CN117110722A - 一种脉冲宽度测量方法及装置 - Google Patents
一种脉冲宽度测量方法及装置 Download PDFInfo
- Publication number
- CN117110722A CN117110722A CN202311366826.5A CN202311366826A CN117110722A CN 117110722 A CN117110722 A CN 117110722A CN 202311366826 A CN202311366826 A CN 202311366826A CN 117110722 A CN117110722 A CN 117110722A
- Authority
- CN
- China
- Prior art keywords
- pulse width
- data
- signal
- envelope
- spectrogram
- 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
- 238000000034 method Methods 0.000 title description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000000691 measurement method Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 abstract description 23
- 238000013528 artificial neural network Methods 0.000 abstract description 19
- 230000000737 periodic effect Effects 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010183 spectrum analysis Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/02—Measuring characteristics of individual pulses, e.g. deviation from pulse flatness, rise time or duration
- G01R29/023—Measuring pulse width
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J11/00—Measuring the characteristics of individual optical pulses or of optical pulse trains
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/36—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及脉冲宽度测量技术领域,具体涉及一种脉冲宽度测量方法及装置,把初始脉冲信号数据采集后进行预处理绘制出频谱图,利用训练好的深度神经网络模型确定出频谱图中的包络数据,根据包络数据和脉宽的对应关系计算出初始脉冲信号数据的脉宽,解决了信噪比较低时周期方波信号的脉宽无法准确测量的问题。通过将时域信号转换到频域,极大提升了信噪比,同时从频域出发,通过分析频谱包络的拐点信息,从而计算出脉宽,巧妙地达到了间接测量脉宽的目的,所用深度神经网络可以面对各种复杂频谱时都能准确找到所需要的包络信息,提高了本方案的适用范围。
Description
技术领域
本发明涉及脉冲宽度测量技术领域,尤其涉及一种脉冲宽度测量方法及装置。
背景技术
周期性的方波信号被广泛应用于各个领域,如医疗CT,激光雷达,数字通信系统等。关于周期性的方波信号有很多相关研究,其中一个比较重要的方面就是关于它的脉冲宽度的测量,目前的主流脉宽测量方法有TDC时间数字转换器、高频示波器扫描、数字计数器等等。
这些传统的测量方法原理是直接从时域波形中读取脉宽,他们的优点就是直接性强,一步读取得到脉宽。但是这种方法的缺点就是信噪比低,对于需要读取脉宽的方波信号来说,由于各种外界干扰以及设备内部噪声,信号的波形通常不会十分规则,在叠加了噪声以后,信噪比较低时很难直接从时域波形中直接读出脉宽。
发明内容
本发明为解决上述问题,提供一种脉冲宽度测量方法及装置。
第一方面,本发明提供一种脉冲宽度测量方法,包括:
获取采集的初始脉冲信号数据并进行预处理得到相应的频谱图;
将所述频谱图输入预先训练好的深度神经网络模型,所述深度神经网络模型对所述频谱图进行特征提取、图像识别以及图形分类得到包络数据,所述包络数据与脉宽具有对应关系;
基于所述对应关系计算所述包络数据对应的脉宽,完成初始脉冲信号数据的脉冲宽度测量。
作为一种可选的方案,所述获取采集的初始脉冲信号数据并进行数据的预处理得到多组独立信号数据,包括:
