CN108880650A - 一种用于信号调谐的通信基站 - Google Patents
一种用于信号调谐的通信基站 Download PDFInfo
- Publication number
- CN108880650A CN108880650A CN201810534406.6A CN201810534406A CN108880650A CN 108880650 A CN108880650 A CN 108880650A CN 201810534406 A CN201810534406 A CN 201810534406A CN 108880650 A CN108880650 A CN 108880650A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- time
- module
- antenna
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/155—Ground-based stations
- H04B7/15564—Relay station antennae loop interference reduction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Measuring Frequencies, Analyzing Spectra (AREA)
Abstract
本发明请求保护一种用于信号调谐的通信基站,其包括通信铁塔、第一天线、第二天线、信号调谐模块、功率分配器和避雷器,所述通信铁塔是由塔杆和支撑组件组成,所述通信铁塔的顶端焊接有横杆,所述横杆一端设有所述信号调谐模块,所述横杆另一端设有所述第二天线,所述横杆中部设有所述功率分配器,所述信号调谐模块上安装有所述第一天线,所述功率分配器通过导线与所述避雷器相连;所述信号调谐模块包括滤波器、放大器、预处理模块、特征提取模块及训练调谐模块;所述第一天线用于接收外部的通信信号,并发送给滤波器、放大器进行滤波放大,然后传输给预处理模块,所述预处理模块用于对接收到的信号进行包括加窗在内的预处理,本发明可以提高通信基站设备的调谐准确性。
Description
技术领域
本发明属于通信基站技术领域,具体属于一种用于信号调谐的通信基站。
背景技术
基站,是固定在一个地方的高功率多信道双向无线电发送机。基站子系统(BSS)是移动通信系统中与无线蜂窝网络关系最直接的基本组成部分。在整个移动网络中基站主要起中继作用。基站与基站之间采用无线信道连接,负责无线发送、接收和无线资源管理。而主基站与移动交换中心(MSC)之间常采用有线信道连接,实现移动用户之间或移动用户与固定用户之间的通信连接。在日常生活中,我们常见的通信基站一般为无线通信基站。基站作为无线通信的中继站,在信号传输过程中起到重要作用。由于信号容易受到其他信号干扰、调谐调频信道不足,信号分类不准确,本发明提供了一种改进的通信基站,在基站上设置了信号调谐处理模块、功率分配器,有效解决功率分配及信道分配、调谐问题。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种提高信号传输效率、调谐精确的用于信号调谐的通信基站。
本发明的技术方案如下:
一种用于信号调谐的通信基站,其包括通信铁塔、第一天线、第二天线、信号调谐模块、功率分配器和避雷器,所述通信铁塔是由塔杆和支撑组件组成,所述通信铁塔的顶端焊接有横杆,所述横杆一端设有所述信号调谐模块,所述横杆另一端设有所述第二天线,所述横杆中部设有所述功率分配器,所述信号调谐模块上安装有所述第一天线,所述功率分配器通过导线与所述避雷器相连;所述信号调谐模块包括滤波器、放大器、预处理模块、特征提取模块及训练调谐模块;所述第一天线用于接收外部的通信信号,并发送给滤波器、放大器进行滤波放大,然后传输给预处理模块,所述预处理模块用于对接收到的信号进行包括加窗在内的预处理步骤,并利用平滑伪Winger-Ville分布和自适应最优核时频分布,将信号转换成平滑伪Winger-Ville时频分布图和自适应最优核时频分布图;所述特征提取模块采用卷积神经网络自动提取平滑伪Winger-Ville时频分布图和自适应最优核时频分布图的特征,并利用多模融合模型将两种时频图像特征进行特征融合量化评价,具体包括:对采集的平滑伪Winger-Ville时频分布图和自适应最优核时频分布图的特征进行时频分析处理,得到时频分布矩阵P(t,f);将频域聚集度作为量化评价的第一个指标,并根据所述时频分布矩阵P(t,f)对所述频域聚集度进行计算;将分量分辨力作为量化评价的第二个指标,并根据所述时频分布矩阵P(t,f)对所述分量分辨力进行计算;将信噪比作为效果量化评价的第三个指标,并根据所述时频分布矩阵P(t,f)对所述信噪比进行计算;根据所述频域聚集度、分量分辨力和信噪比,采用以下公式对量化评价的总指标进行计算;所述训练调谐模块将融合后的特征作为多层感知机的输入,先利用训练集来训练模型,然后用训练好的模型完成信号的调谐,并传输给功率分配器进行功率分配,并通过第二天线传输出去。
