所述一组自适应滤波器216处理预滤波信号214来生成单独的源信号104a-104n，这些源信号共同形成混合信号108(图1)。预滤波信号214经过组中的相应自适应滤波器216以识别并提取最初被混合在一起以形成混合信号108的源信号104a-104n。因此，来自自适应滤波器216的输出是原始源信号104a-104n并且表示神经形态信号处理器200、118(图1)的最终输出。可利用适用特征提取模块222从分离的源信号104a-104n提取诸如脉冲描述字(PDW)的特征。在各种其它实施方式中，系统或神经形态信号处理器200生成源信号104a-104n或对信号数据进行分类(与识别/提取源信号相反)和/或存储分离的源信号104a-104n或数据信号。
一组自适应滤波器216的输出也被传递到误差函数模块220中，从其获得误差信号224。误差信号224用于更新自适应滤波器216的中心频率以及与输出层212的输出节点502a-502n(图5)关联的线性组合中的权重，以实现提取信号122的提取。这种适应通向自适应滤波器216并分离源信号120a-120n。这些方面在下面进一步详细描述。
也参照图3，图3是图2的神经形态信号处理器200的延迟嵌入模块204的示例的示意性框图。如先前描述的，形成针对神经形态信号处理器200的输入信号302(u(t))的第二数字化信号120或第二数字化混合信号连续地经过延迟嵌入模块204，该延迟嵌入模块204创建延迟嵌入混合信号206。延迟嵌入是捕获驻留在混合信号108内的不同源信号104a-104n(图1)的动态中的第一步。输入信号302由源信号102a-102n的混合构成。输入信号302经过有限序列的延迟304以创建延迟嵌入。延迟的值之间的时间间隙(Δt)为常数。抽头306与各个延迟304关联并将来自各个延迟304的延迟的信号值分配给多个求和节点308a-308n。求和节点308a-308n负责生成输入至储备池208的嵌入延迟的混合信号206。储备池208中的每一处理节点404(图4)存在一个求和节点308a-308n。各个求和节点308a执行来自各个第二数字化混合信号120的各个延迟的信号值的独特线性组合。这些不同的线性组合帮助放大落在不同频带内的源信号104a-104n动态，因此是源信号分离处理中的第一步。
输入信号302u(t)(可以是向量)由第二数字化信号120构成。有限序列的延迟304被应用于各个第二数字化混合信号120，因此生成多个延迟嵌入信号u(t)、u(t-Δt)、…u(t-MΔt)。这里，Δt是输入信号302的嵌入延迟的表示中的连续值之间的时间间隙(即，抽头306之间的时间间隙)，M是延迟304的总数。概念上，可以想到在Δt和M具有相同值的情况下各个第二数字化混合信号120经过其自己序列的延迟304。存在N个求和节点308a-308n(等于储备池208中的处理节点的数量)。对于给定的求和节点308i，各个第二数字化混合信号120的各个延迟的值被加权并传递至给定求和节点308i，求和节点308i然后对其输入进行求和并生成N个一维信号中的一个(即，嵌入延迟的混合信号206)，该一维信号作为输入被传递给储备池208中的对应处理节点。从抽头306至特定求和节点308i的连接上的权重相对于从抽头306至其它求和节点308a-308n的连接上的权重是独特的。这种灵活性允许能够放大出现在不同频带内的源信号动态的不同线性组合，因此朝着源信号分离提供第一步。
还参照图4，图4是图2中的神经形态信号处理器200的储备池208的示例的示意性框图。储备池208是高维或多维动态系统(根据一些实施方式被实现为递归神经网络)。储备池208的目的在于将时间序列数据编码为储备池208的多维状态空间中的轨迹。具体地，储备池208的状态空间中的单个点对关于得自延迟嵌入模块204的输入数据的历史的信息进行编码。储备池208中的各个节点404具有指定储备池状态的标量值的集合。储备池208的状态空间中的点是用于储备池208中的特定节点404的标量值的特定选择。这样，储备池208形成时间记忆。延迟嵌入模块204和储备池208一起工作以创建源信号104a-104n从混合信号108的初步分离。储备池208接收来自延迟嵌入模块204的输入402。来自延迟嵌入模块204的输入402对应于延迟嵌入混合信号206。储备池208包括一组互连的处理节点404(称作神经元)，其经由加权的连接406彼此通信。连接权重408与各个加权的连接406关联。连接权重408(例如，从均匀或正态分布)被随机地生成，其中仅小比例的连接权重408(例如，约10％)具有非零值。另外，连接权重408被归一化，以使得当被嵌入相邻矩阵A中(即，Aij包含从处理节点i至处理节点j的连接权重)时，A的谱半径小于1。各个处理节点404或神经元计算其输入(包括来自延迟嵌入模块204的输入402以及来自储备池208中的其它处理节点404的输出410)的加权和。所得的各个处理节点404的标量输入可选地经过非线性函数(一个这种函数的非限制性示例是双曲正切函数)以便生成处理节点的输出410。
处理节点404的输入-输出处理随时间继续，所得的储备池神经元状态的时间序列构成用于对源信号104a-104n的突出特征进行编码的多维储备池208状态空间中的点。这样，储备池208提供从混合信号108、206提取源信号104a-104n的处理中的有益步骤。
参照图5，图5是图2的神经形态信号处理器200的储备池208和输出层212的示例的示意性框图。根据一些实施方式，输出层212包括输出节点502a-502n的集合。各个输出节点502a-502n从储备池208的各个处理节点404或神经元接收加权输出504作为输入，并且将这些加权输出504相加在一起以生成输出节点502a-502n的输出506a-506n。输出层212中的各个输出节点502a-502n在其输入连接510上具有独特且自适应的权重508a-508n的集合，其被称作来自储备池208的处理节点404的“输出权重”。随着一个或更多个第二数字化混合信号120被传递至神经形态信号处理器200中，如本文所述的使这些权重508a-508n适应，以使得来自给定输出节点502a-502n的输出506a-506n放大源信号104a-104n的子集，同时抑制其它源信号。这是从混合信号108分离源信号104a-104n的处理的第三阶段，第一阶段是混合信号108或第二数字化混合信号120的延迟嵌入表示，第二阶段是储备池208表示。
