CN112600635B - 一种低空无人机时延域信道仿真方法 - Google Patents

一种低空无人机时延域信道仿真方法 Download PDF

Info

Publication number
CN112600635B
CN112600635B CN202011488743.XA CN202011488743A CN112600635B CN 112600635 B CN112600635 B CN 112600635B CN 202011488743 A CN202011488743 A CN 202011488743A CN 112600635 B CN112600635 B CN 112600635B
Authority
CN
China
Prior art keywords
evolution
track
multipath
time delay
channel
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
CN202011488743.XA
Other languages
English (en)
Other versions
CN112600635A (zh
Inventor
黄泽宇
胡塞·罗德里格斯·皮内罗
托马斯·迪亚兹·博拉尼诺
蔡雪松
尹学锋
朱虹
王宇
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202011488743.XA priority Critical patent/CN112600635B/zh
Publication of CN112600635A publication Critical patent/CN112600635A/zh
Application granted granted Critical
Publication of CN112600635B publication Critical patent/CN112600635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B17/00Monitoring; Testing
    • H04B17/30Monitoring; Testing of propagation channels
    • H04B17/391Modelling the propagation channel
    • H04B17/3912Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Electromagnetism (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明涉及一种低空无人机时延域信道仿真方法,具体包括以下步骤:S1、获取无人机飞行时无线电波传播的无线传播多径,计算无线传播多径的多径间距;S2、根据多径间距,通过信道重构的方法计算无线传播多径随时间在时延域上的演变轨迹;S3、采集演变轨迹的轨迹特征,根据轨迹特征建立相应的统计模型;S4、根据轨迹特征及其对应的统计模型进行仿真,得到无人机飞行时对应的空地无线电波传播信道。与现有技术相比,本发明具有有效构建无人机飞行条件下空地无线电波传播信道的时延域特性等优点。