进一步的,所述第一天线接收外部的通信信号信号模型为:
其中r(t)和s(t)分别表示接收信号和发射信号,α表示信道增益,ω0和θ0表示频率偏移和相位偏移,n(t)表示高斯噪声,其中当s(t)为ASK,FSK和PSK调制时,表达式为:
Am表示调制幅度,an表示符号序列,Ts符号周期,fc表示载波频率,fm表示调制频率,φ0表示初始相位,φm表示调制相位,g(t)表示矩形脉冲;
当s(t)为QAM调制时,由于QAM信号使用两个正交的载波cos(2πfct)和sin(2πfct),表达式为:
an和bn分别表示符号序列。
进一步的,所述平滑伪Winger-Ville分布通过分别在时延和频偏方向同时加窗截取来抑制交叉项,表达式为:
SPWVDx(t,f)=∫∫h(τ)g(v)x(t-v+τ/2)x*(t-v-τ/2)e-j2πfτdvdτ
其中h(τ)和g(v)是两个实的偶窗函数,x(t)=r(t)+jH[r(t)],H[·]表示希尔伯特变换,t和f分别表示时间和频率,v表示频偏,τ表示时延,x*(t)为x(t)的共轭;最优核时频分布如下:
记S(x,y,t)的自适应最优核时频分布的结果为AOKTFR(x,y,t,f),得到的高频分量为AOKTFR(x,y,t,f H),低频分量为AOKTFR(x,y,t,f L),w是宽度为2T的对称矩形窗函数,τ为时延,θ为多普勒频率。
进一步的,所述特征提取模块利用卷积神经网络中的残差网络来自动提取图像特征,把网络设计为H(x)=f(x)+x,x表示网络输入,H(x)表示经过网络后的输出,通过学习一个残差函数f(x)=H(x)-x,只要f(x)=0,就构成一个恒等映射H(x)=x。
本发明的有益效果
本发明通过信号调谐装置不仅有效解决了信号传输过程中受到噪音或其他无用信号的干扰,还能够使有用信号增大,弥补信号在传输中削弱的不足,解决了人们的日常通信问题,给人们带来的方便;同时应用了两种时频分布将信号用二维图像表示出来,通过从两个方面来描述不同调制信号之间的差别;利用了卷积神经网络自动提取这两种时频分布图的图像特征,克服了传统调制分类方法中需要人工设计特征的难题用了多模融合模型将两种时频分布图的特征进行融合,以进一步提升信号调谐的准确度。同时,本发明还设有功率分配器,能够合理分配基站上各种电器件的适用功率,避免资源浪费。本发明在时频域进行加窗处理,去噪的同时保留了有效信号,提高了实际应用效果。
附图说明
图1是本发明提供优选实施例用于信号调谐的通信基站示意图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
如图1所示为一种用于信号调谐的通信基站,其包括通信铁塔5、第一天线1、第二天线3、信号调谐模块8、功率分配器2和避雷器4,所述通信铁塔5是由塔杆6和支撑组件7组成,所述通信铁塔5的顶端焊接有横杆9,所述横杆9一端设有所述信号调谐模块8,所述横杆9另一端设有所述第二天线3,所述横杆9中部设有所述功率分配器2,所述信号调谐模块8上安装有所述第一天线1,所述功率分配器2通过导线12与所述避雷器4相连;所述信号调谐模块8包括滤波器10、放大器11、预处理模块、特征提取模块及训练调谐模块;所述第一天线1用于接收外部的通信信号,并发送给滤波器10、放大器11进行滤波放大,然后传输给预处理模块,所述预处理模块用于对接收到的信号进行包括加窗在内的预处理步骤,并利用平滑伪Winger-Ville分布和自适应最优核时频分布,将信号转换成平滑伪Winger-Ville时频分布图和自适应最优核时频分布图;所述特征提取模块采用卷积神经网络自动提取平滑伪Winger-Ville时频分布图和自适应最优核时频分布图的特征,并利用多模融合模型将两种时频图像特征进行特征融合量化评价,具体包括:对采集的平滑伪Winger-Ville时频分布图和自适应最优核时频分布图的特征进行时频分析处理,得到时频分布矩阵Pt,f;将频域聚集度作为量化评价的第一个指标,并根据所述时频分布矩阵Pt,f对所述频域聚集度进行计算;将分量分辨力作为量化评价的第二个指标,并根据所述时频分布矩阵Pt,f对所述分量分辨力进行计算;将信噪比作为效果量化评价的第三个指标,并根据所述时频分布矩阵Pt,f对所述信噪比进行计算;根据所述频域聚集度、分量分辨力和信噪比,采用以下公式对量化评价的总指标进行计算;所述训练调谐模块将融合后的特征作为多层感知机的输入,先利用训练集来训练模型,然后用训练好的模型完成信号的调谐,并传输给功率分配器2进行功率分配,并通过第二天线3传输出去。
优选的,所述第一天线1接收外部的通信信号信号模型为:
其中rt和st分别表示接收信号和发射信号,α表示信道增益,ω0和θ0表示频率偏移和相位偏移,nt表示高斯噪声,其中当st为ASK,FSK和PSK调制时,表达式为:
Am表示调制幅度,an表示符号序列,Ts符号周期,fc表示载波频率,fm表示调制频率,φ0表示初始相位,φm表示调制相位,gt表示矩形脉冲;