采集的所述初始脉冲信号数据存储为CSV格式的数据包,每个数据包包括30组至50组数据,利用Matlab软件对每个数据包进行拆解分割,得到多组独立信号数据。
第二方面,本发明一种脉冲宽度测量装置,包括:
预处理单元,用于获取采集的初始脉冲信号数据并进行预处理得到相应的频谱图;
输入单元,用于将所述频谱图输入预先训练好的深度神经网络模型,所述深度神经网络模型对所述频谱图进行特征提取、图像识别以及图形分类得到包络数据,所述包络数据与脉宽具有对应关系;
输出单元,用于基于所述对应关系计算所述包络数据对应的脉宽,完成初始脉冲信号数据的脉冲宽度测量。
作为一种可选的方案,所述预处理单元具体用于:
采集的所述初始脉冲信号数据存储为CSV格式的数据包,每个数据包包括30组至50组数据,利用Matlab软件对每个数据包进行拆解分割,得到多组独立信号数据。
与现有技术相比,本发明能够取得如下有益效果:
本发明实施例中提供的脉冲宽度测量方法及装置,把初始脉冲信号数据采集后进行预处理得到频谱图,利用训练好的深度神经网络模型确定出频谱图中的包络数据,根据包络数据和脉宽的对应关系计算出初始脉冲信号数据的脉宽,解决了信噪比较低时周期方波信号的脉宽无法准确测量的问题。通过将时域信号转换到频域,极大提升了信噪比,同时从频域出发,通过分析频谱包络的拐点信息,从而计算出脉宽,巧妙地达到了间接测量脉宽的目的,在使用深度神经网络作为频谱分析的工具可以面对各种复杂频谱时都能准确找到所需要的包络信息,提高了本方案的适用范围。
附图说明
图1是根据本发明实施例提供的一种脉冲宽度测量方法的流程示意图;
图2是根据本发明实施例提供的一种脉冲宽度测量装置的结构框图。
具体实施方式
在下文中,将参考附图描述本发明的实施例。在下面的描述中,相同的模块使用相同的附图标记表示。在相同的附图标记的情况下,它们的名称和功能也相同。因此,将不重复其详细描述。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,而不构成对本发明的限制。
结合图1所示,本发明提供一种脉冲宽度测量方法,包括:
S101、获取采集的初始脉冲信号数据并进行预处理得到相应的频谱图。
采集的所述初始脉冲信号数据存储为CSV格式的数据包,每个数据包包括30组至50组数据,需要说明的是,数据包也可以是xls、txt等格式。数据的组数也可以根据需要进行设定,对此不做限定。然后用Matlab软件对得到的每个数据包进行拆解分割,得到多组的独立信号数据,同样数据处理软件也可以根据需要进行灵活选择。对每一组独立信号数据进行傅里叶变换,将时域数据转换为频谱数据,随后,根据频谱数据绘制出每一组独立信号数据对应的频谱图。
S102、将所述频谱图输入预先训练好的深度神经网络模型,所述深度神经网络模型对所述频谱图进行特征提取、图像识别以及图形分类得到包络数据,所述包络数据与脉宽具有对应关系。
为了有效的分析频谱,可以使用深度神经网络来处理频谱,它的主要功能是特征提取,即提取频谱图中的包络数据拐点。本实施例中所使用的深度神经网络可以为Resnet152,从频谱图出发,直接提取包络并逐步拆解,最终得到包络数据拐点信息。把频谱图输入训练好的深度神经网络Resnet152中,深度神经网络Resnet152通过对图像的一系列特征提取、图像识别、图像分类等处理,得到包络数据。包络数据与脉宽具有对应关系,在得到训练好的深度神经网络Resnet152的过程中,首先需要使用上文提到的训练数据集对深度神经网络进行训练,得到一个专门用于识别包络数据的预先训练好的深度神经网络模型。然后对该预先训练好的深度神经网络模型用测试数据集进行测试,并最终使用少量验证数据进行验证预先训练好的深度神经网络模型,训练数据集和测试数据集的数据比例通常为85%比15%,即所述训练数据集的比例为85%,所述测试数据集的比例为15%。
S103、基于所述对应关系计算所述包络数据对应的脉宽,完成初始脉冲信号数据的脉冲宽度测量。
把频谱图输入训练好的深度神经网络中,网络通过对图像的一系列特征提取、图像识别、图像分类等处理,计算出脉宽,最终输出为距离信息,通过将时域信号转换到频域,极大提升了信噪比,同时从频域出发,通过分析频谱包络的拐点信息,从而计算出脉宽,巧妙地达到了间接测量脉宽的目的。并且使用深度神经网络作为频谱分析的工具,使得在面对各种复杂频谱时都能准确找到所需要的包络信息,提高了该方法的适用范围。
