CN111832708B - 一种基于长短期记忆网络的窄带信号时差估计系统 - Google Patents

一种基于长短期记忆网络的窄带信号时差估计系统 Download PDF

Info

Publication number
CN111832708B
CN111832708B CN202010760254.9A CN202010760254A CN111832708B CN 111832708 B CN111832708 B CN 111832708B CN 202010760254 A CN202010760254 A CN 202010760254A CN 111832708 B CN111832708 B CN 111832708B
Authority
CN
China
Prior art keywords
term memory
spectrum
long
memory network
short term
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
CN202010760254.9A
Other languages
English (en)
Other versions
CN111832708A (zh
Inventor
姚舜禹
孟桥
陈从颜
刘玮
周晨烨
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202010760254.9A priority Critical patent/CN111832708B/zh
Publication of CN111832708A publication Critical patent/CN111832708A/zh
Application granted granted Critical
Publication of CN111832708B publication Critical patent/CN111832708B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于长短期记忆网络的窄带信号时差估计系统，包括卷绕估计单元、估计补偿单元、综合估计单元，在卷绕估计单元中估计互相关相位谱中的相位卷绕值；在估计补偿单元得到时差落在卷绕模块盲区的盲区概率，所述综合估计单元结合互相关谱、相位卷绕参数和盲区概率恢复相位卷绕，根据无卷绕相位谱估计时差，本发明在低信噪下估计效果好、估计结果较为准确，同时系统更加稳定。

