CN113326757A - 基于卷积神经网络的频率合成器类型识别方法 - Google Patents

基于卷积神经网络的频率合成器类型识别方法 Download PDF

Info

Publication number
CN113326757A
CN113326757A CN202110570134.7A CN202110570134A CN113326757A CN 113326757 A CN113326757 A CN 113326757A CN 202110570134 A CN202110570134 A CN 202110570134A CN 113326757 A CN113326757 A CN 113326757A
Authority
CN
China
Prior art keywords
size
layer
frequency
convolution
pooling
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
Application number
CN202110570134.7A
Other languages
English (en)
Inventor
蒋伊琳
尹希航
宋宇
尹子茹
陈涛
郭立民
刘鲁涛
赵忠凯
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202110570134.7A priority Critical patent/CN113326757A/zh
Publication of CN113326757A publication Critical patent/CN113326757A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Discrete Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Stabilization Of Oscillater, Synchronisation, Frequency Synthesizers (AREA)

Abstract

本发明提供一种基于卷积神经网络的频率合成器类型识别方法，包括如下步骤：步骤一：建立DDS相位截断模型；步骤二：建立带有小数分频杂散的Fractional‑N PLL模型；步骤三：对步骤一和步骤二的模型进行仿真，得到四十种频率的信号；步骤四：训练CNN模型，实现对频率合成器类型识别；所述步骤四具体为：将仿真信号的时频图像输入进卷积神经网络中，CNN模型包括一个输入层、3个卷积层、3个池层和2个完全连接层。本发明CNN更适合于与时频图像相结合的频率合成器类型识别，即使在信噪比较低的情况下，也能获得较高的识别率。将任一信号输入训练好的CNN模型，能够快速准确地输出识别结果。

Description

基于卷积神经网络的频率合成器类型识别方法
技术领域
本发明涉及一种频率合成器类型识别方法，尤其涉及一种基于卷积神经网络的频率合成器类型识别方法。
背景技术
随着多功能雷达的发展，雷达辐射源模式越来越复杂，频率合成器是雷达辐射源的重要组成部分。雷达频率合成器类型识别方法的研究也将推动电子侦察的发展。直接数字频率合成器(Direct Digital Synthesizer,DDS)和小数分频锁相环频率合成器(Fractional-N Phase Locked Loop,Fractional-N PLL)在雷达领域有着广泛的应用。DDS具有分辨率高、频率转换快等优点。然而，在实际电路中，为了获得更高的频率分辨率，相位累加器的位数通常较大。由于只读存储器(Read-Only Memory,ROM)查找表的容量有限，相位序列的低位被截断，只有高位被用来寻址，这就引入了DDS特有的相位截断误差。如ZhengYu Wang,M.C.Frank Chang等人在他们的论文中所述，从典型DDS的信号频谱图可以看出，相位截断引入了不可忽略的杂散成分(“A simple DDS architecture with highlyefficient sine function lookup table.”，Proceedings of the ResearchGate,2004,154–157)。本发明对DDS的结构进行了模块化，并构建DDS的相位截断模型，以更好地监测各个模块的输出信号。
Fractional-N PLL具有低功耗、高集成度、高频率稳定性等特点。小数频率合成技术可以解决单环数字频率合成器相位检测频率高、频率间隔小的矛盾，但小数分频会带来严重的杂散。如Hui Cao和Yu Qu所提出的方法，通常采用小数频率合成器芯片来实现相位噪声的测量(“Design of High Integrated Low Phase Noise Phase-Locked LoopFrequency Synthesizer System.”，Proceedings of the ResearchGate,2017,69–73)。本发明采用软件实现的仿真方法，克服了不稳定因素对芯片性能的影响。
短时傅里叶变换(Short-term Fourier Transform，STFT)是一种线性联合时频分析方法，Zdenek Prusa和Peter Balazs等人所述(“A Non-iterative Method forReconstruction of Phase From STFT Magnitude.”，Proceedings of theResearchGate，2017，1154–1164)，STFT避免了高阶非平稳分析中的交叉项干扰，适合于多分量信号分析。本发明利用STFT获得输出信号的时频图像。然后利用时频图像集对网络模型进行训练。卷积神经网络(Convolutional Neural Networks，CNN)具有局部感知和参数共享的特点。CNN可以直接处理二维图像，可以有效地从大量样本中学习相应的特征，避免了复杂的特征提取过程。Hao Ye和Zuxuan Wu说到(“Evaluating Two-Stream CNN forVideo Classification.”，Proceedings of the ResearchGate，2015，435–442)，近年来，在信号识别领域，CNN已被用于信号调制方式和辐射源个体的识别，但很少用于频率合成器的类型识别。
发明内容
本发明是为了识别频率合成器类型，通过建立一个CNN模型，在不同信噪比条件下，对DDS和Fractional-N PLL产生的信号进行处理，反演得出频率合成器的类型，即实现从信号到频率合成器类型的反演过程。
本发明的目的是这样实现的：
一种基于卷积神经网络的频率合成器类型识别方法，包括如下步骤：
步骤一：建立DDS相位截断模型；
步骤二：建立带有小数分频杂散的Fractional-N PLL模型；
步骤三：对步骤一和步骤二的模型进行仿真，得到四十种频率的信号；
步骤四：训练CNN模型，实现对频率合成器类型识别；
所述步骤四具体为：将仿真信号的时频图像输入进卷积神经网络中，CNN模型包括一个输入层、3个卷积层、3个池层和2个完全连接层；
网络各层的参数和功能如下：
输入：对两个模型产生的信号进行STFT，得到128*128的时频图像，作为CNN模型的输入；
C1：第一卷积层：16个大小为3*3的卷积核对输入的时频图像进行卷积，卷积核的步长为1，使用全零填充；得到128×128的特征图；
P1：第一池化层：此层使用最大池，池内核的大小是2*2，步长是2，使用全零填充，得到了尺寸为64×64的特征图；
C2：第二卷积层：大小为3*3的32个卷积核对上一层输出的特征映射执行卷积，卷积内核的步长为1，使用全零填充，得到尺寸为64×64的特征图；
P2：第二池化层：池化的方法是最大池化，池化内核的大小是2*2，步长是2，使用全零填充，得到了大小为32×32的特征图；
C3：第三卷积层：64个大小为3*3的卷积核对上一层输出的特征映射执行卷积，步长为1，使用全零填充，得到大小为32×32的特征图；
P3：第三池化层：池化方法为最大池化，池化核大小为2*2，步长为2，使用全零填充，得到16*16的特征图；
F1：第一个全连接层：将卷积层输出的16×16大小的特征图被展平后，形状变为16384×1的张量，用作全连接网络的输入，在隐藏层中有1024个神经元，Dropout被用来减轻过度拟合；
F2：第二个全连接的层：Dropout用于缓解过拟合，softmax分类器用于使输出n符合概率分布准则(y1,y2,......,yn)，当分类结果通过softmax函数时，输出为：
Figure BDA0003082352210000031
与现有技术相比，本发明的有益效果是：
本发明采用TensorFlow.1.12.0框架。训练样本数为3600个。实验比较了6种信噪比下的训练效果。图5显示了验证集的识别率和Loss值是随着迭代次数的变化情况。总迭代次数为5000次。随着迭代次数的增加，识别率逐渐提高，然后逐渐稳定，同时丢失值不断减小，最后趋于稳定。当训练结果在无噪声下稳定时，识别率为100％，15dB时，识别率为100％，10dB时，识别率为96.9％，5dB时，识别率为93.8％，0dB时，识别率为90.6％，-5dB时，识别率为87.5％。CNN更适合于与时频图像相结合的频率合成器类型识别，即使在信噪比较低的情况下，也能获得较高的识别率。将任一信号输入训练好的CNN模型，能够快速准确地输出识别结果，进一步验证了所设计算法的可行性和有效性。
附图说明
图1为DDS的示意图；
图2为Fractional-N PLL的示意图；
图3为两种信号的时频图像.(a)DDS相位截断模型输出信号的时频图像.(b)Fractional-N PLL输出的时频图像；
图4为基于CNN的频率合成器类型识别结构；
图5为验证集识别率和oss函数变化(a)识别率随迭代次数的变化.(b)Loss函数随迭代次数的变化；
图6为DDS相位截断模型；
图7为DDS模型的输出信号频谱；
图8为Fractional-N PLL模型仿真结果.(a)VCO输出频率.(b)分频比小数部分.(c)输出信号频谱。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明提出了一种基于CNN的频率合成器类型识别方法。提出了频率合成器内部结构对输出信号的特有影响，分别建立了DDS相位截断模型和带有小数分频杂散的Fractional-N PLL模型。对两个模型进行仿真，得到四十种频率的信号。通过STFT获得信号时频图像，训练CNN模型。经过训练与优化的网络模型就可以实现频率合成器类型的识别。
该发明包括如下步骤：
步骤一：构建DDS模型
DDS在时钟源的作用下，通过控制信号的相位，产生所需的信号波形。DDS基本原理如图1所示，相位累加器的数量为N，频率控制字为K。相位累加器中的加法器在基准时钟的作用下连续累加，参考时钟源的频率为fc，相位随K变化。这些相位值用于寻址相位-幅度转换器ROM。相位-幅度转换器存储着完整周期的正弦信号的相位和幅度数据。根据相位获取相应的振幅值。ROM输出的二进制幅度值经过数模转换器，得到幅度量化的阶跃正弦波形。低通滤波器去除信号中的高频成分，得到平滑的正弦波形。
步骤二：构建Fractional-N PLL模型
Fractional-N PLL是一种基于相位误差的闭环、自动控制、负反馈系统。它能跟踪输入信号的相位和频率。典型的Fractional-N PLL的基本原理图如图2所示。
其中是fref是参考频率，fPLL是输出频率。根据输入参考信号和输出分频信号之间的相位差，鉴频鉴相器(Frequency detector,PFD)控制电荷泵(Charge Pump,CP)提供正脉冲或负脉冲，这些脉冲通过环路滤波器进行积分，产生调谐电压以控制压控振荡器(Voltage-controlled Oscillator,VCO)的频率增大或减小，直到相位同步。Fractional-NPLL控制数字分频比按一定的规律变化，使分频比等于N0+fraction，其中N0是一个整数，fraction是一个小数。小数分频锁相环的输出频率是：
fPLL＝(N0+fraction)×fref (1)
步骤三：构建基于CNN的频率合成器识别模型
STFT作为一种时频分析方法，用于信号的时频特征提取。窗口函数将较长的信号在时域中分割成若干段较短的信号，然后在每个段上分别进行傅立叶变换。s(t)是原信号，w(t)为窗函数，w*(t)为窗函数的共轭，STFT方式如下：
Figure BDA0003082352210000041
使用的窗函数是汉明窗，获得的时频图像如图3所示。在时频图像中使用不同的颜色来表示功率谱密度(Power Spectral Density,PSD)估计值的差异。PSD的估计值与时频图像中的颜色相对应。从时频图像还可以看出，DDS模型和Fractional-N PLL模型产生的信号都带有各自独特的杂散成分。
深度学习算法能够自动提取数据的特征集，避免了人工提取特征时大量计算量与误差。CNN作为一种典型的前向神经网络，采用卷积层和池化层实现图像的特征自动提取，可以有效地缓解参数过多导致的过拟合，提高计算的精度和速度。结合信号的时频图像，图4显示了本发明基于CNN识别频率合成器类型的总体框架。
1、构建DDS模型
以正弦连续信号的输出为例，fDDS为输出频率，t表示时间，
Figure BDA0003082352210000051
为相位函数，输出信号可表示为：
Figure BDA0003082352210000052
假设s(t)为被采样信号，采样周期为Tc＝1/fc，采样后得到的离散序列可以表示为：
Figure BDA0003082352210000053
Figure BDA0003082352210000054
表示相位增量，相应的离散相序可以表示为：
Figure BDA0003082352210000055
N表示相位累加器数量，其中相位增量为：
Figure BDA0003082352210000056
K为频率控制字，DDS的输出频率为:
fDDS＝Kfc/2N (7)
频率分辨率可以表示为：
fmin＝fc/2N (8)
通常通过增加相位累加器的数目N来提高分辨率，但是相位寄存器ROM的容量与N成指数关系，因此通常使用高A位来寻址ROM中的数据，而低B位则被截断，这就引入了相位截断错误。图6为DDS相位截断模型，相位累加器的输出序列为：
Figure BDA0003082352210000057
模型中的Clock Source为参考时钟源，其频率为fc＝2GHz，频率控制字K＝10500。相位累加器的位数为N＝15，相位累加器输出的最大累加结果为32768。正弦函数查找表SinLUT具有相位幅度转换和数模转换功能。低通滤波器的通带边缘频率为1GHz，滤除前级输出信号中的高频成分。该模型中截断位数为6，输出信号的频谱如图7所示，根据输出频率的计算公式，输出信号的频率为640.869MHz，与频谱图一致。可以清楚地看到，输出信号具有明显的相位截断杂散。
2、构建Fractional-N PLL模型
为了更准确地测量信号的相位差，参考信号被定义为锯齿波：
refv＝2π×fref×rem(time+142.5ns,1/fref)-π (10)
其中参考频率为fref＝1.55MHz，rem是产生锯齿波的函数。在PFD的控制下，CP为环路滤波器提供充放电电流。输出电流
Figure BDA0003082352210000061
与相位差θe的关系可以表示为：
Figure BDA0003082352210000062
其中是kd鉴相器的增益，Rb是固有阻抗。在该模型中，行为模型PhaseFreqDetCP用于实现FPD和CP的功能。理想压控振荡器的输出频率f与电压Vctrl呈线性关系：
f＝fvco+kvco×Vctrl (12)
其中为fvco中心频率，VCO的灵敏度为kvco＝20MHz。VCO_DivideByN是一个包含分频器的VCO元件，其tune端口是调谐电压输入端，dN端口是小数分频输入端，VCOfreq端口的VCO输出信号频率如图8(a)所示。在本发明中，除法比的整数部分为：
N0＝fvco/fref (13)
小数部分由DeltaN的周期性变化得到，平均值设为0.9，由VtPulse元素实现。DeltaN的变化如图8(b)所示。输出信号的频谱如图8(c)所示。可以清楚地看到，Fractional-N PLL产生的杂散分量。
3、采用DDS和Fractional-N PLL模型进行仿真，得到四十种频率的信号，具体频率如表1所示。
4、将仿真信号的时频图像输入进卷积神经网络中，CNN模型包括一个输入层、3个卷积层、3个池层和2个完全连接层。
网络各层的参数和功能如下：
输入：对两个模型产生的信号进行STFT，得到128*128的时频图像，作为CNN模型的输入。
C1：第一卷积层。16个大小为3*3的卷积核对输入的时频图像进行卷积，卷积核的步长为1，使用全零填充。得到128×128的特征图。
P1：第一池化层。此层使用最大池。池内核的大小是2*2，步长是2，使用全零填充。得到了尺寸为64×64的特征图。
C2：第二卷积层。大小为3*3的32个卷积核对上一层输出的特征映射执行卷积。卷积内核的步长为1，使用全零填充。得到尺寸为64×64的特征图。
P2：第二池化层。池化的方法是最大池化，池化内核的大小是2*2，步长是2，使用全零填充。得到了大小为32×32的特征图。
C3：第三卷积层。64个大小为3*3的卷积核对上一层输出的特征映射执行卷积。步长为1，使用全零填充，得到大小为32×32的特征图。
P3：第三池化层。池化方法为最大池化，池化核大小为2*2，步长为2，使用全零填充，得到16*16的特征图。
F1：第一个全连接层。将卷积层输出的16×16大小的特征图被展平后，形状变为16384×1的张量，用作全连接网络的输入。在隐藏层中有1024个神经元，Dropout被用来减轻过度拟合。
F2：第二个全连接的层。Dropout用于缓解过拟合。softmax分类器用于使输出n符合概率分布准则(y1,y2,......,yn)，当分类结果通过softmax函数时，输出为：
Figure BDA0003082352210000071
5、实验模型基于Python语言和Tensorlow框架实现。
Figure BDA0003082352210000072
表1。

Claims (1)

1.一种基于卷积神经网络的频率合成器类型识别方法，其特征在于，包括如下步骤：
步骤一：建立DDS相位截断模型；
步骤二：建立带有小数分频杂散的Fractional-N PLL模型；
步骤三：对步骤一和步骤二的模型进行仿真，得到四十种频率的信号；
步骤四：训练CNN模型，实现对频率合成器类型识别；
所述步骤四具体为：将仿真信号的时频图像输入进卷积神经网络中，CNN模型包括一个输入层、3个卷积层、3个池层和2个完全连接层；
网络各层的参数和功能如下：
输入：对两个模型产生的信号进行STFT，得到128*128的时频图像，作为CNN模型的输入；
C1：第一卷积层：16个大小为3*3的卷积核对输入的时频图像进行卷积，卷积核的步长为1，使用全零填充；得到128×128的特征图；
P1：第一池化层：此层使用最大池，池内核的大小是2*2，步长是2，使用全零填充，得到了尺寸为64×64的特征图；
C2：第二卷积层：大小为3*3的32个卷积核对上一层输出的特征映射执行卷积，卷积内核的步长为1，使用全零填充，得到尺寸为64×64的特征图；
P2：第二池化层：池化的方法是最大池化，池化内核的大小是2*2，步长是2，使用全零填充，得到了大小为32×32的特征图；
C3：第三卷积层：64个大小为3*3的卷积核对上一层输出的特征映射执行卷积，步长为1，使用全零填充，得到大小为32×32的特征图；
P3：第三池化层：池化方法为最大池化，池化核大小为2*2，步长为2，使用全零填充，得到16*16的特征图；
F1：第一个全连接层：将卷积层输出的16×16大小的特征图被展平后，形状变为16384×1的张量，用作全连接网络的输入，在隐藏层中有1024个神经元，Dropout被用来减轻过度拟合；
F2：第二个全连接的层：Dropout用于缓解过拟合，softmax分类器用于使输出n符合概率分布准则(y1,y2,......,yn)，当分类结果通过softmax函数时，输出为：
Figure FDA0003082352200000011
CN202110570134.7A 2021-05-25 2021-05-25 基于卷积神经网络的频率合成器类型识别方法 Pending CN113326757A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110570134.7A CN113326757A (zh) 2021-05-25 2021-05-25 基于卷积神经网络的频率合成器类型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110570134.7A CN113326757A (zh) 2021-05-25 2021-05-25 基于卷积神经网络的频率合成器类型识别方法

Publications (1)

Publication Number Publication Date
CN113326757A true CN113326757A (zh) 2021-08-31

Family

ID=77416653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110570134.7A Pending CN113326757A (zh) 2021-05-25 2021-05-25 基于卷积神经网络的频率合成器类型识别方法

Country Status (1)

Country Link
CN (1) CN113326757A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112305506A (zh) * 2020-10-26 2021-02-02 哈尔滨工程大学 一种基于cnn的lpi雷达信号检测方法
CN112731309A (zh) * 2021-01-06 2021-04-30 哈尔滨工程大学 一种基于双线性高效神经网络的有源干扰识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112305506A (zh) * 2020-10-26 2021-02-02 哈尔滨工程大学 一种基于cnn的lpi雷达信号检测方法
CN112731309A (zh) * 2021-01-06 2021-04-30 哈尔滨工程大学 一种基于双线性高效神经网络的有源干扰识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIHANG YIN等: "Type Recognition of Frequency Synthesizer Based on Convolutional Neural Networks", 《THE 2020 4TH INTERNATIONAL CONFERENCE ON DIGITAL SIGNAL PROCESSING》 *
黄智等: "基于时频分析和CNN的雷达辐射源识别算法", 《舰船电子工程》 *

Similar Documents

Publication Publication Date Title
CN101833603B (zh) 一种∑-△分数n频率综合器行为级建模方法
US6998928B2 (en) Digital pulse width modulation
US20170324416A1 (en) Sub-sampling phase-locked loop
US10425086B1 (en) Divider-less phase locked loop
CN107431488A (zh) 锁相环(pll)架构
US10164622B2 (en) Circuit and method for reducing mismatch for combined clock signal
CN101714875B (zh) 锁相回路电路
US6943598B2 (en) Reduced-size integrated phase-locked loop
CN105634443B (zh) 时钟产生装置与其小数分频器
CN108092662A (zh) 频率合成装置及其方法
CN110324037A (zh) 一种倍频器、数字锁相环电路以及倍频方法
CN113326757A (zh) 基于卷积神经网络的频率合成器类型识别方法
US5945881A (en) PLL frequency synthesizer with K multiplication in addition to division for subtraction of phase noise
Yin et al. Type recognition of frequency synthesizer based on convolutional neural networks
US11424748B1 (en) Modified PID loop filter to suppress high frequency noise in digital phase locked loop
TWI814098B (zh) 片上系統裝置、擴頻時脈生成器及其離散時間迴路濾波方法
US10469088B1 (en) Multi-GHZ fully synthesizable CMOS fractional divider
BALCIOĞLU et al. A 0.65-1.35 GHz synthesizable all-digital phase locked loop with quantization noise suppressing time-to-digital converter
CN111010173B (zh) 一种自适应的小数频率合成器毛刺移除系统及方法
US20240223201A1 (en) Digital-to-time converter calibration
WO2024093297A1 (zh) 一种锁相环及信号延迟处理方法
CN113868988B (zh) 一种毫米波锁相环环路的行为级建模方法
CN118316441B (zh) 一种双环路展频锁相电路及方法
US20230163766A1 (en) Adaptive cyclic delay line for fractional-n pll
JP2000078001A (ja) デジタルｐｌｌ回路

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210831