当st为QAM调制时,由于QAM信号使用两个正交的载波cos(2πfct)和sin(2πfct),表达式为:
an和bn分别表示符号序列。
优选的,所述平滑伪Winger-Ville分布通过分别在时延和频偏方向同时加窗截取来抑制交叉项,表达式为:
SPWVDx(t,f)=∫∫h(τ)g(v)x(t-v+τ/2)x*(t-v-τ/2)e-j2πfτdvdτ
其中h(τ)和g(v)是两个实的偶窗函数,x(t)=r(t)+jH[r(t)],H[·]表示希尔伯特变换,t和f分别表示时间和频率,v表示频偏,τ表示时延,x*(t)为xt的共轭;最优核时频分布如下:
记Sx,y,t的自适应最优核时频分布的结果为AOKTFRx,y,t,f,得到的高频分量为AOKTFRx,y,t,f H,低频分量为AOKTFRx,y,t,f L,w是宽度为2T的对称矩形窗函数,τ为时延,θ为多普勒频率。
优选的,所述特征提取模块利用卷积神经网络中的残差网络来自动提取图像特征,把网络设计为H(x)=f(x)+x,x表示网络输入,H(x)表示经过网络后的输出,通过学习一个残差函数f(x)=H(x)-x,只要f(x)=0,就构成一个恒等映射H(x)=x。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (4)
1.一种用于信号调谐的通信基站,其特征在于,包括通信铁塔(5)、第一天线(1)、第二天线(3)、信号调谐模块(8)、功率分配器(2)和避雷器(4),所述通信铁塔(5)是由塔杆(6)和支撑组件(7)组成,所述通信铁塔(5)的顶端焊接有横杆(9),所述横杆(9)一端设有所述信号调谐模块(8),所述横杆(9)另一端设有所述第二天线(3),所述横杆(9)中部设有所述功率分配器(2),所述信号调谐模块(8)上安装有所述第一天线(1),所述功率分配器(2)通过导线(12)与所述避雷器(4)相连;所述信号调谐模块(8)包括滤波器(10)、放大器(11)、预处理模块、特征提取模块及训练调谐模块;所述第一天线(1)用于接收外部的通信信号,并发送给滤波器(10)、放大器(11)进行滤波放大,然后传输给预处理模块,所述预处理模块用于对接收到的信号进行包括加窗在内的预处理步骤,并利用平滑伪Winger-Ville分布和自适应最优核时频分布,将信号转换成平滑伪Winger-Ville时频分布图和自适应最优核时频分布图;所述特征提取模块采用卷积神经网络自动提取平滑伪Winger-Ville时频分布图和自适应最优核时频分布图的特征,并利用多模融合模型将两种时频图像特征进行特征融合量化评价,具体包括:对采集的平滑伪Winger-Ville时频分布图和自适应最优核时频分布图的特征进行时频分析处理,得到时频分布矩阵P(t,f);将频域聚集度作为量化评价的第一个指标,并根据所述时频分布矩阵P(t,f)对所述频域聚集度进行计算;将分量分辨力作为量化评价的第二个指标,并根据所述时频分布矩阵P(t,f)对所述分量分辨力进行计算;将信噪比作为效果量化评价的第三个指标,并根据所述时频分布矩阵P(t,f)对所述信噪比进行计算;根据所述频域聚集度、分量分辨力和信噪比,采用以下公式对量化评价的总指标进行计算;所述训练调谐模块将融合后的特征作为多层感知机的输入,先利用训练集来训练模型,然后用训练好的模型完成信号的调谐,并传输给功率分配器(2)进行功率分配,并通过第二天线(3)传输出去。
2.根据权利要求1所述的一种用于信号调谐的通信基站,其特征在于,所述第一天线(1)接收外部的通信信号信号模型为:
其中r(t)和s(t)分别表示接收信号和发射信号,α表示信道增益,ω0和θ0表示频率偏移和相位偏移,n(t)表示高斯噪声,其中当s(t)为ASK,FSK和PSK调制时,表达式为:
Am表示调制幅度,an表示符号序列,Ts符号周期,fc表示载波频率,fm表示调制频率,φ0表示初始相位,φm表示调制相位,g(t)表示矩形脉冲;
当s(t)为QAM调制时,由于QAM信号使用两个正交的载波cos(2πfct)和sin(2πfct),表达式为:
an和bn分别表示符号序列。
3.根据权利要求1所述的一种用于信号调谐的通信基站,其特征在于,所述平滑伪Winger-Ville分布通过分别在时延和频偏方向同时加窗截取来抑制交叉项,表达式为:
SPWVDx(t,f)=∫∫h(τ)g(v)x(t-v+τ/2)x*(t-v-τ/2)e-j2πfτdvdτ
其中h(τ)和g(v)是两个实的偶窗函数,x(t)=r(t)+jH[r(t)],H[·]表示希尔伯特变换,t和f分别表示时间和频率,v表示频偏,τ表示时延,x*(t)为x(t)的共轭;最优核时频分布如下:
记S(x,y,t)的自适应最优核时频分布的结果为AOKTFR(x,y,t,f),得到的高频分量为AOKTFR(x,y,t,f H),低频分量为AOKTFR(x,y,t,f L),w是宽度为2T的对称矩形窗函数,τ为时延,θ为多普勒频率。