Description

一种低空无人机时延域信道仿真方法
技术领域
本发明涉及无人机通信技术领域,尤其是涉及一种低空无人机时延域信道仿真方法。
背景技术
无线电波传播信道的仿真一直以来是通信技术研究中非常重要的组成部分。无人机的空对地无线电波传播信道是随着无人机的飞行而不停变化的。在无人机飞行过程中,由于物理环境的连续性,其所经历的在不同的时刻的无线电波传播信道会具有一定的关联。在无线电波传播信道的仿真工作中,如何准确刻画这种时延域连续性是极其重要的工作。在当前的无人机空地传播信道建模和仿真工作中对无人机空地信道特征的建模和仿真对无人机飞行的不同时刻之间的关联的刻画极为缺乏,也没有相关的仿真方法被提出。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺乏对无人机飞行中无线电波传播信道的时延域连续性的刻画的缺陷而提供一种低空无人机时延域信道仿真方法。
本发明的目的可以通过以下技术方案来实现:
一种低空无人机时延域信道仿真方法,具体包括以下步骤:
S1、获取无人机飞行时无线电波传播的无线传播多径,计算所述无线传播多径的多径间距;
S2、根据所述多径间距,通过信道重构的方法计算无线传播多径随时间在时延域上的演变轨迹;
S3、采集所述演变轨迹的轨迹特征,根据轨迹特征建立相应的统计模型;
S4、根据所述轨迹特征及其对应的统计模型进行仿真,得到无人机飞行时对应的空地无线电波传播信道。
所述演变轨迹包括直射演变轨迹和非直射演变轨迹,所述直射演变轨迹是由直射传播径的演进所形成的,而非直射演变轨迹则是由除去直射传播径的剩余无线传播多径演进所形成的。
直射传播径,是指由基站到无人机,中间没有任何物体阻挡的无线电传播路径,每个快拍只有一条传播路径为直射传播径。直射传播径只与基站和无人机的位置有关,在获得无线传播多径时区别于其它传播路径。
所述轨迹特征包括存活期、初始位置差值、初始相对时延和相对变化率。
进一步地,非直射演变轨迹的存活期被用于描述每条演变轨迹在时间、空间等尺度上的存在范围;初始位置差值是指两条先后连续出现的演变轨迹,其第一条出现的无线传播多径的位置在时间、空间等尺度上差值;对于每条非直射演变轨迹,初始相对时延为该非直射演变轨迹的第一条出现的无线传播多径和处于同一快拍的直射传播径在时延域的差值。
进一步地,所述变化演变轨迹基于直线线段建立统计模型,所述直线线段的线性模型为:
τ=kqh+βq
其中,τ代表时延,h代表时间尺度或空间,kq和βq分别代表第q条演变轨迹的斜率和截距。对于每一条演变轨迹,通过最小二乘法计算得到kq和βq的值。
进一步地,所述相对变化率的具体公式如下所示:
Δkq=tanΔθq
Δθq=θq0
θq=arctankq
θ0=arctank0
其中,Δkq为相对变化率,θq和θ0的取值范围为(-π/2,π/2)。
所述步骤S2中进行信道重构时通过累计分布函数产生每个演变轨迹的所有轨迹特征的初始值,根据轨迹特征的相互关系进行相关性处理,基于相关性处理后的轨迹特征初步重构演变轨迹的时延域特征。
进一步地,所述相关性处理的具体公式如下:
CA=B
Figure BDA0002840112230000031
Figure BDA0002840112230000032
Figure BDA0002840112230000033
其中,A为4*n的初始值矩阵,n为演变轨迹的数目,B为经过相关性操作后的矩阵,CCT为轨迹特征的协方差矩阵,si、di、ri和ki为相应的轨迹特征的初始值,s′i、d′i、r′i和k′i为相应的轨迹特征经过相关性操作的值,i的取值范围为1到n。
进一步地,所述步骤S2中还包括对演变轨迹进行剔除非合理值的处理,使重构信道从统计特性上很好地复原真实的信道特征。
所述空地无线电波传播信道具体为信道冲击响应,每一个信道冲击响应所对应的时刻为一个快拍,具体公式如下:
Figure BDA0002840112230000034
其中,hx(t,τ)为第x次快拍的冲击响应,t是时间变量,τ是传播时延,αx,lx,l,vx,l分别是第l条路径,第x次快拍对应的幅度、时延和多普勒频率,δ(·)是冲激方程。
进一步地,所述多径间距基于相邻快拍的两条多径,具体计算公式如下:
Figure BDA0002840112230000035
Figure BDA0002840112230000036
Figure BDA0002840112230000037
Figure BDA0002840112230000038
其中,x和y表示快拍序号,i和j表示快拍中的路径序号,a、b和c是权重变量,τx,i,vx,i,px,i分别是估计的无线传播多径的时延、多普勒频率和功率。
在保证所有的相邻直射传播径的多径间距小于预设阈值T的条件下,逐步减小a、b、c和1/T,直到满足相应的参数要求,按照测量时获得快拍的先后顺序,在每个快拍中按照相对功率从高到低,依次在后续快拍中寻找多径间距小于T值的无线传播多径,并将其归纳同一条演变轨迹。对于每一条无线传播多径,相对功率的计算公式为20log10x,l|。
当无人机移动时,无线传播多径的轨迹特征(功率、时延和多普勒频率)随着快拍而改变。如果存在两个无线传播多径分属两个连续快拍,且它们的多径间距小于预设阈值T,则判定两个无线传播多径属于传播环境中的同一因素。
与现有技术相比,本发明具有以下有益效果:
本发明基于多径间距来追踪无人机飞行时无线电波传播多径随时间在时延域上的变化,根据得到的演变轨迹的轨迹特征建立统计模型,基于轨迹特征及其所对应的统计模型来仿真所对应的空地无线电波传播信道,有效构建了无人机飞行条件下空地无线电波传播信道的时延域特性。
附图说明
图1为本发明的流程示意图;
图2为本发明实施例中无线传播多径的路径演变轨迹图;
图3为本发明实施例中飞行演变轨迹特性的示意图;
图4为本发明实施例中信道初步重构后的时延演变轨迹的示意图;
图5为本发明实施例中剔除不合理值后的信道时延演变轨迹的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