返回参照图2，对于一些实施方式，神经形态信号处理器200的最终阶段是一组自适应滤波器216。对可用于FIR滤波器的滤波器的类型的仅有约束是滤波器在频域中具有单峰增益响应，但是波纹是可接受的。高斯型滤波器是可接受的FIR滤波器类型的示例。一组自适应滤波器216中的各个滤波器与输出层212中的输出节点502a-502n中的一个匹配。这生成成对的自适应滤波器216和对应输出节点502a-502n的集合。滤波器的输入是由输出层212中的对应输出节点502a-502n生成的输出。
一组自适应滤波器216中的各个滤波器的中心频率是可自适应的或可配置的。随着混合信号108或第二数字化混合信号120穿过神经形态信号处理器118、200，可按照这样的方式配置中心频率，使得各个自适应滤波器216的中心频率收敛于独特源信号104a-104n的频率。实质上，自适应滤波器216充当对输出层212中的输出节点502a-502n的输出506a-506n的约束，强制各个输出节点502a-502n从混合信号108或信号202提取单个源信号104a-104n。源信号104a-104n的频率可以是时间的函数。神经形态信号处理器118、200仅需要源信号104a-104n在任何预定时间间隔上由单个频率来表征。源信号104a-104n的频带多窄以及预定时间间隔多短是储备池208中的节点404的数量和使用多少滤波器系数的函数。
在一些实施方式(例如，图2所示的示例)中，误差函数模块220是神经形态信号处理器200的反馈组件，并且负责引导滤波器中心频率以及从储备池处理节点404至输出层212的输出节点502a-502n的输入连接510上的自适应权重508a-508n(输出权重)的适应。在概念上，各个自适应滤波器216和输出层输出节点502a-502n对可被视作具有其自己的误差函数218，所有单独的误差函数218具有相同的形式。具体地，误差函数218包括被加在一起的三个项。第一项是对应滤波器的输出的负功率。负功率被计算为：
其中y(t)是自适应滤波器216在时间t的输出，M是用于平均的样本的数量。第一目的是使负功率最小化(使功率最大化)，这趋于将滤波器中心频率朝着源信号频率之一驱动。第二项是滤波器的输出与其在输出层212中的对应输出节点502a-502n的输出之间的平方差之和。这通往第二目的：为了使滤波器的输入与其输出之间的差异最小化。这具有限制自适应滤波器216能够“看见”的混合信号108中的源信号104a-104n的数量的效果，因此帮助将自适应滤波器216聚焦于单个源信号104a-104n上以便于提取。第三项(被称作“惩罚项”)防止自适应滤波器216在滤波器域中彼此过于靠近，从而提取相同源信号。例如，使dwij＝|wi-wj|，其中wi和wj分别为滤波器i和滤波器j的中心频率。惩罚项由下式给出：
其中G是具有均值为零的终端用户特定方差的高斯分布，N是自适应滤波器216的数量。
误差函数218的输出用于生成误差信号224。误差信号224用于使滤波器中心频率以及从储备池208至输出层212的输入连接510上的权重508a-508n适应。通过针对输出权重508a-508n和滤波器中心频率取误差函数218的导数来生成误差信号224。使用所述导数来使系统参数(即，滤波器中心频率和输出权重508a-508n)适应以对误差函数218执行梯度下降。如先前所述，各个自适应滤波器216和输出层212的输出节点502a-502n对可被认为具有其自己的误差函数218。对于各个误差函数218，基本梯度下降用于使输出权重508a-508n适应，但是神经形态信号处理器118、200使用将局部和全局搜索组合的独特形式的梯度下降以便使滤波器的中心频率适应。这允许神经形态信号处理器118、200在维持快速锁定并跟踪源信号104a-104n的能力的同时覆盖至少30GHz的超宽源信号带宽。例如，在一个实施方式中，神经形态信号处理器118、200将弹性反向传播(Rprop)和随机化搜索融合。Rprop的背景示例可见于Igel,C.和Husken,M.的“Improving the Rprop learning algorithm”(关于神经计算的第2届国际研讨会的会刊(NC’2000)，第115-21页，ICSC学术出版社，2000)。Rprop组件仅使用梯度的符号信息，而非其大小，使其有利于有限精度的硬件实现。另外，Rprop组件使用自适应步长以更精确地跟踪中心频率。Rprop更新由下式给出：
ft+1＝ft-dt·Δft,
其中dt＝sgn(p(x,ft+ε)-p(x,ft))是滤波器输出功率的导数的符号，Δft是频率增量。Δft通过输出功率导数的符号改变的顺序确定：
其中μ+,μ-,Δfmax和Δfmin是确定Rprop更新的动态的用户定义的参数。从零均值高斯随机变量对随机化频率更新进行采样，其中方差σ是用户指定的参数。随机化搜索组件通过在适应处理的各个步骤上从高斯分布生成中心频率的小样本来操作。这允许滤波器中心频率快速地覆盖带宽的大跨度以便瞄准特定源信号以便于跟踪。由Rprop提出的中心频率以及由随机化搜索组件生成的中心频率在误差函数218下通过在惩罚项中使用当前输入序列和当前中心频率被评估。具有最低误差的频率被选为对应滤波器的下一中心频率。
图6是根据本公开的实施方式的从混合信号去除提取信号以分析混合信号中的至少一个其它信号的方法600的示例的流程图。示例性方法600在图1中的系统100中具体实现并由其执行。在另一实施方式中，示例性方法600在计算机程序产品(例如，图1中的计算机程序产品138)上具体实现并类似于本文所述。计算机程序产品138用于将示例性方法600加载在系统100上。提取信号可以是比频谱被分析的其它信号大或高的幅度信号。在方框602中，由用于去除信号以检查其它信号的频谱的系统接收混合信号。在一些示例中，混合信号包括来自不同信号源的多个单独的源信号。在其它示例中，混合信号是来自不同源的脉冲的嘈杂混合。根据实施方式，由ADC接收混合信号。在另一实施方式中，如方框604中所示，混合信号被放大至预定电平或幅度以便于由ADC进行数字化或采样。由于一些源信号或者分析所关注的源信号的幅度可能显著小于形成混合信号的其它源信号的幅度，所以混合信号可能需要被放大，并且混合信号的放大也放大了关注的源信号，以使得可如本文所述的提取并对消另一更高幅度的信号以便于分析所关注的源信号。
在方框606中，对混合信号或放大的混合信号进行数字化或采样，并且生成第一数字化信号和第二数字化信号。第一数字化信号和第二数字化信号二者对应于数字化混合信号并且也可被称作第一数字化混合信号和第二数字化混合信号。第一数字化信号和第二数字化相同或一样。
在方框608中，将第一数字化信号或第一数字化混合信号时间延迟达预定时间延迟。第一数字化信号被时间延迟以补偿神经形态信号处理器中嵌入的延迟。因此，预定时间延迟对应于神经形态信号处理器中嵌入的延迟。