Description

一种基于长短期记忆网络的窄带信号时差估计系统
技术领域
本发明为一种窄带信号时差估计系统，属于无线通信电子技术领域。
背景技术
随着无线通信、雷达技术的不断发展，无线信号覆盖的射频频率范围不断扩展，在雷达信号处理、电子对抗、无线电台侦测、射电天文等应用场景中，信号中心频率范围可从0.5GHz到40GHz或更高，而信号的有效\观测带宽常在5MHz到80MHz以内，远小于中心频率。这类信号被称作窄带信号。目前，窄带信号时差估计最常用的方案是基于广义互相关(GCC)模型，用最小二乘拟合相位斜率从而得到延迟。而广义互相关模型使用最小二乘拟合在高斯白噪声模型下是最优估计，但时域高斯白噪声对相位谱的影响是非高斯非白的，低信噪比下噪声的干扰更加明显。常见的天文观测中，需要累积10秒到10分钟的信号，以提高处理信号的信噪比。针对数字通信信号的较短的通信脉冲、较远距离的辐射源等无法进行长时间连续观测的信号，适用于低信噪比的时差估计算法至关重要，上述要求需要将非线性因素引入时差估计算法才能更好地完成对低信噪比信号的时差估计。
为了解决输入信噪比与时差估计精度的矛盾，目前的主要技术方案有：增加信号累积时间、硬件指向天线等。然而，上述方案均存在一些缺点：1)硬件上的修改会导致成本增加，扫描时间增加，且不适合多天线联合定位；2)信号累积需要观测目标发射一段有稳定特征的信号，不适用于广泛使用的时分复用信号。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种基于长短期记忆网络的窄带信号时差估计系统，本发明根据广义互相关模型使用长短期记忆网络，将非线性因素引入时差估计算法。双全连接长短期记忆网络的作用在于估计载波频点上有效\观测带宽的相位卷绕值。经双全连接长短期记忆网络得到较为精确的相位卷绕参数后，可以在传统广义互相关模型的基础上使用相延迟法得到时差估计值。本发明在低信噪比信号的实时数据处理中，得到比最小二乘法更高估计精度。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于长短期记忆网络的窄带信号时差估计系统，包括卷绕估计单元、估计补偿单元、综合估计单元，其中：
所述卷绕估计单元包括依次连接的网络输入规范化模块一、全连接长短期记忆网络一以及网络输出层一，全连接长短期记忆网络一包括依次连接的全连接无激励函数层一、3层级联长短期记忆网络一以及丢弃层一。
所述估计补偿单元包括依次连接的网络输入规范化模块二、全连接长短期记忆网络二以及网络输出层二，全连接长短期记忆网络二包括依次连接的全连接无激励函数层二、3层级联长短期记忆网络二以及丢弃层二。
信号频谱一、信号频谱二经网络输入规范化模块一将数据的实部虚模块开后，进入全连接长短期记忆网络一估计互相关相位谱中的相位卷绕值。
信号频谱一、信号频谱二经网络输入规范化模块二将数据的实部虚模块开后，进入全连接长短期记忆网络二得到时差落在卷绕模块盲区的盲区概率。
全连接长短期记忆网络一、全连接长短期记忆网络二的参数根据指定中频的仿真数据进行训练得到。
根据广义互相关模型使用长短期记忆网络，将非线性因素引入时差估计。双全连接长短期记忆网络的作用在于估计载波频点上有效\观测带宽的相位卷绕值。经双全连接长短期记忆网络得到较为精确的相位卷绕值后，在广义互相关模型的基础上使用相延迟法得到时差估计值。
所述综合估计单元包括依次连接的互相关模块、互相关相位解卷绕模块、以及延迟估计模块。
所述综合估计单元在高精度卷绕估计和卷绕盲区概率的驱动下，以给定中频周期Tc的信号频谱一和信号频谱二得到含相位卷绕的高频相位谱，结合相位卷绕值和盲区概率恢复相位卷绕，得到无卷绕相位谱。根据相延迟模型，并使用最小二乘估计，得到高精度的估计时差。
所述综合估计单元，首先在互相关模块中令信号频谱一X1(w)、信号频谱二X2(w)共轭相乘，得到互相关谱，所述互相关谱是含相位卷绕的。在互相关相位解卷绕模块中结合互相关谱、相位卷绕值和盲区概率恢复相位卷绕，得到无卷绕相位谱。延迟估计模块根据无卷绕相位谱估计时差：
在互相关模块中，互谱S12(jω)写作：
Figure BDA0002612885890000021
其中，S12(jω)表示互谱，X1(jω)表示接收信号一的频域响应，X2(jω)表示接收信号二的频域响应，
Figure BDA0002612885890000022
表示X2(jω)的共轭，e表示自然对数，j表示复指数，ω表示信号角频率，τ0表示延迟值，|S1(jω)|2表示信号一的能量谱。
延迟估计模块中根据最小二乘估计时差：
Figure BDA0002612885890000023
其中，w(i)是有效带宽内离散的角频率，
Figure BDA0002612885890000031
是角频率i对应的相位，N表示快速傅里叶变换点数，τ0表示延迟值。
优选的：所述网络输出层一采用回归层。
优选的：所述网络输出层二采用Softmax判决层。
优选的：所述信号频谱一、信号频谱二是从时域离散采样信号，按指定数量，进行时间累积，加窗的时域预处理后，通过FFT变换得到的频域数据。
本发明与传统广义互相关群延迟方案、相延迟方案相比，具有以下优点：
1、解决了传统相延迟算法无法克服基带信号的相位卷绕的缺点。
2、相对于群延迟算法，低信噪比情况下，估计精度高，估计波动小。
3、信号处理时间和传统算法在同等数量级，且可以通过硬件加速。
4、适用于载波频率较高的窄带信号时差估计，在窄带情况下估计效果比传统算法更接近克拉美劳界。