如图1所示,一种低空无人机时延域信道仿真方法,具体包括以下步骤:
S1、获取无人机飞行时无线电波传播的无线传播多径,计算无线传播多径的多径间距;
S2、根据多径间距,通过信道重构的方法计算无线传播多径随时间在时延域上的演变轨迹;
S3、采集演变轨迹的轨迹特征,根据轨迹特征建立相应的统计模型;
S4、根据轨迹特征及其对应的统计模型进行仿真,得到无人机飞行时对应的空地无线电波传播信道。
演变轨迹包括直射演变轨迹和非直射演变轨迹,直射演变轨迹是由直射传播径的演进所形成的,而非直射演变轨迹则是由除去直射传播径的剩余无线传播多径演进所形成的。
直射传播径,是指由基站到无人机,中间没有任何物体阻挡的无线电传播路径,每个快拍只有一条传播路径为直射传播径。直射传播径只与基站和无人机的位置有关,在获得无线传播多径时区别于其它传播路径。
轨迹特征包括存活期、初始位置差值、初始相对时延和相对变化率。
非直射演变轨迹的存活期被用于描述每条演变轨迹在时间、空间等尺度上的存在范围,如图3所示,本实施例中,由于非直射演变轨迹的出生和死亡是随机事件,因此每一个非直射演变轨迹的存活期可以表征为一个随机变量,以随机变量S表示,在本实施例中通过对数正态分布来拟合每次飞行的存活期。
初始位置差值是指两条先后连续出现的演变轨迹,其第一条出现的无线传播多径的位置在时间、空间等尺度上差值,如图3所示,本实施例中,初始位置差值为两个连续演变轨迹的第一条无线传播多径之间的水平距离差,每个演变轨迹的第一无线传播多径为地面基站与无人机水平距离最低时的无线传播多径。初始位置差值反映了无人机在两个连续演变轨迹之间水平位移的绝对值,以随机变量D表示,在本实施例中通过指数分布来拟合。
对于每条非直射演变轨迹,初始相对时延为该非直射演变轨迹的第一条出现的无线传播多径和处于同一快拍的直射传播径在时延域的差值,如图3所示,本实施例中,初始相对时延可以用随机变量R表示,通过对数正态分布来拟合。
变化演变轨迹基于直线线段建立统计模型,直线线段的线性模型为:
τ=kqh+βq
其中,τ代表时延,h代表时间尺度或空间,kq和βq分别代表第q条演变轨迹的斜率和截距。对于每一条演变轨迹,通过最小二乘法计算得到kq和βq的值。
相对变化率的具体公式如下所示:
Δkq=tanΔθq
Δθq=θq0
θq=arctankq
θ0=arctank0
其中,Δkq为相对变化率,θq和θ0的取值范围为(-π/2,π/2)。
步骤S2中进行信道重构时通过累计分布函数产生每个演变轨迹的所有轨迹特征的初始值,根据轨迹特征的相互关系进行相关性处理,基于相关性处理后的轨迹特征初步重构演变轨迹的时延域特征。
相关性处理的具体公式如下:
CA=B
Figure BDA0002840112230000061
Figure BDA0002840112230000062
Figure BDA0002840112230000063
其中,A为4*n的初始值矩阵,n为演变轨迹的数目,B为经过相关性操作后的矩阵,CCT为轨迹特征的协方差矩阵,si、di、ri和ki为相应的轨迹特征的初始值,s′i、d′i、r′i和k′i为相应的轨迹特征经过相关性操作的值,i的取值范围为1到n。
步骤S2中还包括对演变轨迹进行剔除非合理值的处理,使重构信道从统计特性上很好地复原真实的信道特征。
空地无线电波传播信道具体为信道冲击响应,每一个信道冲击响应所对应的时刻为一个快拍,具体公式如下:
Figure BDA0002840112230000064
其中,hx(t,τ)为第x次快拍的冲击响应,t是时间变量,τ是传播时延,αx,lx,l,vx,l分别是第l条路径,第x次快拍对应的幅度、时延和多普勒频率,δ(·)是冲激方程。
多径间距基于相邻快拍的两条多径,具体计算公式如下:
Figure BDA0002840112230000071
Figure BDA0002840112230000072
Figure BDA0002840112230000073
Figure BDA0002840112230000074
其中,x和y表示快拍序号,i和j表示快拍中的路径序号,a、b和c是权重变量,τx,i,vx,i,px,i分别是估计的无线传播多径的时延、多普勒频率和功率。
在保证所有的相邻直射传播径的多径间距小于预设阈值T的条件下,逐步减小a、b、c和1/T,直到满足相应的参数要求,按照测量时获得快拍的先后顺序,在每个快拍中按照相对功率从高到低,依次在后续快拍中寻找多径间距小于T值的无线传播多径,并将其归纳同一条演变轨迹。对于每一条无线传播多径,相对功率的计算公式为20log10x,l|。
当无人机移动时,无线传播多径的轨迹特征(功率、时延和多普勒频率)随着快拍而改变。如果存在两个无线传播多径分属两个连续快拍,且它们的多径间距小于预设阈值T,则判定两个无线传播多径属于传播环境中的同一因素。
如图2所示为本实施例中根据无线传播多径跟踪算法得到的路径演变轨迹图。横坐标为无人机与地面基站之间的水平距离,单位为米;纵坐标为无线传播多径时延,单位为微秒。所有的无线传播多径都用圆点表示出来,灰度值与其功率相对应。用不同灰度值的线段将属于同一演变轨迹的无线传播多径连接起来,可以看出图1中检测到的演变轨迹与无线传播多径原始的功率时延谱的变化趋势大体一致。
如图4所示为信道初步重构后的时延演变轨迹,横坐标为无人机与地面基站之间的水平距离,单位为米;纵坐标为无线传播多径时延,单位为微秒。图4的结果显示存在一些演变轨迹分量的时延小于直射演变轨迹的时延,即为不合理的演变轨迹,需要进行剔除。如图5所示为剔除了不合理演变轨迹之后的信道时延演变轨迹,从统计特性上可以很好地复原真实的信道特征。
此外,需要说明的是,本说明书中所描述的具体实施例子,所取名称可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化,均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。