在方框610中，在神经形态信号处理器中处理第二数字化信号或第二数字化混合信号以从第二数字化信号提取提取信号。如先前所述，与作为混合信号的部分接收的其它信号相比，提取信号可更大或具有更大的幅度。所述其它信号是所关注的信号或者用于分析(例如，频谱分析或其它分析)的输入检查信号。在神经形态信号处理器中处理第二数字化信号或数字化混合信号的示例将参照图7更详细地描述。
在方框612中，确定提取信号和第一数字化信号的相位延迟和幅度。确定或检测提取信号和第一数字化信号的相位延迟和幅度之间的任何差异，以使得提取信号可被调节以便于从第一数字化信号对消。在方框614中，基于第一数字化信号来调节提取信号的相位延迟和幅度，以生成与第一数字化信号相位相差180度的经调节的提取信号。
在方框616中，从第一数字化信号对消经调节的提取信号以提供输入检查信号。由于经调节的提取信号与第一数字化信号相位相差180，所以当在图1的示例中的求和结点132中将信号组合时，从第一数字化信号对消或去除经调节的提取信号。在方框618中，分析输入检查信号。根据实施方式，检查或分析输入检查信号的频谱。在其它实施方式中，分析与输入检查信号关联的其它参数。根据示例，由频谱分析仪或在另一示例中由神经形态信号处理器分析输入检查信号。
图7是根据本公开的实施方式的从混合信号中提取特定信号的方法700的示例的流程图。方法700是利用神经形态信号处理器(例如，参照图2至图5描述的神经形态信号处理器200)提取特定信号的示例。示例性方法700在神经形态信号处理器200中具体实现并由其执行。在另一实施方式中，示例性方法700在计算机程序产品(例如，图1中的计算机程序产品138)上具体实现。计算机程序产品类似于本文先前所述。计算机程序产品138用于将示例性方法700加载在系统100或神经形态信号处理器118上。
在方框中702，由神经形态信号处理器接收混合信号或第二数字化信号。在方框704中，基于混合信号或第二数字化信号生成嵌入延迟的混合信号。
在方框706中，与先前参照图2至图4描述的相似，嵌入延迟的混合信号被线性地映射到储备池中。
在方框708中，针对混合信号通过将嵌入延迟的混合信号与储备池中的多个储备池状态组合来创建多维状态空间表示。
在方框710中，基于混合信号的多维状态空间表示识别共同地形成混合信号的至少一个单独的源信号。所识别的至少一个单独的源信号是提取信号。
在方框712中，多维状态空间表示被线性地映射到输出层的一个或更多个输出节点以生成预滤波信号的集合。输出层包括输出节点的集合，储备池包括多个处理节点。在方框714中，各个输出节点从各个储备池处理节点接收加权输出作为输入，并且各个输出节点对各个输入的值进行求和以生成输出节点的输出。输出层中的各个输出节点在其输入连接上包括独特且自适应的输出权重的集合，使得随着一个或更多个混合信号被传递到神经形态信号处理器中，输出权重被配置或适应，以使得来自给定输出节点的输出放大源信号的子集，同时抑制其它源信号。
在方框716中，通过自适应地对预滤波信号进行滤波来识别至少一个单独的源信号。自适应地对预滤波信号进行滤波包括使预滤波信号经过自适应有限冲激响应(FIR)滤波器。各个预滤波信号被输入到一组自适应FIR滤波器中的独特滤波器中。各个独特滤波器具有自适应或可配置的中心频率。
在方框718中，基于来自各个自适应FIR滤波器的输出获得误差信号。误差信号被反馈回方框716并且用于更新自适应FIR滤波器的中心频率(类似于先前所述)。误差信号也被反馈回方框714并且用于更新输出层中的输出权重(类似于先前所述)。
在方框720中，从滤波器的输出中提取特定源信号。然后，从混合信号对消提取信号以提供用于频谱分析或检查的输入检查信号。
附图中的流程图和框图示出根据本公开的各种实施方式的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。在这点上，流程图或框图中的各个方框可表示模块、段或指令部分，其包括用于实现指定的逻辑功能的一个或更多个可执行指令。在一些另选实现方式中，方框中标明的功能可不按图中所标明的次序发生。例如，根据所涉及的功能，连续示出的两个方框实际上可基本上同时执行，或者方框有时可按照相反的次序执行。还要注意的是，框图和/或流程图中的各个方框以及框图和/或流程图中的方框的组合可由执行指定的功能或行为或者实现专用硬件和计算机指令的组合的基于专用硬件的系统来实现。
本文所使用的术语仅是为了描述特定实施方式，并非旨在限制本公开的实施方式。如本文所用，单数形式旨在也包括复数形式，除非上下文清楚地另外指示。还将理解，术语“包括”和/或“包含”当用在本说明书中时指明存在所述的特征、整体、步骤、操作、元件和/或组件，但是不排除一个或更多个其它特征、整体、步骤、操作、元件、组件和/或其组的存在或添加。
下面的权利要求中的对应结构、材料、行为以及所有手段或步骤加功能元件的等同物旨在包括用于与其它要求保护的元件组合来执行所述功能的任何结构、材料或行为，如具体地要求保护的。本发明实施方式的描述是为了例示和描述而呈现，并非旨在为穷尽性的或者将本发明实施方式限于所公开的形式。对于本领域普通技术人员而言，在不脱离实施方式的范围和精神的情况下许多修改和变化将显而易见。
另外，本公开包括根据以下条款的实施方式：
条款1.一种用于去除提取的射频(RF)信号122以检查至少一个其它RF信号的频谱的方法600，该方法包括以下步骤：
由模数转换器(ADC)112接收602混合信号108，所述混合信号包括来自不同信号源106a-106n的多个单独的源信号104a-104n；
由ADC对混合信号进行数字化606，并且生成第一数字化信号116和第二数字化信号120，其中，第一数字化信号与第二数字化信号相同；
将第一数字化信号延迟608预定时间延迟；
在神经形态信号处理器118中处理610第二数字化信号以从第二数字化信号中提取提取信号122，其中，所述预定时间延迟对应于在神经形态信号处理器中嵌入的延迟204；
基于第一数字化信号的相位延迟和幅度来调节614提取信号的相位延迟和幅度；以及
从第一数字化信号对消616经调节的提取信号130以提供输入检查信号134。
条款2.根据条款1所述的方法，该方法还包括：在混合信号被ADC接收之前放大604混合信号，其中，混合信号被放大至预定幅度以便于由ADC进行采样。
条款3.根据条款1所述的方法，该方法还包括：确定612提取信号和第一数字化信号的相位延迟和幅度，并且基于第一数字化信号的相位延迟和幅度生成对提取信号的调节。