为了方便理解本方案,本发明实施例中以激光雷达为例,当物体较远、反射率低时,时域SNR(中文:信噪比,英文:Signal to Noise Ratio)低。本发明实施例中,将需要读取脉宽的方波或梯形波信号从时域角度转化到频域,通过从频域角度分析,来间接测量脉宽。根据频谱包络与脉宽之间的数学关系,通过从频域角度提取包络信息,利用数学关系间接计算出脉宽。对于一般的含有噪声的方波或梯形波信号来说,时域信号可以看作是一个理想的方波或梯形波信号xn(t)叠加一个高斯白噪声信号xs(t),此时的信噪比为An/As,其中An为方波或梯形波信号的峰峰值,As为高斯噪声的均方根值。从频谱角度分析该信号,起信噪比为Xn(jw)/Xs(jw),其中Xn(jw)为信号频点处的幅度,Xs(jw)为噪声频点处的幅度。因为噪声的功率是固定的,所以当做快速傅里叶变换的点数增加时,各个噪声频点处的幅度Xs(jw)将降低,但是信号频点处的幅度Xn(jw)保持不变。所以,当时域信噪比较低时,可以转换到频域上分析该信号,由于噪声功率谱为定值,当做快速傅里叶变换的点数增加时,各个噪声频点处的幅度将降低,而信号频点处的幅度保持不变,最终的信噪比可以明显提升。这样一来,从频域角度出发,信噪比能得到明显的增加,在信噪比很低的时候,依然能够有效的得到想要的包络信息。这样一来,就解决了当信噪比较低、时域波形严重失真的时候无法有效直接测量脉宽的问题。
从激光雷达频谱出发,通过分析频谱中的有效信息解决了当激光雷达信号信噪比低时无法从时域波形图直接读出信号脉宽的问题,利用激光雷达频谱包络与脉宽之间的数学关系,使得从频谱上读取包络的关键点信息,就可以计算出脉宽。通过对时域信号进行一些基本处理,然后进行快速傅里叶变换以达到将时域信号转化为频谱信息的作用。同时把数字化的频谱信息具象化,绘制出频谱图,这样一来可以从频谱图上直接读取包络数据。使用图像处理的方法对频谱图进行识别,同时准确读出关键信息,以最终达到直接计算出脉宽的目的。通过在各种失真程度的数据集上进行深度神经网络的训练,以达到在各种干扰的情况下都能准确识别频谱图的功能,最终也就实现了当信号受到严重干扰失真的时候读出信号脉宽的目标。
在一种实施例中,具体地,初始脉冲信号数据为示波器直接采集的方波信号,本次实验示例参数为:频率100KHz,记录长度为每组信号1.25M个数据点,采样率为6.25G。初始脉冲信号数据采集后存储为CSV格式的数据包,每个数据包可以有30组至50组数据,需要说明的是,数据包也可以是xls、txt等格式。数据的组数也可以根据需要进行设定,对此不做限定。然后用Matlab软件对得到的每个数据包进行拆解分割,得到多组的独立信号数据,同样数据处理软件也可以根据需要进行灵活选择。接着对每一组数据进行傅里叶变换,将时域数据转换为频谱数据。随后,根据频谱数据绘制出每一组独立信号数据的频谱图,将这些频谱图存储起来,作为后续深度神经网络的训练、测试、验证数据集。
本发明的核心原理就是初始脉冲信号数据的频谱图中包络数据与脉宽在数学上有一个对应关系,根据这个对应关系,通过分析包络就能计算出脉宽,具体如下:
方波信号或梯形脉冲信号,其频域信号的包络数据是由斜率为0dB/10倍频程和-20dB/10倍频程的直线组成,根据这两段直线的交点坐标一致,可以推导出一个数学关系式,就最终可以得到一个频谱包络拐点对应的频率与时域脉宽之间的关系式,即当梯形信号为对称信号时,
其中为包络的第一极点频率(频谱图像的一个特征),/>为脉冲宽度,即待测时间长度。可以通过分析频谱中包络的拐点坐标来间接计算出原始波形在时域上的脉宽。为了有效的分析频谱,可以使用深度神经网络来处理频谱,主要功能是特征提取,即提取所需的包络数据拐点。本次示例所使用的深度神经网络为Resnet152,它从频谱图出发,直接提取包络数据并逐步拆解,最终得到拐点信息,从而计算出脉宽,巧妙地达到了间接测量脉宽的目的。并且使用深度神经网络作为频谱分析的工具,使得在面对各种复杂频谱时都能准确找到需要的包络信息,提高了本方案的适用范围。
在一些实施例中,对深度神经网络模型的训练过程,具体可以有以下步骤:
将频谱图划分为训练数据集、测试数据集、验证数据集;
利用所述训练数据集对深度神经网络进行训练直至收敛得到预先训练好的深度神经网络模型;
利用所述测试数据集对预先训练好的深度神经网络模型进行测试,利用验证数据集对预先训练好的深度神经网络模型进行验证。
本发明实施例中提供的脉冲宽度测量方法,把初始脉冲信号数据采集后进行预处理得到频谱图,利用训练好的深度神经网络模型确定出频谱图中的包络数据,根据包络数据和脉宽的对应关系计算出初始脉冲信号数据的脉宽,解决了信噪比较低时周期方波信号的脉宽无法准确测量的问题。通过将时域信号转换到频域,极大提升了信噪比,同时从频域出发,通过分析频谱包络的拐点信息,从而计算出脉宽,巧妙地达到了间接测量脉宽的目的,在使用深度神经网络作为频谱分析的工具可以面对各种复杂频谱时都能准确找到所需要的包络信息,提高了本方案的适用范围。
相应地,结合图2所示,本发明实施例中提供一种脉冲宽度测量装置,包括:
预处理单元201,用于获取采集的初始脉冲信号数据并进行预处理得到相应的频谱图;
输入单元202,用于,所述深度神经网络模型对所述频谱图进行特征提取、图像识别以及图形分类得到包络数据,所述包络数据与脉宽具有对应关系;
输出单元203,用于基于所述对应关系计算所述包络数据对应的脉宽,完成初始脉冲信号数据的脉冲宽度测量。
作为一种可选的方案,所述预处理单元具201体用于:
采集的所述初始脉冲信号数据存储为CSV格式的数据包,每个数据包包括30组至50组数据,利用Matlab软件对每个数据包进行拆解分割,得到多组独立信号数据。
作为一种可选的方案,所述深度神经网络可以采用Resnet152。
本发明实施例中提供的脉冲宽度测量装置,把初始脉冲信号数据采集后进行预处理得到频谱图,利用训练好的深度神经网络模型确定出频谱图中的包络数据,根据包络数据和脉宽的对应关系计算出初始脉冲信号数据的脉宽,解决了信噪比较低时周期方波信号的脉宽无法准确测量的问题。通过将时域信号转换到频域,极大提升了信噪比,同时从频域出发,通过分析频谱包络的拐点信息,从而计算出脉宽,巧妙地达到了间接测量脉宽的目的,在使用深度神经网络作为频谱分析的工具可以面对各种复杂频谱时都能准确找到所需要的包络信息,提高了本方案的适用范围。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (4)
1.一种脉冲宽度测量方法,其特征在于,包括:
获取采集的初始脉冲信号数据并进行预处理得到相应的频谱图;
将所述频谱图输入预先训练好的深度神经网络模型,所述深度神经网络模型对所述频谱图进行特征提取、图像识别以及图形分类得到包络数据,所述包络数据与脉宽具有对应关系;
基于所述对应关系计算所述包络数据对应的脉宽,完成初始脉冲信号数据的脉冲宽度测量。
2.根据权利要求1所述的脉冲宽度测量方法,其特征在于,所述获取采集的初始脉冲信号数据并进行预处理得到相应的频谱图,包括:
采集的所述初始脉冲信号数据存储为CSV格式的数据包,每个数据包包括30组至50组数据,利用Matlab软件对每个数据包进行拆解分割,得到多组独立信号数据。
3.一种脉冲宽度测量装置,其特征在于,包括:
预处理单元,用于获取采集的初始脉冲信号数据并进行预处理得到相应的频谱图;
输入单元,用于将所述频谱图输入预先训练好的深度神经网络模型,所述深度神经网络模型对所述频谱图进行特征提取、图像识别以及图形分类得到包络数据,所述包络数据与脉宽具有对应关系;
输出单元,用于基于所述对应关系计算所述包络数据对应的脉宽,完成初始脉冲信号数据的脉冲宽度测量。
4.根据权利要求3所述的脉冲宽度测量装置,其特征在于,所述预处理单元具体用于:
采集的所述初始脉冲信号数据存储为CSV格式的数据包,每个数据包包括30组至50组数据,利用Matlab软件对每个数据包进行拆解分割,得到多组独立信号数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311366826.5A CN117110722A (zh) | 2023-10-20 | 2023-10-20 | 一种脉冲宽度测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311366826.5A CN117110722A (zh) | 2023-10-20 | 2023-10-20 | 一种脉冲宽度测量方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117110722A true CN117110722A (zh) | 2023-11-24 |
Family
ID=88805794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311366826.5A Pending CN117110722A (zh) | 2023-10-20 | 2023-10-20 | 一种脉冲宽度测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117110722A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05307623A (ja) * | 1992-04-28 | 1993-11-19 | Victor Co Of Japan Ltd | ニューラルネットによる波形処理装置の学習設計方法 |
JP3072374B1 (ja) * | 1999-07-12 | 2000-07-31 | 防衛庁技術研究本部長 | ディジタル信号の非同期通信装置 |
CN108509377A (zh) * | 2018-03-19 | 2018-09-07 | 东南大学 | 一种基于沿特征提取的脉冲信号到达时间与脉宽估计方法 |
CN110852201A (zh) * | 2019-10-28 | 2020-02-28 | 东南大学 | 一种基于多脉冲包络谱匹配的脉冲信号检测方法 |
CN112597982A (zh) * | 2021-03-04 | 2021-04-02 | 中国人民解放军总医院 | 基于人工智能的图像分类方法、装置、设备和介质 |
CN114624520A (zh) * | 2022-04-27 | 2022-06-14 | 成都华日通讯技术股份有限公司 | 一种自适应脉冲信号检测和提取方法 |
-
2023
- 2023-10-20 CN CN202311366826.5A patent/CN117110722A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05307623A (ja) * | 1992-04-28 | 1993-11-19 | Victor Co Of Japan Ltd | ニューラルネットによる波形処理装置の学習設計方法 |
JP3072374B1 (ja) * | 1999-07-12 | 2000-07-31 | 防衛庁技術研究本部長 | ディジタル信号の非同期通信装置 |
CN108509377A (zh) * | 2018-03-19 | 2018-09-07 | 东南大学 | 一种基于沿特征提取的脉冲信号到达时间与脉宽估计方法 |
CN110852201A (zh) * | 2019-10-28 | 2020-02-28 | 东南大学 | 一种基于多脉冲包络谱匹配的脉冲信号检测方法 |
CN112597982A (zh) * | 2021-03-04 | 2021-04-02 | 中国人民解放军总医院 | 基于人工智能的图像分类方法、装置、设备和介质 |
CN114624520A (zh) * | 2022-04-27 | 2022-06-14 | 成都华日通讯技术股份有限公司 | 一种自适应脉冲信号检测和提取方法 |
Non-Patent Citations (4)
Title |
---|
刘军: "脉冲射频信号的分析与测量", 计量技术, no. 05 * |
刘琴等: "基于频谱仪的脉冲调制信号脉宽周期参数自动测试方法研究", 信息记录材料, pages 1 * |
邓倩岚;陈炜;辛康;: "基于频谱仪的脉冲调制信号功率校准技术研究", 宇航计测技术, no. 03 * |
高欣宇;张文博;姬红兵;欧阳成;: "新型雷达辐射源识别", 中国图象图形学报, no. 06 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US4559602A (en) | Signal processing and synthesizing method and apparatus | |
CN111428561B (zh) | 一种宽带电磁干扰源识别方法及系统、储存介质、设备 | |
CN112415078B (zh) | 一种质谱数据谱图信号校准方法及装置 | |
CN112965037B (zh) | 雷达信号波形不确定度测试系统 | |
CN106483550B (zh) | 一种模拟能谱曲线仿真方法 | |
CN107545213B (zh) | 基于飞行时间质谱的信号处理方法、系统及电子设备 | |
CN105307095B (zh) | 一种基于fft的高分辨率音频频率测量方法 | |
US9600445B2 (en) | Precision measurement of waveforms | |
Permana et al. | Implementation of constant-Q transform (CQT) and mel spectrogram to converting bird’s sound | |
CN110864808B (zh) | 一种基于高速采样的傅里叶变换光谱检测方法 | |
CN117110722A (zh) | 一种脉冲宽度测量方法及装置 | |
CN103995799B (zh) | 基于fft谱校正的频率相位脑机接口解码方法及其装置 | |
CN111611686A (zh) | 一种通信信号时频域的检测方法 | |
CN111123286A (zh) | 一种基于自校准全光纤多普勒电缆长度测试方法及装置 | |
CN102868403B (zh) | 一种测试模数转换器主要性能指标的测试系统 | |
CN110632563A (zh) | 一种基于短时傅里叶变换的脉内频率编码信号参数测量方法 | |
CN110017898A (zh) | 一种基于干涉成像光谱仪的高精度波长定标方法 | |
CN113819932B (zh) | 一种基于深度学习和数学拟合的布里渊频移提取方法 | |
CN105745550A (zh) | 模拟至信息转换器 | |
CN108573474A (zh) | 一种采用逆卷积运算的光声图像优化方法 | |
Ni et al. | Polyphase-modulated radar signal recognition based on time-frequency amplitude and phase features | |
CN113219042A (zh) | 一种用于人体呼出气体中各成分分析检测的装置及其方法 | |
CN108802708B (zh) | 一种基于序列重构的单光子计数外差探测方法 | |
CN108761441A (zh) | 一种雷达信号相位编码规律识别方法及装置 | |
CN110687362A (zh) | 一种实时相噪测试方法 |
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 |