Claims (7)

1.一种低空无人机时延域信道仿真方法,其特征在于,具体包括以下步骤:
S1、获取无人机飞行时无线电波传播的无线传播多径,计算所述无线传播多径的多径间距;
S2、根据所述多径间距,通过信道重构的方法计算无线传播多径随时间在时延域上的演变轨迹;
S3、采集所述演变轨迹的轨迹特征,根据轨迹特征建立相应的统计模型;
S4、根据所述轨迹特征及其对应的统计模型进行仿真,得到无人机飞行时对应的空地无线电波传播信道;
所述步骤S2中进行信道重构时通过累计分布函数产生每个演变轨迹的所有轨迹特征的初始值,根据轨迹特征的相互关系进行相关性处理,基于相关性处理后的轨迹特征初步重构演变轨迹的时延域特征;
所述相关性处理的具体公式如下:
CA=B
Figure FDA0003195258020000011
Figure FDA0003195258020000012
Figure FDA0003195258020000013
其中,A为4*n的初始值矩阵,n为演变轨迹的数目,B为经过相关性操作后的矩阵,CCT为轨迹特征的协方差矩阵,si、di、ri和ki为相应的轨迹特征的初始值,s′i、d′i、r′i和k′i为相应的轨迹特征经过相关性操作的值,i的取值范围为1到n;
所述步骤S2中还包括对演变轨迹进行剔除非合理值的处理。
2.根据权利要求1所述的一种低空无人机时延域信道仿真方法,其特征在于,所述演变轨迹包括直射演变轨迹和非直射演变轨迹。
3.根据权利要求2所述的一种低空无人机时延域信道仿真方法,其特征在于,所述轨迹特征包括存活期、初始位置差值、初始相对时延和相对变化率。
4.根据权利要求3所述的一种低空无人机时延域信道仿真方法,其特征在于,所述变化演变轨迹基于直线线段建立统计模型,所述直线线段的线性模型为:
τ=kqh+βq
其中,τ代表时延,h代表时间尺度或空间,kq和βq分别代表第q条演变轨迹的斜率和截距。
5.根据权利要求4所述的一种低空无人机时延域信道仿真方法,其特征在于,所述相对变化率的具体公式如下所示:
Δkq=tanΔθq
Δθq=θq0
θq=arctankq
θ0=arctank0
其中,Δkq为相对变化率,θq和θ0的取值范围为(-π/2,π/2)。
6.根据权利要求1所述的一种低空无人机时延域信道仿真方法,其特征在于,所述空地无线电波传播信道具体为信道冲击响应,每一个信道冲击响应所对应的时刻为一个快拍,具体公式如下:
Figure FDA0003195258020000021
其中,hx(t,τ)为第x次快拍的冲击响应,t是时间变量,τ代表时延,αx,l,τx,l,vx,l分别是第l条路径,第x次快拍对应的幅度、时延和多普勒频率,δ(·)是冲激方程。
7.根据权利要求6所述的一种低空无人机时延域信道仿真方法,其特征在于,所述多径间距基于相邻快拍的两条多径,具体计算公式如下:
Figure FDA0003195258020000022
Figure FDA0003195258020000023
Figure FDA0003195258020000024
Figure FDA0003195258020000025
其中,x和y表示快拍序号,i和j表示快拍中的路径序号,a、b和c是权重变量,τx,i,vx,i,px,i分别是估计的无线传播多径的时延、多普勒频率和功率。
CN202011488743.XA 2020-12-16 2020-12-16 一种低空无人机时延域信道仿真方法 Active CN112600635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011488743.XA CN112600635B (zh) 2020-12-16 2020-12-16 一种低空无人机时延域信道仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011488743.XA CN112600635B (zh) 2020-12-16 2020-12-16 一种低空无人机时延域信道仿真方法

Publications (2)

Publication Number Publication Date
CN112600635A CN112600635A (zh) 2021-04-02
CN112600635B true CN112600635B (zh) 2021-10-08

Family

ID=75196719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011488743.XA Active CN112600635B (zh) 2020-12-16 2020-12-16 一种低空无人机时延域信道仿真方法