条款4.根据条款3所述的方法，其中，调节614提取信号的相位延迟和幅度的步骤包括：生成与第一数字化信号相位相差180度的经调节的提取信号。
条款5.根据条款1所述的方法，其中，在神经形态信号处理器中处理第二数字化信号的步骤包括：
由神经形态信号处理器接收702第二数字化信号；
基于第二数字化信号生成704嵌入延迟的混合信号206；
将嵌入延迟的混合信号线性地映射706到储备池208中；
通过将嵌入延迟的混合信号与多个储备池状态组合来创建708混合信号的多维状态空间表示210；
基于混合信号的多维状态空间表示来识别710共同地形成混合信号的所述多个单独的源信号中的至少一个单独的源信号，所识别的所述至少一个单独的源信号是所述提取信号。
条款6.根据条款5所述的方法，该方法还包括：将多维状态空间表示线性地映射712至输出层212中的一个或更多个节点502a-502n以生成预滤波信号214的集合。
条款7.根据条款6所述的方法，该方法还包括：通过对预滤波信号进行自适应地滤波来识别716所述多个单独的源信号104a-104n中的至少一个。
条款8.根据条款7所述的方法，其中，对预滤波信号进行自适应地滤波716包括：使预滤波信号经过一组自适应滤波器216，其中，各个预滤波信号被供应到所述一组自适应滤波器中的独特滤波器中，各个独特滤波器具有自适应中心频率。
条款9.根据条款8所述的方法，其中，所述一组自适应滤波器216包括多个有限冲激响应(FIR)滤波器和多个无限冲激响应(IIR)滤波器。
条款10.根据条款8所述的方法，其中，输出层包括输出节点502a-502n的集合，并且储备池包括多个处理节点404，各个输出节点从各个处理节点接收加权输出504作为输入，并且各个输出节点对各个输入的值进行求和以生成输出节点的输出506a-506n。
条款11.根据条款10所述的方法，其中，输出层中的各个输出节点在其输入连接510上包括独特且自适应的输出权重508a-508n的集合，使得随着一个或更多个混合信号被传递到神经形态信号处理器中，自适应输出权重被配置为使得来自给定输出节点的输出放大源信号的子集，同时抑制其它源信号。
条款12.根据条款11所述的方法，该方法还包括：基于各个自适应滤波器216的输出来获得718误差信号224，其中，误差信号被用于更新自适应滤波器的自适应中心频率并且更新输出层中的自适应输出权重。
条款13.一种用于去除提取的射频(RF)信号122以检查至少一个其它RF信号的频谱的系统100，该系统包括：
模数转换器(ADC)112，其用于接收混合信号108，所述混合信号包括来自不同信号源106a-106n的多个单独的源信号104a-104n，所述ADC对混合信号进行数字化，并且生成第一数字化信号116和第二数字化信号120，其中，第一数字化信号116与第二数字化信号120相同；
延迟电路114，其用于将第一数字化信号延迟预定时间延迟；
神经形态信号处理器118，其用于处理第二数字化信号以从第二数字化信号中提取提取信号122，其中，所述预定时间延迟对应于在神经形态信号处理器中嵌入的延迟204；
信号相位和幅度调节模块126，其基于第一数字化信号的相位延迟和幅度来调节提取信号；以及
求和结点132，其用于从第一数字化信号对消经调节的提取信号以提供输入检查信号134。
条款14.根据条款13所述的系统，该系统还包括放大器110，在混合信号被ADC接收之前，所述放大器110放大所述混合信号，其中，所述放大器将混合信号放大至预定幅度以便于由ADC进行采样。
条款15.根据条款13所述的系统，该系统还包括相位延迟和幅度计算模块124，所述相位延迟和幅度计算模块用于确定提取信号的相位延迟和幅度、以及第一数字化信号的相位延迟和幅度，并且基于第一数字化信号的相位延迟和幅度来生成对提取信号的调节。
条款16.根据条款13所述的系统，其中，信号相位和幅度调节模块调节提取信号的相位延迟以生成与第一数字化信号相位相差180度的经调节的提取信号130。
条款17.根据条款13所述的系统，其中，神经形态信号处理器118、200包括：
延迟嵌入模块204，该延迟嵌入模块接收第二数字化信号并基于第二数字化信号生成嵌入延迟的混合信号206；
储备池208，该储备池被配置为将嵌入延迟的混合信号线性地映射到储备池中以通过将嵌入延迟的混合信号与多个储备池状态组合来创建混合信号的多维状态空间表示210；
输出层212，该输出层被配置为通过将状态空间表示线性地映射到输出层中的一个或更多个输出节点506a-506n来生成预滤波信号214的集合；以及
一组自适应滤波器216，该组滤波器被配置为通过经由所述一组自适应滤波器处理预滤波信号来生成共同地形成混合信号的单独的源信号，所述单独的源信号中的至少一个被识别为提取信号。
条款18.根据条款17所述的系统，其中，储备池包括多个处理节点404，并且输出层包括输出节点502s-502n的集合，各个输出节点从各个处理节点接收加权输出504作为输入，各个输出节点将这些值加在一起以生成其输出权重，各个输出节点的输出权重放大源信号的子集，同时抑制其它源信号，所述提取信号从所述单独的源信号中被识别出。
条款19.根据条款13所述的系统，该系统还包括用于检查输入检查信号的频谱的装置136。
条款20.一种用于去除提取的射频(RF)信号以检查至少一个其它RF信号的频谱的计算机程序产品138，所述计算机程序产品包括实现有程序指令的计算机可读存储介质，其中，所述计算机可读存储介质不是瞬时介质本身，所述程序指令可被装置执行以使得所述装置执行一种方法，该方法包括以下步骤：
由模数转换器(ADC)112接收600混合信号108，所述混合信号包括来自不同信号源106a-106n的多个单独的源信号104a-104n；
由ADC对混合信号进行数字化606并且生成第一数字化信号116和第二数字化信号120，其中，第一数字化信号与第二数字化信号相同；
将第一数字化信号延迟608预定时间延迟；
在神经形态信号处理器118中处理610第二数字化信号以从第二数字化信号中提取提取信号122，其中，所述预定时间延迟对应于在神经形态信号处理器中嵌入的延迟204；
基于第一数字化信号的相位延迟和幅度来调节614提取信号的相位延迟和幅度；以及
从第一数字化信号对消616经调节的提取信号130以提供输入检查信号134。
尽管本文示出并描述了特定实施方式，本领域普通技术人员将理解，为了实现相同目的而计算的任何布置方式可代替所示的特定实施方式，并且实施方式在其它环境中具有其它应用。本申请旨在涵盖任何适应或变化。以下权利要求绝非旨在将本公开的实施方式的范围限于本文所述的特定实施方式。