附图说明
图1是本发明原理框图。
图2是实施例中的双全连接长短期记忆网络细节框图。
图3是实施例中的综合估计模块框图。
图4相位卷绕的原理框图。
图5是实施例中的各方法均方根误差对比图。
图6是实施例中的各方法偏差对比图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于长短期记忆网络的窄带信号时差估计系统，本系统针对窄带信号的时差估计，窄带信号的基带带宽远小于载波频率。当信号从观测目标发射到两个不同的接收天线，到达两个接收机的信号存在时差，该时差可以用于被动定位、测向以及电子对抗等技术中。如图1所示，包括通道一、通道二、卷绕估计单元21、估计补偿单元22、综合估计单元3，通道一分别与卷绕估计单元21、估计补偿单元22、综合估计单元3连通，通道二分别与卷绕估计单元21、估计补偿单元22、综合估计单元3连通，其中：
所述卷绕估计单元21包括依次连接的网络输入规范化模块一211、全连接长短期记忆网络一212以及网络输出层一213，全连接长短期记忆网络一212包括依次连接的全连接无激励函数层一、3层级联长短期记忆网络一以及丢弃层一，网络输出层一213采用回归层，回归层可以输出高精度的相位卷绕估计。
所述估计补偿单元22包括依次连接的网络输入规范化模块二221、全连接长短期记忆网络二222以及网络输出层二223，全连接长短期记忆网络二222包括依次连接的全连接无激励函数层二、3层级联长短期记忆网络二以及丢弃层二，网络输出层二223采用Softmax判决层，softmax判决层可以输出是否存在卷绕的概率。弥补了卷绕估计单元21对卷绕次数在0附近的估计能力较差的缺点，进一步提高精度。
卷绕值估计模块21的盲区在正负跳变的时候即0附近，这是由深度学习网络本身的特性所决定的。而卷绕值在0附近时差对估计误差的容忍度较小，所以需要结合估计补偿模块22。图5是实施例中的各方法均方根误差对比，图6是其对应偏差对比，全连-记忆是单元(3)结合卷绕值估计模块21与估计补偿单元22共同估计的结果。群延迟和相延迟是典型传统算法的估计结果，克拉美劳界是理论上的最优值。
全连接长短期记忆网络一212、全连接长短期记忆网络二222的参数根据指定中频的仿真数据进行训练得到。
信号频谱一11通过通道一分别进入到卷绕估计单元21、估计补偿单元22、综合估计单元3中，信号频谱二12通过通道二分别进入到卷绕估计单元21、估计补偿单元22、综合估计单元3中。信号频谱一11、信号频谱二12是从时域离散采样信号，按指定数量，进行时间累积，加窗的时域预处理后，通过FFT变换得到的频域数据。信号频谱一11、信号频谱二12按实部虚部分开后可输入长短期记忆网络。
信号频谱一11、信号频谱二12经网络输入规范化模块一211将数据的实部虚模块开后，进入全连接长短期记忆网络一212估计互相关相位谱中的相位卷绕值。
信号频谱一11、信号频谱二12经网络输入规范化模块二221将数据的实部虚模块开后，进入全连接长短期记忆网络二222得到时差落在卷绕模块盲区的盲区概率。
根据广义互相关模型使用长短期记忆网络，将非线性因素引入时差估计。双全连接长短期记忆网络的作用在于估计载波频点上有效\观测带宽的相位卷绕值。经双全连接长短期记忆网络得到较为精确的相位卷绕值后，在广义互相关模型的基础上使用相延迟法得到时差估计值。
所述综合估计单元3包括依次连接的互相关模块31、互相关相位解卷绕模块32、以及延迟估计模块33。
所述综合估计单元3在高精度卷绕估计和卷绕盲区概率的驱动下，以给定中频周期Tc的信号频谱一11和信号频谱二12得到含相位卷绕的高频相位谱，结合相位卷绕值和盲区概率恢复相位卷绕，得到无卷绕相位谱。根据相延迟模型，并使用最小二乘估计，得到高精度的估计时差。
综合估计单元3将双全连接长短期记忆网络的输出结果与传统算法结合。互相关模块31和互相关相位解卷绕模块32，较为精确地还原相频曲线
Figure BDA0002612885890000051
延迟估计模块(时差估计模块)33实时高精度地测量两路数字信号中的时差。
所述综合估计单元3，首先在互相关模块31中令X1(w)，X2(w)共轭相乘，得到互相关谱，所述互相关谱是含相位卷绕的。在互相关相位解卷绕模块32中结合互相关谱、相位卷绕值和盲区概率恢复相位卷绕，得到无卷绕相位谱。延迟估计模块33根据无卷绕相位谱估计时差：
在互相关模块31中，传统广义互相关模型的互谱S12(jω)可写作：
Figure BDA0002612885890000052
其中，S12(jω)表示两信号的互谱，X1(jω)表示接收信号一的频域响应，X2(jω)表示接收信号二的频域响应，
Figure BDA0002612885890000053
表示X2(jω)的共轭，e表示自然对数，j表示复指数，ω表示信号角频率，τ0表示延迟值，|S1(jω)|2表示信号一的能量谱。
S12(jω)的理想相位谱的如图4的
Figure BDA0002612885890000054
直线所示。而实际数字信号处理系统中的相位值必须在±π之间，从而会产生卷绕如图4的
Figure BDA0002612885890000055
直线所示。实际观测中，往往只能观测到一段带宽为Δω的窄带信号，图4中的点线部分都是无规律的噪声。本发明拟使用相时延算法去估计时差：
Figure BDA0002612885890000056
式中，
Figure BDA0002612885890000057
是无卷绕的相位，所以需要估计卷绕次数。