Country Status (1)

Country Link
CN (1) CN112600635B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102447518A (zh) * 2011-11-10 2012-05-09 北京临近空间飞行器系统工程研究所 一种用于临近空间高超声速条件下的信道综合处理方法
CN103117823A (zh) * 2013-01-28 2013-05-22 中国电子科技集团公司第二十二研究所 一种短波信道模型建模方法
CN103179603A (zh) * 2011-12-20 2013-06-26 中兴通讯股份有限公司 一种城市无线网络信道仿真测试系统和方法
CN107514993A (zh) * 2017-09-25 2017-12-26 同济大学 基于无人机的面向单体建筑建模的数据采集方法及系统
CN107579789A (zh) * 2017-07-21 2018-01-12 南京航空航天大学 大规模无人机中继网络信道模拟装置及gpu实时仿真方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7508868B2 (en) * 2005-12-02 2009-03-24 Kyocera Wireless Corp. Systems and methods for testing the performance of and simulating a wireless communication device
US10313034B2 (en) * 2017-10-12 2019-06-04 Spirent Communications, Inc. Massive MIMO array testing using a programmable phase matrix and channel emulator
CN110247719A (zh) * 2019-06-17 2019-09-17 华北电力大学 基于机器学习的5g时变信道回放与仿真方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102447518A (zh) * 2011-11-10 2012-05-09 北京临近空间飞行器系统工程研究所 一种用于临近空间高超声速条件下的信道综合处理方法
CN103179603A (zh) * 2011-12-20 2013-06-26 中兴通讯股份有限公司 一种城市无线网络信道仿真测试系统和方法
CN103117823A (zh) * 2013-01-28 2013-05-22 中国电子科技集团公司第二十二研究所 一种短波信道模型建模方法
CN107579789A (zh) * 2017-07-21 2018-01-12 南京航空航天大学 大规模无人机中继网络信道模拟装置及gpu实时仿真方法
CN107514993A (zh) * 2017-09-25 2017-12-26 同济大学 基于无人机的面向单体建筑建模的数据采集方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automatic Scene Reconstruction Algorithm for Planialtimetric Applications;Marcos Gomez-Redondo 等;《 2018 IEEE International Conference on Automation/XXIII Congress of the Chilean Association of Automatic Control (ICA-ACCA)》;20190114;全文 *
无人机测控与信息传输信道的建模与仿真设计;张晶;《通信与网络》;20120229;全文 *

Also Published As

Publication number Publication date
CN112600635A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN104931967B (zh) 一种改进的高分辨率sar成像自聚焦方法
CN110365612A (zh) 一种基于近似消息传递算法的深度学习波束域信道估计方法
CN105954724B (zh) 基于多目标跟踪的分布式mimo雷达接收波束资源分配方法
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
CN109412673A (zh) 面向无人机通信的几何随机信道模型及实时仿真方法
CN105137424A (zh) 一种杂波背景下实波束扫描雷达角超分辨方法
CN112995892B (zh) 基于复数神经网络的大规模mimo指纹定位方法
CN104950305A (zh) 一种基于稀疏约束的实波束扫描雷达角超分辨成像方法
CN104793194B (zh) 基于改进的自适应多脉冲压缩的距离‑多普勒估计方法
CN103969628B (zh) 一种基于压缩感知的合成孔径雷达pfa成像算法
CN107124762B (zh) 一种高效消减非视距误差的无线定位方法
CN107843875A (zh) 基于奇异值分解降噪的贝叶斯压缩感知雷达数据融合方法
CN115097398A (zh) 基于跨域信号低损恢复网络的雷达抗干扰信号恢复方法
CN104155653B (zh) 一种基于特征距离子空间的sar后向投影成像方法
CN102638290B (zh) 一种基于信道测量的多径信号分量提取方法及装置
Yang et al. Wireless sensor network localization based on pso algorithm in nlos environment
CN111007457B (zh) 一种基于块稀疏贝叶斯模型的辐射源直接定位方法
CN112600635B (zh) 一种低空无人机时延域信道仿真方法
CN108761384B (zh) 一种抗差的传感器网络目标定位方法
CN104731762B (zh) 基于循环移位的立方相位信号参数估计方法
CN109669157A (zh) 基于压缩传输的tdoa估计方法
CN106546966A (zh) 基于多项式拟合的杂波背景下雷达噪声功率估计方法
Laaraiedh et al. Ray tracing-based radio propagation modeling for indoor localization purposes
CN105572642B (zh) 一种基于两级架构的空时自适应处理方法
CN107479055A (zh) 一种高轨星载sar的自聚焦方法和装置

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