Claims (10)

1.一种用于去除提取的射频RF信号(122)以检查至少一个其它RF信号的频谱的方法(600)，该方法包括以下步骤：
由模数转换器ADC(112)接收(602)混合信号(108)，所述混合信号包括来自不同的信号源(106a-106n)的多个单独的源信号(104a-104n)；
由所述ADC对所述混合信号进行数字化(606)并且生成第一数字化信号(116)和第二数字化信号(120)，其中，所述第一数字化信号与所述第二数字化信号相同；
将所述第一数字化信号延迟(608)预定时间延迟；
在神经形态信号处理器(118)中处理(610)所述第二数字化信号以从所述第二数字化信号中提取提取信号(122)，其中，所述预定时间延迟对应于在所述神经形态信号处理器中嵌入(204)的延迟；
基于所述第一数字化信号的相位延迟和幅度来调节(614)所述提取信号的相位延迟和幅度；以及
从所述第一数字化信号对消(616)经调节的提取信号(130)以提供输入检查信号(134)。
2.根据权利要求1所述的方法，该方法还包括：在所述混合信号被所述ADC接收之前，放大(604)所述混合信号，其中，所述混合信号被放大至预定幅度以便于由所述ADC进行采样。
3.根据权利要求1所述的方法，该方法还包括：确定(612)所述提取信号和所述第一数字化信号的相位延迟和幅度，并且基于所述第一数字化信号的相位延迟和幅度生成对所述提取信号的调节。
4.根据权利要求1所述的方法，其中，在所述神经形态信号处理器中处理所述第二数字化信号的步骤包括：
由所述神经形态信号处理器接收(702)所述第二数字化信号；
基于所述第二数字化信号生成(704)嵌入延迟的混合信号(206)；
将所述嵌入延迟的混合信号线性地映射(706)到储备池(208)中；
通过将所述嵌入延迟的混合信号与多个储备池状态组合来创建(708)所述混合信号的多维状态空间表示(210)；
基于所述混合信号的所述多维状态空间表示来识别(710)共同地形成所述混合信号的所述多个单独的源信号中的至少一个单独的源信号，所识别的所述至少一个单独的源信号是所述提取信号。
5.一种用于去除提取的射频RF信号(122)以检查至少一个其它RF信号的频谱的系统(100)，该系统包括：
模数转换器ADC(112)，该ADC(112)用于接收混合信号(108)，所述混合信号包括来自不同信号源(106a-106n)的多个单独的源信号(104a-104n)，所述ADC对所述混合信号进行数字化并且生成第一数字化信号(116)和第二数字化信号(120)，其中，所述第一数字化信号(116)与所述第二数字化信号(120)相同；
延迟电路(114)，该延迟电路(114)用于将所述第一数字化信号延迟预定时间延迟；
神经形态信号处理器(118)，该神经形态信号处理器(118)用于处理所述第二数字化信号以从所述第二数字化信号中提取提取信号(122)，其中，所述预定时间延迟对应于在所述神经形态信号处理器中嵌入(204)的延迟；
信号相位和幅度调节模块(126)，该信号相位和幅度调节模块(126)基于所述第一数字化信号的相位延迟和幅度来调节所述提取信号；以及
求和结点(132)，该求和结点(132)用于从所述第一数字化信号对消经调节的提取信号以提供输入检查信号(134)。
6.根据权利要求5所述的系统，该系统还包括放大器(110)，在所述混合信号被所述ADC接收之前，所述放大器放大所述混合信号，其中，所述放大器将所述混合信号放大至预定幅度以便于由所述ADC进行采样。
7.根据权利要求5所述的系统，该系统还包括相位延迟和幅度计算模块(124)，所述相位延迟和幅度计算模块用于确定所述提取信号的相位延迟和幅度、以及第一数字化信号的相位延迟和幅度，并且基于所述第一数字化信号的相位延迟和幅度来生成对所述提取信号的调节。
8.根据权利要求5所述的系统，其中，所述信号相位和幅度调节模块调节所述提取信号的相位延迟，以生成与所述第一数字化信号相位相差180度的经调节的提取信号(130)。
9.根据权利要求5所述的系统，该系统还包括用于检查所述输入检查信号的频谱的装置(136)。
10.一种用于去除提取的射频RF信号以检查至少一个其它RF信号的频谱的计算机程序产品(138)，所述计算机程序产品包括实现有程序指令的计算机可读存储介质，其中，所述计算机可读存储介质不是瞬时介质本身，所述程序指令能由装置执行以使得所述装置执行一种方法，该方法包括以下步骤：
由模数转换器ADC(112)接收(600)混合信号(108)，所述混合信号包括来自不同信号源(106a-106n)的多个单独的源信号(104a-104n)；
由所述ADC对所述混合信号进行数字化(606)，并且生成第一数字化信号(116)和第二数字化信号(120)，其中，所述第一数字化信号与所述第二数字化信号相同；
将所述第一数字化信号延迟(608)预定时间延迟；
在神经形态信号处理器(118)中处理(610)所述第二数字化信号以从所述第二数字化信号中提取提取信号(122)，其中，所述预定时间延迟对应于在所述神经形态信号处理器中嵌入(204)的延迟；
基于所述第一数字化信号的相位延迟和幅度来调节(614)所述提取信号的相位延迟和幅度；以及
从所述第一数字化信号对消(616)经调节的提取信号(130)以提供输入检查信号(134)。
CN201710683990.7A 2016-09-26 2017-08-11 检查至少一个其它射频信号的频谱的方法、系统和介质 Active CN107872236B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/276,188 2016-09-26
US15/276,188 US10783430B2 (en) 2016-09-26 2016-09-26 Signal removal to examine a spectrum of another signal