延迟估计模块33中根据最小二乘估计时差：
Figure BDA0002612885890000058
其中，w(i)是有效带宽内离散的角频率，
Figure BDA0002612885890000059
是角频率i对应的相位，N表示快速傅里叶变换点数，τ0表示延迟值。
在本实施例中，以载波频率为2.437GHz，有效带宽为11MHz的wifi信号作为实验源，信号遵循IEEE802.11b的CCK调制。接收系统包括一个具有20MHz基带的接收机和两个相距5m的天线。双全连接长短期训练网络已根据响应条件进行了培训。不同信噪比下均方根误差对比的仿真结果，我们对比了传统的群延迟方法，线性估计卷绕的相延迟法，双长短记忆序列法，以及克拉美劳界，部分细节如下表：
Figure BDA0002612885890000061
不同信噪比下偏差对比的仿真结果，如图6所示。
本发明运用了深度学习网络中的长短期记忆结构，可以在窄带信号的时差估计中获得比传统算法更加稳定的估计。本文的两个并行的长短期记忆模块分别有估计和修正的功能，后级综合估计模块利用相延迟的模型估计出较为准确的时差。本发明较现有算法方案在低信噪下估计效果比传统群延迟算法更好，并提供了窄带相延迟算法中解相位卷绕的方案，更适用于短脉冲信号，且适于硬件实现。
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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于长短期记忆网络的窄带信号时差估计系统，其特征在于，包括卷绕估计单元(21)、估计补偿单元(22)、综合估计单元(3)，其中：
所述卷绕估计单元(21)包括依次连接的网络输入规范化模块一(211)、全连接长短期记忆网络一(212)以及网络输出层一(213)，全连接长短期记忆网络一(212)包括依次连接的全连接无激励函数层一、3层级联长短期记忆网络一以及丢弃层一；
所述估计补偿单元(22)包括依次连接的网络输入规范化模块二(221)、全连接长短期记忆网络二(222)以及网络输出层二(223)，全连接长短期记忆网络二(222)包括依次连接的全连接无激励函数层二、3层级联长短期记忆网络二以及丢弃层二；
信号频谱一(11)、信号频谱二(12)经网络输入规范化模块一(211)将数据的实部虚模块开后，进入全连接长短期记忆网络一(212)估计互相关相位谱中的相位卷绕值；
信号频谱一(11)、信号频谱二(12)经网络输入规范化模块二(221)将数据的实部虚模块开后，进入全连接长短期记忆网络二(222)得到时差落在卷绕模块盲区的盲区概率；
所述综合估计单元(3)包括依次连接的互相关模块(31)、互相关相位解卷绕模块(32)、以及延迟估计模块(33)；在互相关模块(31)中令信号频谱一X1(w)、信号频谱二X2(w)共轭相乘，得到互相关谱310，所述互相关谱是含相位卷绕的；在互相关相位解卷绕模块(32)中结合互相关谱、相位卷绕值和盲区概率恢复相位卷绕，得到无卷绕相位谱320；延迟估计模块(33)根据无卷绕相位谱估计时差330：
在互相关模块(31)中，互谱S12(jω)写作：
Figure FDA0002612885880000012
其中，S12(jω)表示互谱，X1(jω)表示接收信号一的频域响应，X2(jω)表示接收信号二的频域响应，
Figure FDA0002612885880000013
表示X2(jω)的共轭，e表示自然对数，j表示复指数，ω表示信号角频率，τ0表示延迟值，|S1(jω)|2表示信号一的能量谱；
延迟估计模块(33)中根据最小二乘估计时差：
Figure FDA0002612885880000011
其中，w(i)是有效带宽内离散的角频率，
Figure FDA0002612885880000014
是角频率i对应的相位，N表示快速傅里叶变换点数，τ0表示延迟值。
2.根据权利要求1所述基于长短期记忆网络的窄带信号时差估计系统，其特征在于：所述网络输出层一(213)采用回归层。
3.根据权利要求2所述基于长短期记忆网络的窄带信号时差估计系统，其特征在于：所述网络输出层二(223)采用Softmax判决层。
4.根据权利要求3所述基于长短期记忆网络的窄带信号时差估计系统，其特征在于：所述信号频谱一(11)、信号频谱二(12)是从时域离散采样信号，按指定数量，进行时间累积，加汉明窗的时域预处理后，通过FFT变换得到的频域数据。
5.根据权利要求4所述基于长短期记忆网络的窄带信号时差估计系统，其特征在于：全连接长短期记忆网络一(212)、全连接长短期记忆网络二(222)的参数根据指定中频的仿真数据进行训练得到。
CN202010760254.9A 2020-07-31 2020-07-31 一种基于长短期记忆网络的窄带信号时差估计系统 Active CN111832708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010760254.9A CN111832708B (zh) 2020-07-31 2020-07-31 一种基于长短期记忆网络的窄带信号时差估计系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010760254.9A CN111832708B (zh) 2020-07-31 2020-07-31 一种基于长短期记忆网络的窄带信号时差估计系统

Publications (2)

Publication Number Publication Date
CN111832708A CN111832708A (zh) 2020-10-27
CN111832708B true CN111832708B (zh) 2022-05-24

Family

ID=72920829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010760254.9A Active CN111832708B (zh) 2020-07-31 2020-07-31 一种基于长短期记忆网络的窄带信号时差估计系统

Country Status (1)

Country Link
CN (1) CN111832708B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408712A (zh) * 2021-07-16 2021-09-17 杭州电子科技大学 基于时延尺度长短期记忆网络与传递熵的脑肌耦合方法
CN114280532B (zh) * 2021-12-27 2024-04-19 中山大学 一种基于带内共轭点乘的雷达目标角度估计方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103163386A (zh) * 2013-02-28 2013-06-19 清华大学 一种脉冲信号到达时差的测量方法
CN104049247A (zh) * 2013-03-12 2014-09-17 中国科学院声学研究所 一种基于频率方差加权的时延差估计方法
CN107707324A (zh) * 2017-08-28 2018-02-16 西安电子科技大学 一种基于相位差和最大似然估计的声信号时延估计方法
CN110808934A (zh) * 2019-11-01 2020-02-18 中国电子科技集团公司第二十九研究所 线性调频信号的时差估计方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103163386A (zh) * 2013-02-28 2013-06-19 清华大学 一种脉冲信号到达时差的测量方法
CN104049247A (zh) * 2013-03-12 2014-09-17 中国科学院声学研究所 一种基于频率方差加权的时延差估计方法
CN107707324A (zh) * 2017-08-28 2018-02-16 西安电子科技大学 一种基于相位差和最大似然估计的声信号时延估计方法
CN110808934A (zh) * 2019-11-01 2020-02-18 中国电子科技集团公司第二十九研究所 线性调频信号的时差估计方法及装置

Also Published As

Publication number Publication date
CN111832708A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN111832708B (zh) 一种基于长短期记忆网络的窄带信号时差估计系统
CN103117965B (zh) 一种星载ais信号定时频偏联合估计方法及其实现系统
CN110417697B (zh) 高动态微弱mpsk信号的精确测频方法
CN110515038B (zh) 一种基于无人机-阵列的自适应无源定位装置及实现方法
CN103428153B (zh) 卫星移动通信中gmsk信号接收方法
CN113824517B (zh) 一种基于数字波束合成的无线在轨自适应幅相校正系统
CN104022981A (zh) 一种正交幅度调制信号的盲载波频偏估计方法
CN101969321A (zh) 基于fft的直接序列扩频系统的大频偏二次捕获方法
CN103630878A (zh) 一种基于迭代自适应方法的频带融合方法及装置
CN103117758A (zh) Uhf频率测流雷达保持多通道接收机相位一致性的方法
CN103023831A (zh) 一种适用于突发波形的载波频偏估计方法
CN104914427B (zh) 基于接收信号强度的自适应时延估计的测距方法及系统
CN114624736A (zh) 一种北斗时间同步接收机的抗干扰方法
CN111416635A (zh) 一种测角方法和测角设备
CN103546191B (zh) 全域覆盖多波束s-lte的主同步序列干扰抵消检测方法
CN112910533B (zh) 一种具有并行结构的宽带信号组阵系统
Varlamov et al. Research of the Hybrid Filter Bank Frequency Equalizer Transfer Function Coefficients Estimation Quality
CN110311713B (zh) 一种基于ieee1901.1通信标准的电力双模通信方法
CN111654308B (zh) 一种突发扩频弱信号的精密频偏估计方法
CN112968850A (zh) 微弱bpsk信号载波捕获方法
CN110943949B (zh) 一种基于sc-fde传输体制的宽带角跟踪方法
CN113203985A (zh) 一种短波同频信号直接定位方法
Fan et al. Iterative carrier frequency offset estimation for faster-than-Nyquist signaling
CN115586502B (zh) 一种外场时频近场宽带信号的接收校正方法及装置
CN117289202B (zh) 一种自适应相位差测量方法

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
GR01 Patent grant
GR01 Patent grant