4.根据权利要求1所述的一种用于信号调谐的通信基站,其特征在于,所述特征提取模块利用卷积神经网络中的残差网络来自动提取图像特征,把网络设计为H(x)=f(x)+x,x表示网络输入,H(x)表示经过网络后的输出,通过学习一个残差函数f(x)=H(x)-x,只要f(x)=0,就构成一个恒等映射H(x)=x。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810534406.6A CN108880650A (zh) | 2018-05-30 | 2018-05-30 | 一种用于信号调谐的通信基站 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810534406.6A CN108880650A (zh) | 2018-05-30 | 2018-05-30 | 一种用于信号调谐的通信基站 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108880650A true CN108880650A (zh) | 2018-11-23 |
Family
ID=64335415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810534406.6A Pending CN108880650A (zh) | 2018-05-30 | 2018-05-30 | 一种用于信号调谐的通信基站 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108880650A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110535541A (zh) * | 2019-08-02 | 2019-12-03 | 中电科仪器仪表(安徽)有限公司 | 一种多模基站信号分析装置及方法 |
CN113891517A (zh) * | 2021-10-12 | 2022-01-04 | 重庆新源辉光电科技有限公司 | 一种无线传输led水下灯控制系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1119061A (zh) * | 1993-12-07 | 1996-03-20 | 艾利森电话股份有限公司 | 用于测试时分多址无线通信系统中基站的方法和装置 |
US20050222515A1 (en) * | 2004-02-23 | 2005-10-06 | Biosignetics Corporation | Cardiovascular sound signature: method, process and format |
CN103364832A (zh) * | 2013-07-01 | 2013-10-23 | 西安交通大学 | 一种基于自适应最优核时频分布的地震衰减定性估计方法 |
JP5606097B2 (ja) * | 2010-02-25 | 2014-10-15 | 三菱電機株式会社 | パッシブレーダ装置 |
CN104122539A (zh) * | 2014-07-01 | 2014-10-29 | 四川大学 | 基于欠采样的高速运动目标微多普勒参数估计方法 |
CN105629254A (zh) * | 2015-12-24 | 2016-06-01 | 中国人民解放军电子工程学院 | 一种目标微动特征相干激光探测效果量化评价方法 |
CN107864548A (zh) * | 2017-12-13 | 2018-03-30 | 合肥中科离子医学技术装备有限公司 | 一种新型超导回旋加速器调谐系统 |
-
2018
- 2018-05-30 CN CN201810534406.6A patent/CN108880650A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1119061A (zh) * | 1993-12-07 | 1996-03-20 | 艾利森电话股份有限公司 | 用于测试时分多址无线通信系统中基站的方法和装置 |
US20050222515A1 (en) * | 2004-02-23 | 2005-10-06 | Biosignetics Corporation | Cardiovascular sound signature: method, process and format |
JP5606097B2 (ja) * | 2010-02-25 | 2014-10-15 | 三菱電機株式会社 | パッシブレーダ装置 |
CN103364832A (zh) * | 2013-07-01 | 2013-10-23 | 西安交通大学 | 一种基于自适应最优核时频分布的地震衰减定性估计方法 |
CN104122539A (zh) * | 2014-07-01 | 2014-10-29 | 四川大学 | 基于欠采样的高速运动目标微多普勒参数估计方法 |
CN105629254A (zh) * | 2015-12-24 | 2016-06-01 | 中国人民解放军电子工程学院 | 一种目标微动特征相干激光探测效果量化评价方法 |
CN107864548A (zh) * | 2017-12-13 | 2018-03-30 | 合肥中科离子医学技术装备有限公司 | 一种新型超导回旋加速器调谐系统 |
Non-Patent Citations (1)
Title |
---|
赵敏: "深度学习下的雷达辐射源信号分类识别", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110535541A (zh) * | 2019-08-02 | 2019-12-03 | 中电科仪器仪表(安徽)有限公司 | 一种多模基站信号分析装置及方法 |
CN110535541B (zh) * | 2019-08-02 | 2020-10-09 | 中电科仪器仪表(安徽)有限公司 | 一种多模基站信号分析装置及方法 |
CN113891517A (zh) * | 2021-10-12 | 2022-01-04 | 重庆新源辉光电科技有限公司 | 一种无线传输led水下灯控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764077B (zh) | 一种基于卷积神经网络的数字信号调制分类方法 | |
WO2018176889A1 (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN107122738A (zh) | 基于深度学习模型的无线电信号识别方法及其实现系统 | |
Cheng et al. | New deterministic and stochastic simulation models for non‐isotropic scattering mobile‐to‐mobile Rayleigh fading channels | |
CN108881096A (zh) | 一种基于相位判决的空间调制mqam基站 | |
CN107332800A (zh) | 一种基于随机子载波选择的方向调制精准无线传输方案 | |
CN108226921A (zh) | 基于cpu和gpu架构的二次雷达信息处理系统 | |
CN104601266B (zh) | 一种广播信号在线监测和并行解调的系统 | |
CN108880650A (zh) | 一种用于信号调谐的通信基站 | |
CN101764786A (zh) | 基于聚类算法的mqam信号识别方法 | |
Hervás et al. | Single‐carrier frequency domain equalisation proposal for very long haul HF radio links | |
CN112688772A (zh) | 一种机器学习叠加训练序列帧同步方法 | |
CN108540165A (zh) | 在单天线同时同频全双工通信中消除单对偶阵元自/互干扰的方法 | |
CN103529429B (zh) | 用于线性调频信号的频域中的脉冲压缩方法 | |
CN108832982A (zh) | 一种用于基站信号的时频分布调制方法 | |
CN107517174B (zh) | 一种基于模拟开关的相移键控解调电路 | |
CN106941385B (zh) | 基于相位补偿的认知云网络协作频谱感知方法 | |
CN105162533A (zh) | 一种发射机幅度不平衡和相位不平衡测量方法 | |
CN108770082A (zh) | 基于平滑伪Winger-Ville分布和最优时频分布的通信基站 | |
CN103152790B (zh) | 基于相关性分簇的两级融合调制识别方法 | |
CN101714969A (zh) | 一种铁路通信信号解调的方法 | |
Wang et al. | Modulation type recognition algorithm based on modulation instantaneous structure difference and deep learning | |
CN109951194A (zh) | 一种数据传输方法 | |
CN108600137A (zh) | 一种基于反向传播神经网络的新型多载波识别方法 | |
CN109309541A (zh) | 一种基于无人机数据链抗干扰的半实物验证系统及验证方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
RJ01 | Rejection of invention patent application after publication |