Publications (2)

Publication Number Publication Date
CN107872236A true CN107872236A (zh) 2018-04-03
CN107872236B CN107872236B (zh) 2021-08-06

Family

ID=59239809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710683990.7A Active CN107872236B (zh) 2016-09-26 2017-08-11 检查至少一个其它射频信号的频谱的方法、系统和介质

Country Status (6)

Country Link
US (1) US10783430B2 (zh)
EP (1) EP3300258B1 (zh)
JP (1) JP7068792B2 (zh)
KR (1) KR102472420B1 (zh)
CN (1) CN107872236B (zh)
RU (1) RU2742193C2 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10921422B2 (en) 2017-10-25 2021-02-16 The Boeing Company Below-noise after transmit (BAT) Chirp Radar
US11002819B2 (en) * 2018-04-24 2021-05-11 The Boeing Company Angular resolution of targets using separate radar receivers
US11460753B2 (en) 2018-05-10 2022-10-04 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for activation functions for photonic neural networks
KR20210006962A (ko) * 2018-05-10 2021-01-19 더 보드 어브 트러스티스 어브 더 리랜드 스탠포드 주니어 유니버시티 인시츄 역전파를 통한 광자 신경망의 훈련
KR20210000987A (ko) 2019-06-26 2021-01-06 삼성전자주식회사 아날로그-디지털 컨버터 및 이를 포함하는 뉴로모픽 컴퓨팅 장치
JP7289802B2 (ja) * 2020-02-17 2023-06-12 株式会社日立製作所 リザーバー計算機
US11796794B2 (en) 2020-05-12 2023-10-24 The Board Of Trustees Of The Leland Stanford Junior University Multi-objective, robust constraints enforced global topology optimizer for optical devices
CN113484607A (zh) * 2021-06-18 2021-10-08 国网安徽省电力有限公司电力科学研究院 一种面向低频非平稳信号的检测方法
WO2023091061A1 (en) * 2021-11-17 2023-05-25 Telefonaktiebolaget Lm Ericsson (Publ) Delay encoded vector symbolic radio multiple access

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1734958A (zh) * 2005-09-13 2006-02-15 浙江华立通信集团有限公司 新型高集成度可嵌入Rake接收机系统
CN101453228A (zh) * 2007-12-04 2009-06-10 松下电器产业株式会社 共站址干扰消除系统和方法
CN101459636A (zh) * 2007-12-12 2009-06-17 中兴通讯股份有限公司 自适应预失真方法
CN102281221A (zh) * 2011-06-23 2011-12-14 中兴通讯股份有限公司 非线性系统失真校正装置及方法
CN104821832A (zh) * 2014-01-30 2015-08-05 亚德诺半导体集团 多发送器-接收器系统中的发送器噪声抵消
US20160072543A1 (en) * 2014-09-10 2016-03-10 Qualcomm Incorporated Methods and Systems for Multi-Model, Multi-Layer Perceptron Based Non-Linear Interference Management in Multi-Technology Communication Devices
CN105704075A (zh) * 2014-11-25 2016-06-22 中兴通讯股份有限公司 校正处理方法及装置

