CN113794547B - 一种多路信号同步方法、系统、电子设备及计算机可读存储介质 - Google Patents
一种多路信号同步方法、系统、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113794547B CN113794547B CN202110934544.5A CN202110934544A CN113794547B CN 113794547 B CN113794547 B CN 113794547B CN 202110934544 A CN202110934544 A CN 202110934544A CN 113794547 B CN113794547 B CN 113794547B
- Authority
- CN
- China
- Prior art keywords
- signals
- signal
- path
- synchronous
- multipath
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 230000001360 synchronised effect Effects 0.000 claims abstract description 32
- 230000000694 effects Effects 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000001934 delay Effects 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 7
- 229920005994 diacetyl cellulose Polymers 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L7/00—Arrangements for synchronising receiver with transmitter
- H04L7/0008—Synchronisation information channels, e.g. clock distribution lines
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L7/00—Arrangements for synchronising receiver with transmitter
- H04L7/0075—Arrangements for synchronising receiver with transmitter with photonic or optical means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optics & Photonics (AREA)
- Synchronisation In Digital Transmission Systems (AREA)
Abstract
本发明涉及一种多路信号同步方法、系统、电子设备及计算机可读存储介质,方法包括以下步骤:a.采集DAC的并行多路信号,依据多路效应产生具有不同特征的频谱;b.将特征的频谱信息用小波变换进行处理,得到二维矩阵作为信号特征;c.通过卷积神经网络对信号特征进行训练,得到可以使用的同步卷积神经网络框架;d.对当前时刻采集到多径效应的信号特征输入卷积神经网络,增加某一路信号的一些时延,重复输入系统,观察输出信号的时延差是否减小,若减小则继续增大信号时延调整至同步,否则缩小此路信号的时延直至同步。由于本发明以第一路或其中一路信号为同步基准信号,其他多路信号依次与此信号高速同步,即可实现多路信号同步传输效果。
Description
技术领域
本发明设计通信技术领域,特别涉及一种多路信号同步方法、系统、电子设备及计算机可读存储介质。
背景技术
对于光纤通信系统而言,超高速、超大容量和超长距传输一直是发展的三大趋势。从2012年到如今这个阶段,是属于100G相干光时代,核心技术是数学相干光通信。现在我们又在往100G到400G通信的目标正在不断前进,由于通信需求是长期存在,并且需求和技术互相促进发展,因此可预见以后我们很可能还会进入1T的时代。而随着超高速的发展,传输速率越来越高,一般而言光学器件的速度要比电学器件快,就会出现电学器件跟不上光学器件的瓶颈。现在的数字相干光通信里ADC和DAC是很重要的器件,负责将信道的模拟信号和DSP(Digital Signal Processor)处理的数字信号进行转换,而ADC和DAC都是电域器件,因此逐渐成为了光通信系统的瓶颈之一[8]。而为了缓解这个瓶颈效应,并行化处理的方式逐渐得到关注,通过多路ADC或者多路DAC器件,增加并行度,增加系统总体速率。而在并行化处理中,同步是至关重要的技术,同步的性能直接影响并行化处理的性能。
除此之外,提高谱效率的趋势使得高阶调制格式得到越来越多的应用,而高阶调制格式的生成要么采用高速高精度的DAC,要么通过低阶调制格式的组合来产生,前者存在技术难度以及高成本的问题,后者的关键在与同步。由于频谱资源是稀缺的,不可再生资源,光通信经历了早期的高速发展后,频谱的使用范围越来越接近极限。于是有两大方向的发展,一方面是拓展新波段,比如太赫兹波段通信红外通信等,另一方面是谱效率的提升,增加频谱利用率。对于前者,频谱的拓展始终会有尽头,而且新波段会带来对器件,光纤链路带来的挑战,而后者,使得高阶调制格式越来越受欢迎。高阶调制格式带来的问题就是如何产生,通过高速高精度DAC来产生,技术难度大,成本高,而通过低阶调制信号的组合产生,成本低,但是对于同步的精度需求高。因此同步的性能至关重要。
此外CN201610654329.9,本发明实施例公开了一种高速DAC同步方法及电路,该方法包括FPGA控制第一至第N高速DAC初始化,若确定存在至少一个高速DAC初始化失败,则复位第一至第N高速DAC;FPGA监测第一至第N高速DAC的同步状态,并在确定同步成功后,控制鉴相模块对第一至第N高速DAC的输出时钟进行鉴相;随后,FPGA使用第一至第N高速DAC中任一高速DAC的输出时钟作为FPGA的数据时钟,将数据传输给第一至第N高速DAC。本发明虽然能有效解决了第一至第N高速DAC的同步输出问题及时钟延迟问题,但是需要不断的初始化,且当检出后又需要初始化解决同步性的问题,极大的影响信号传输的效率。
发明内容
为了克服上述问题,本发明设计了一种多路信号同步方法,可以识别出当前信号的时延,并进行补偿,实现信号间的精确同步。
为达到上述目的,本发明采用的技术方案是:一种多路信号同步方法,它包括以下步骤:
a.采集DAC的并行多路信号,并以第一路信号为基准,其他路信号按梯度设置时延τ,分别与基准的第一路信号叠加,依据多路效应产生具有不同特征的频谱;
b.将特征的频谱信息用小波变换进行处理,分别得到一个二维矩阵作为信号特征;
c.将这些不同时延对应的信号特征作为训练集对卷积神经网络进行训练,得到可以使用的同步卷积神经网络框架;
d.对当前时刻采集到多径效应的信号特征输入卷积神经网络,即可得知当前两路信号的时延差,增加某一路信号的一些时延,重复输入系统,观察输出信号的时延差是否减小,若减小则继续增大信号时延调整至同步,否则缩小此路信号的时延直至同步。
另一种优化方案,取任意两条路径分析多径效应:设两路信号的时延为τ,则两路信号的合路信号s(t)为:
s(t)=f(t)+f(t+τ) (1)
则信号s(t)的频谱为
由式(2)可知第n个频谱极点的位置为
ωn=(n-1/2)×2π/τ (3)。
另一种优化方案,步骤a.中:将具有不同时延的多径效应幅频响应特征,以第一路信号为基准,其他路信号按梯度设置时延τ,τ通常为1bit数据的时长,分别与基准的第一路信号叠加,依据多路效应产生具有不同特征的频谱,叠加N个时延,可以得到N组对应的输出特征信号。
另一种优化方案,所述小波变换进行两次处理,第一次小波分解重构把所述特征信号分成低频和高频两个部分,其中低频表示信号的大致轮廓,高频表示信号的噪声和细节部分,为了获取信号更多的信息成分,第二次对得到的低频和高频结果再分别进行分解和重构,得到低低频、低高频,即对轮廓信号再次提取出大致趋势和细节,和高低频、高高频,即对噪声和细节信息再次提取更深度的信息,共提取出四个结果,把两次分解重构得到六个结果拼接成二维矩阵作为信号特征
本发明提供了一种多路信号同步系统,它包括:
DAC并行多路信号采集模块,其用于采集DAC的并行多路信号,并以第一路信号为基准,其他路信号按梯度设置时延τ,分别与基准的第一路信号叠加,依据多路效应产生具有不同特征的频谱;
信号变换模块,其用于将特征的频谱信息用小波变换进行处理,分别得到一个二维矩阵作为信号特征;
卷积神经网络,其用于将不同时延对应的信号特征作为训练集对卷积神经网络进行训练,得到可以使用的同步卷积神经网络框架;利用同步卷积神经网络框架对当前时刻采集到多径效应的信号特征进行判断,即可得知当前两路信号的时延差,增加某一路信号的一些时延,重复输入系统,观察输出信号的时延差是否减小,若减小则继续增大信号时延调整至同步,否则缩小此路信号的时延直至同步。
本发明提供了一种电子设备,其包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述多路信号同步方法。
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有多路信号同步方法的程序,所述多路信号同步方法的程序被处理器执行时实现上述多路信号同步方法的步骤。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:
由于本发明以第一路或其中一路信号为同步基准信号,其他多路信号依次与此信号高速同步,即可实现多路信号同步传输效果。
附图说明
图1为本发明提出的对多路信号的同步指纹网络的工作原理图;
图2本发明示例两路信号多径效应幅频响应;
图3为发明示例两路信号多径效应相频响应。
具体实施方式
多路信号同步方法,它包括以下步骤:
a.采集DAC的并行多路信号,并以第一路信号为基准,其他路信号按梯度设置时延τ,分别与基准的第一路信号叠加,依据多路效应产生具有不同特征的频谱;
b.将特征的频谱信息用小波变换进行处理,分别得到一个二维矩阵作为信号特征;
c.将这些不同时延对应的信号特征作为训练集对卷积神经网络进行训练,得到可以使用的同步卷积神经网络框架;
d.对当前时刻采集到多径效应的信号特征输入卷积神经网络,即可得知当前两路信号的时延差,增加某一路信号的一些时延,重复输入系统,观察输出信号的时延差是否减小,若减小则继续增大信号时延调整至同步,否则缩小此路信号的时延直至同步。
作为其中一个示例,这里具体分析两条路径的多径效应(多径效应是无线通信领域里的一种现象。无线通信和光通信不一样,光通信中信号在光纤中传播,路径单一,而无线通信中信号在大气层中传播,很有可能会存在多条传播路径,比如遇到了建筑物的反射,大气的折射等。如果多条路径的距离不同,导致信号有不同的传输时延,且信号的幅度可能还不相同,则接收端会收到多个不同到达时间的不同幅度的信号的叠加,这种现象就是多径传播现象。由于多径传播现象,原发送信号若是恒定的幅度,则在接收端会产生起伏,信号的大小不再平坦,这种对信号产生的影响就是多径效应)。
假设两路信号的时延为τ,则两路信号的合路信号s(t)为:
s(t)=f(t)+f(t+τ) (1)
则信号s(t)的频谱为
最后的总叠加信号s(t)的频谱由两个因子组成,第一个因子是F(ω)为原始信号发射频谱,若发射信号保持不变,则F(ω)为定值。第二个因子(1+e-jωτ)与信道间的延迟差异τ有关,当信道之间的参数发生相对变化,即信道间的延迟τ变化,就会对ω频点处产生衰落影响。综合考虑,实际上(1+e-jωτ)因子构成了系统传输函数,这个系统传输函数的幅频和相频响应如图2、图3所示。
从(1+e-jωτ)的幅频响应可以看出,存在某些频率成分会被非常严重地衰落,甚至无法通过,在本文中称这些幅频响应为零的点为频谱极点,可以看到这些频谱极点呈周期性分布,周期为2π/τ,第一个频谱极点的位置在π/τ。从(1+e-jωτ)的相频响应可以看出相位响应在-π到π中周期变化,存在相位跳变,跳变位置刚好是幅频响应的频谱极点位置。可以推导出第n个频谱极点的位置为
ωn=(n-1/2)×2π/τ (3)
如果信道之间的延迟差τ发生了变化,则频谱极点也会随之移动。当信道间延迟差τ为0时,频谱极点在无限远处,即不存在频谱极点,系统函数为定值,不对信号波形造成影响,即不存在多径效应。当信道间延迟差τ从无到有,从小逐渐变大时,频谱极点从无限远处往低频方向移动,频谱极点位置和延迟差τ成反比关系,因此移动速度是逐渐减慢的,低频成分对应的延迟差τ会非常大。
分析可知不同的时延对应不同的多径效应的频谱极点特征,每个时延与特征是一一对应的,但这些极点在频谱上不好精确定位,借鉴“指纹”的含义,我们将不同步信号多径效应的这些变化总结为时延在信号传输上的“信号指纹”。而指纹的识别非常适合使用仅基于大数据分析的机器学习算法。
为建立不同时延和信号指纹的映射关系,首先需要建立一个训练集。将具有不同时延的多径效应幅频响应特征,以第一路信号为基准,其他路信号按梯度设置时延τ,τ通常为1bit数据的时长,分别与基准的第一路信号叠加,依据多路效应产生具有不同特征的频谱。叠加N个时延,可以得到N组对应的输出特征信号。
对每一组采集到的输出特征采用分段小波变换并将提取的分段频谱组织成二维矩阵的形式,这个二维矩阵即为多径效应特征在不同时延上的信号指纹。下一步,将采用卷积神经网络来提取信号指纹的特征并建立其与时延长度的反向映射模型。
所述小波变换方式,包括:
将所有接收到的特征信号首先切成短片段,每个片段的信号数据表示为a,一级小波分解和重构后,低频和高频重构信号表示为aA和aD,对这两个重构信号进一步小波分解和重构后,可以得到aAA,aAD,aDA and aAD四个特征信号。将这六个信号整合成特征矩阵[aA,aAA,aAD,aD,aDA,aDD],分别贴上不同的设备标签输入到2D-CNN网络中进行特征的学习和识别。其中低频表示信号的大致轮廓,高频表示信号的噪声和细节部分,为了获取信号更多的信息成分,第二次对得到的低频和高频结果再分别进行分解和重构,得到低低频、低高频,即对轮廓信号再次提取出大致趋势和细节,和高低频、高高频,即对噪声和细节信息再次提取更深度的信息,共提取出四个结果,把两次分解重构得到六个结果拼接成二维矩阵作为信号特征。
作为本发明的一个可选示例,还可采用经验小波变换等其他特征提取办法。
利用预先采集的光场和控制电压组合成的训练集{M(n),nτ},线下训练提出的同步指纹网络,对多路传输信号分别测定与某一信号叠加的多径效应效果,,输入同步指纹网络即可识别出某一信号的时延差,通过硬件反馈调控其中一路信号时延,重新输入系统。若输出结果为时延变小,继续增大此路信号时延,直至同步;若输出结果为时延变大,则缩小此路信号时延,直至同步。依次调节所有路信号与选定的标准路信号同步,即可实现多路信号同步。
本发明所使用的分类网络其中一个示例为2D-CNN神经网络,也可以使用其他的分类网络对特征分类识别。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种多路信号同步方法,其特征在于,它包括以下步骤:
a.采集DAC的并行多路信号,并以第一路信号为基准,其他路信号按梯度设置时延τ,分别与基准的第一路信号叠加,依据多路效应产生具有不同特征的频谱;
b.将特征的频谱信息用小波变换进行处理,分别得到一个二维矩阵作为信号特征;
c.将这些不同时延对应的信号特征作为训练集对卷积神经网络进行训练,得到可以使用的同步卷积神经网络框架;
d.对当前时刻采集到多径效应的信号特征输入卷积神经网络,即可得知当前两路信号的时延差,增加某一路信号的一些时延,重复输入系统,观察输出信号的时延差是否减小,若减小则继续增大信号时延调整至同步,否则缩小此路信号的时延直至同步;
步骤a.中:将具有不同时延的多径效应幅频响应特征,以第一路信号为基准,其他路信号按梯度设置时延τ,τ为1bit数据的时长,分别与基准的第一路信号叠加,依据多路效应产生具有不同特征的频谱,叠加N个时延,可以得到N组对应的输出特征信号;
步骤b.中:将特征的频谱信息用小波变换进行两次处理,第一次小波分解重构把所述输出特征信号分成低频和高频两个部分,其中低频表示信号的大致轮廓,高频表示信号的噪声和细节部分,第二次对得到的低频和高频结果再分别进行分解和重构,得到低低频、低高频,和高低频、高高频,共提取出四个结果,把两次分解重构得到六个结果拼接成二维矩阵作为信号特征。
2.根据权利要求1所述的多路信号同步方法,其特征在于:取任意两条路径分析多径效应:设两路信号的时延为τ,则两路信号的合路信号s(t)为:
s(t)=f(t)+f(t+τ) (1)
则信号s(t)的频谱为
由式(2)可知第n个频谱极点的位置为
ωn=(n-1/2)×2π/τ (3)。
3.一种多路信号同步系统,其特征在于,它包括:
DAC并行多路信号采集模块,其用于采集DAC的并行多路信号,并以第一路信号为基准,其他路信号按梯度设置时延τ,分别与基准的第一路信号叠加,依据多路效应产生具有不同特征的频谱,叠加N个时延,可以得到N组对应的输出特征信号;
信号变换模块,其用于将特征的频谱信息用小波变换进行两次处理,第一次小波分解重构把所述输出特征信号分成低频和高频两个部分,其中低频表示信号的大致轮廓,高频表示信号的噪声和细节部分,第二次对得到的低频和高频结果再分别进行分解和重构,得到低低频、低高频,和高低频、高高频,共提取出四个结果,把两次分解重构得到六个结果拼接成二维矩阵作为信号特征;
卷积神经网络,其用于将不同时延对应的信号特征作为训练集对卷积神经网络进行训练,得到可以使用的同步卷积神经网络框架;利用同步卷积神经网络框架对当前时刻采集到多径效应的信号特征进行判断,即可得知当前两路信号的时延差,增加某一路信号的一些时延,重复输入系统,观察输出信号的时延差是否减小,若减小则继续增大信号时延调整至同步,否则缩小此路信号的时延直至同步。
4.一种电子设备,其特征在于,其包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1~2任一所述的多路信号同步方法。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有多路信号同步方法的程序,所述多路信号同步方法的程序被处理器执行时实现权利要求1-2任一所述的多路信号同步方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934544.5A CN113794547B (zh) | 2021-08-16 | 2021-08-16 | 一种多路信号同步方法、系统、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110934544.5A CN113794547B (zh) | 2021-08-16 | 2021-08-16 | 一种多路信号同步方法、系统、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113794547A CN113794547A (zh) | 2021-12-14 |
CN113794547B true CN113794547B (zh) | 2024-05-07 |
Family
ID=79181711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110934544.5A Active CN113794547B (zh) | 2021-08-16 | 2021-08-16 | 一种多路信号同步方法、系统、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113794547B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017148445A1 (zh) * | 2016-03-04 | 2017-09-08 | 海能达通信股份有限公司 | 同步方法、节点装置及无线mesh网络系统 |
CN107749786A (zh) * | 2017-12-01 | 2018-03-02 | 熊猫电子集团有限公司 | 多通道短波接收设备接收能力测试方法及系统 |
CN110166387A (zh) * | 2019-05-22 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种基于卷积神经网络识别信号调制方式的方法及系统 |
CN112188446A (zh) * | 2019-07-05 | 2021-01-05 | 大唐移动通信设备有限公司 | 一种同步信号发送方法、终端及装置、存储介质 |
-
2021
- 2021-08-16 CN CN202110934544.5A patent/CN113794547B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017148445A1 (zh) * | 2016-03-04 | 2017-09-08 | 海能达通信股份有限公司 | 同步方法、节点装置及无线mesh网络系统 |
CN107749786A (zh) * | 2017-12-01 | 2018-03-02 | 熊猫电子集团有限公司 | 多通道短波接收设备接收能力测试方法及系统 |
CN110166387A (zh) * | 2019-05-22 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种基于卷积神经网络识别信号调制方式的方法及系统 |
CN112188446A (zh) * | 2019-07-05 | 2021-01-05 | 大唐移动通信设备有限公司 | 一种同步信号发送方法、终端及装置、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113794547A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375861B (zh) | 可实现智能信号处理的高速高精度光模数转换装置和方法 | |
CN110932809B (zh) | 光纤信道模型模拟方法、装置、电子设备和存储介质 | |
CN109032498B (zh) | 一种多fpga的多通道采集系统的波形量化同步方法 | |
CN103905179B (zh) | 一种电触发时钟相位动态调整方法及装置 | |
CN107395208B (zh) | 基于多通道非均匀时延的压缩采样结构 | |
CN106570565A (zh) | 一种面向大数据的深度学习方法及系统 | |
CN105989846A (zh) | 一种多通道语音信号同步方法及装置 | |
CN113794547B (zh) | 一种多路信号同步方法、系统、电子设备及计算机可读存储介质 | |
CN112351474B (zh) | 一种快速搜索5g小区同步频点的方法、系统及存储介质 | |
CN101729466B (zh) | 对有尖峰干扰的空白频谱进行检测和使用的装置及方法 | |
CN107276654A (zh) | 信号处理方法和系统 | |
CN106973027A (zh) | 一种同步信号的生成方法、解析方法和装置 | |
CN101795137A (zh) | 一种曼彻斯特码的波形调整方法 | |
CN107204944B (zh) | 发送序列产生装置、训练序列同步装置、信道间隔估计装置、方法和系统 | |
JP4439857B2 (ja) | 光パルスの位相測定方法及び装置 | |
CN107276627A (zh) | 信号处理方法和系统 | |
Hu | Construction of automatic acquisition system for multichannel electronic communication signals based on sorting optimization algorithm | |
CN111650803B (zh) | 基于卷积循环自动编码器的并行光模数转换系统和方法 | |
CN114928520B (zh) | 一种用于补偿频偏的广义频分复用时频同步方法 | |
CN110943786A (zh) | 适用于量子隐形传输系统的信号恢复装置及方法 | |
CN114785417B (zh) | 自由空间连续变量量子密钥分发系统的数据采集方法和系统 | |
CN105608052A (zh) | 基于多相分解的GHz高速采样信号可变点数快速傅里叶变换方法 | |
CN107294889A (zh) | 载波同步方法和装置 | |
JP5036658B2 (ja) | 光通信帯域分割受信装置及び光通信帯域分割受信方法 | |
Maclellan et al. | Streaming Convolutional Neural Network FPGA Architecture for RFSoC Data Converters |
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 |