Family Cites Families (53)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7164117B2 (en) 1992-05-05 2007-01-16 Automotive Technologies International, Inc. Vehicular restraint system control system and method using multiple optical imagers
JPH03160590A (ja) * 1989-11-17 1991-07-10 Fujitsu Ltd タイムレコーダ
US5402520A (en) 1992-03-06 1995-03-28 Schnitta; Bonnie S. Neural network method and apparatus for retrieving signals embedded in noise and analyzing the retrieved signals
US5325095A (en) 1992-07-14 1994-06-28 The United States Of America As Represented By The United States Department Of Energy Stepped frequency ground penetrating radar
US5499029A (en) 1992-07-14 1996-03-12 Eg&G Energy Measurements, Inc. Wide band stepped frequency ground penetrating radar
US5504487A (en) 1995-05-17 1996-04-02 Fastman, Inc. System for extracting targets from radar signatures
US5694474A (en) 1995-09-18 1997-12-02 Interval Research Corporation Adaptive filter for signal processing and method therefor
JPH10145771A (ja) * 1996-11-11 1998-05-29 Furukawa Electric Co Ltd:The Ｃａｔｖシステムの伝送品質監視方法及びその装置
RU2161109C1 (ru) * 1999-09-10 2000-12-27 Институт Машиноведения им. А.А. Благонравова РАН Способ подавления помех от колебаний упругой конструкции космической трансформируемой антенны в процессе эксплуатации и устройство для его осуществления
AU2003256653A1 (en) * 2002-07-24 2004-02-09 Massachusetts Institute Of Technology System and method for distributed gain control for spectrum enhancement
US7324036B2 (en) * 2003-05-12 2008-01-29 Hrl Laboratories, Llc Adaptive, intelligent transform-based analog to information converter method and system
US7333850B2 (en) 2004-05-28 2008-02-19 University Of Florida Research Foundation, Inc. Maternal-fetal monitoring system
US8031117B2 (en) 2004-09-23 2011-10-04 Interdigital Technology Corporation Blind signal separation using polarized antenna elements
US7656341B2 (en) 2005-02-09 2010-02-02 Bryan Anthony Reeves Noise augmented radar system
US9070101B2 (en) 2007-01-12 2015-06-30 Fatdoor, Inc. Peer-to-peer neighborhood delivery multi-copter and method
KR100891666B1 (ko) * 2006-09-29 2009-04-02 엘지전자 주식회사 믹스 신호의 처리 방법 및 장치
US7403144B1 (en) 2006-12-26 2008-07-22 Hrl Laboratories, Llc Pulse domain encoder and filter circuits
US7822698B1 (en) 2007-03-23 2010-10-26 Hrl Laboratories, Llc Spike domain and pulse domain non-linear processors
US8126642B2 (en) 2008-10-24 2012-02-28 Gray & Company, Inc. Control and systems for autonomously driven vehicles
US8548656B1 (en) 2009-06-30 2013-10-01 Zytek Communications Corporation Underwater vehicles with improved efficiency over a range of velocities
US8655297B2 (en) * 2009-07-06 2014-02-18 Panasonic Corporation Nonlinear distortion compensating receiver and nonlinear distortion compensation method
EP2478835B1 (en) 2009-09-18 2018-01-10 Tohoku University Signal extracting apparatus, method and computer program
US8515335B2 (en) 2009-11-30 2013-08-20 The Aerospace Corporation Cognitive anti-jam receiver systems and associated methods
US8988970B2 (en) * 2010-03-12 2015-03-24 University Of Maryland Method and system for dereverberation of signals propagating in reverberative environments
US8659656B1 (en) * 2010-10-12 2014-02-25 The Boeing Company Hyperspectral imaging unmixing
US8566265B1 (en) 2011-03-10 2013-10-22 Hrl Laboratories, Llc Combined spike domain and pulse domain signal processing
CN102130732A (zh) * 2011-04-01 2011-07-20 北京邮电大学 基于神经网络的认知无线电协同频谱检测方法
US8861588B2 (en) 2011-04-04 2014-10-14 The United States Of America As Represented By The Secretary Of The Army Apparatus and method for sampling and reconstruction of wide bandwidth signals below Nyquist rate
US9024815B2 (en) 2011-05-27 2015-05-05 Brooks Engineering International, Llc Direct-to-digital software-defined radar
US9213937B2 (en) * 2011-09-21 2015-12-15 Brain Corporation Apparatus and methods for gating analog and spiking signals in artificial neural networks
US8977578B1 (en) 2012-06-27 2015-03-10 Hrl Laboratories, Llc Synaptic time multiplexing neuromorphic network that forms subsets of connections during different time slots
US8959040B1 (en) 2012-03-08 2015-02-17 Hrl Laboratories, Llc Spike timing dependent plasticity apparatus, system and method
US10497381B2 (en) 2012-05-04 2019-12-03 Xmos Inc. Methods and systems for improved measurement, entity and parameter estimation, and path propagation effect measurement and mitigation in source signal separation
JP6109927B2 (ja) 2012-05-04 2017-04-05 カオニックス ラブス リミテッド ライアビリティ カンパニー 源信号分離のためのシステム及び方法
US9042496B1 (en) 2013-02-19 2015-05-26 The United States Of America, As Represented By The Secretary Of The Army Signal modulation scheme determination through an at least fourth-order noise-insensitive cumulant
KR101472220B1 (ko) * 2013-10-18 2014-12-11 지씨티 세미컨덕터 인코포레이티드 수신기에서 자동 이득을 조정하는 방법 및 수신기의 자동 이득 조정 장치
US20150202770A1 (en) 2014-01-17 2015-07-23 Anthony Patron Sidewalk messaging of an autonomous robot
US9986934B2 (en) 2014-01-29 2018-06-05 California Institute Of Technology Microwave radar sensor modules
US9661215B2 (en) 2014-04-22 2017-05-23 Snapaid Ltd. System and method for controlling a camera based on processing an image captured by other camera
US10222454B2 (en) 2014-08-19 2019-03-05 Navico Holding As Combining Reflected Signals
US20160071003A1 (en) * 2014-09-10 2016-03-10 Qualcomm Incorporated Multilayer Perceptron for Dual SIM Dual Active Interference Cancellation
US10540957B2 (en) 2014-12-15 2020-01-21 Baidu Usa Llc Systems and methods for speech transcription
DE102015100804B4 (de) 2015-01-20 2016-11-17 Infineon Technologies Ag Radarvorrichtung mit Rauschunterdrückung
US10054668B2 (en) 2015-02-26 2018-08-21 Src, Inc. Probabilistic signal, detection, and track processing architecture and system
US9749007B1 (en) 2015-03-19 2017-08-29 Hrl Laboratories, Llc Cognitive blind source separator
DE102015120733B4 (de) 2015-11-30 2017-11-02 Infineon Technologies Ag Radarvorrichtung mit Schätzung des Phasenrauschens
US10539645B2 (en) 2016-01-22 2020-01-21 GM Global Technology Operations LLC Angle of arrival estimation
US9791564B1 (en) 2016-04-25 2017-10-17 Uhnder, Inc. Adaptive filtering for FMCW interference mitigation in PMCW radar systems
US9753121B1 (en) 2016-06-20 2017-09-05 Uhnder, Inc. Power control for improved near-far performance of radar systems
US10832168B2 (en) 2017-01-10 2020-11-10 Crowdstrike, Inc. Computational modeling and classification of data streams
WO2018136144A1 (en) 2017-01-18 2018-07-26 Hrl Laboratories, Llc Cognitive signal processor for simultaneous denoising and blind source separation
US10921422B2 (en) 2017-10-25 2021-02-16 The Boeing Company Below-noise after transmit (BAT) Chirp Radar
US11002819B2 (en) 2018-04-24 2021-05-11 The Boeing Company Angular resolution of targets using separate radar receivers

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1734958A (zh) * 2005-09-13 2006-02-15 浙江华立通信集团有限公司 新型高集成度可嵌入Rake接收机系统
CN101453228A (zh) * 2007-12-04 2009-06-10 松下电器产业株式会社 共站址干扰消除系统和方法
CN101459636A (zh) * 2007-12-12 2009-06-17 中兴通讯股份有限公司 自适应预失真方法
CN102281221A (zh) * 2011-06-23 2011-12-14 中兴通讯股份有限公司 非线性系统失真校正装置及方法
CN104821832A (zh) * 2014-01-30 2015-08-05 亚德诺半导体集团 多发送器-接收器系统中的发送器噪声抵消
US20160072543A1 (en) * 2014-09-10 2016-03-10 Qualcomm Incorporated Methods and Systems for Multi-Model, Multi-Layer Perceptron Based Non-Linear Interference Management in Multi-Technology Communication Devices
CN105704075A (zh) * 2014-11-25 2016-06-22 中兴通讯股份有限公司 校正处理方法及装置

Also Published As

Publication number Publication date
CN107872236B (zh) 2021-08-06
KR102472420B1 (ko) 2022-11-29
KR20180034216A (ko) 2018-04-04
EP3300258A1 (en) 2018-03-28
RU2017122054A (ru) 2018-12-24
US20180089558A1 (en) 2018-03-29
RU2017122054A3 (zh) 2020-11-16
RU2742193C2 (ru) 2021-02-03
JP7068792B2 (ja) 2022-05-17
US10783430B2 (en) 2020-09-22
JP2018067913A (ja) 2018-04-26
EP3300258B1 (en) 2019-10-16

Similar Documents

Publication Publication Date Title
CN107872236A (zh) 用于检查另一信号的频谱的信号去除
CN109841226A (zh) 一种基于卷积递归神经网络的单通道实时降噪方法
Ibrahim et al. Automatic classification of grouper species by their sounds using deep neural networks
US9749007B1 (en) Cognitive blind source separator
CN110033756A (zh) 语种识别方法、装置、电子设备及存储介质
CN111128222B (zh) 语音分离方法、语音分离模型训练方法和计算机可读介质
Frontera-Pons et al. Unsupervised feature-learning for galaxy SEDs with denoising autoencoders
Pradeepkumar et al. FOREX rate prediction using chaos and quantile regression random forest
Yang et al. One-dimensional deep attention convolution network (ODACN) for signals classification
CN112764003A (zh) 一种雷达辐射源信号时频特征识别方法、装置及存储介质
CN116668198B (zh) 基于深度学习的流量回放测试方法、装置、设备及介质
Koza et al. Quadrature mirror filter bank design for mitral valve doppler signal using artificial bee colony algorithm
Socheleau et al. Detection of mysticete calls: a sparse representation-based approach
CN116468095A (zh) 神经网络架构搜索方法及装置、设备、芯片、存储介质
CN115809426A (zh) 一种辐射源个体识别方法及系统
Ntalampiras Hybrid framework for categorising sounds of mysticete whales
EP3896625A1 (en) An adaptive filter based learning model for time series sensor signal classification on edge devices
Devi et al. Environmental noise reduction system using fuzzy neural network and adaptive fuzzy algorithms
US10861436B1 (en) Audio call classification and survey system
Aizenberg et al. Application of the neural networks based on multivalued neurons in image processing and recognition
Chakravarty et al. An improved feature extraction for Hindi language audio impersonation attack detection
Ma et al. Light weight automatic modulation classification for edge devices in spectrum sensing wireless networks
Abdulla et al. Degenerate unmixing estimation technique of speech mixtures in real environments using wavelets
CN117975994A (zh) 嗓音数据的质量分类方法、装置以及计算机设备
Rajput et al. A Deep Learning-Based Method for Categorizing Indian Bird Species

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant