OFDM技术性能仿真

基于通信技术的列车运行控制系统(CBTC)是铁路信号的发展方向．正交频分复用OFDM)是一种无线环境下的高速传输技术，它对高速列车控制信息传输中主要受到的由于多径传播引起的快衰落所产生的影响有很强的抵抗能力．本文首先介绍了OFDM技术的发展和基本原理，然后在计算机上用Matlab对其性能进行了仿真，仿真中将OFDM与传统的单载波调制方式——正交振幅调制(16-QAM)对抗多径干扰的性能进行了比较，最后分析了二者的仿真结果．     

基于决策理论的软件无线信号调制样式自动识别

信号调制样式的自动识别是软件无线电台必须具备的功能之一.主要讨论了基于决策理论的信号调制样式自动识别的基本原理和算法,论述了模拟信号调制样式的自动识别,数字信号调制样式的自动识别方法.也分析了在实现这些算法时会碰到的许多具体的实际问题,提出了能解决这些问题的调制识别新方法-人工神经网络识别法.     

OFDM通信PAPR性能改善的概率类算法研究

OFDM通信系统是正交多载波系统,很容易造成较高峰均功率比PAPR,从而严重降低OFDM系统的通信质量.文中分析了PAPR~]"OFDM通信性能的不利影响,探讨了改善PAPR性能的SLM.PTS概率类算法原理.基于Matlab软件构造了嵌入SLM,PTS算法模块的OFDM仿真验证系统,并提出了一种PTS改进算法.理论分析与仿真结果表明:SLM,PTS算法可有效减小PAPR OFDM通信性能的不利影响;PTS改进算法可在有效减小PAPR不利影响的前提下,减小OFDM发射机的复杂性.     

基于深度学习的复合神经网络机场信号检测框架

针对信号调制识别对复杂通信环境缺乏适应性与精度不足的问题,提出一种基于深度学习的多特征复合神经网络框架. 该框架首先使用前端卷积神经网络检测信号载波特征,再对前端初筛选信号执行预处理将其转换为信号时频图,最后设计了后端轻量化卷积神经网络,检测信号时频特征. 基于TensorFlow平台的复合神经网络对机场真实信号检测精度达到99.23%,实验表明该方法可有效应用于实时机场信号检测.      

STC-OFDM系统的post-IDFT多波束形成技术

提出了适用于空时编码-正交频分复用(OFDM)系统的后-逆离散傅立叶变换(post-IDFT)多波束形成技术.该技术通过对空频信道相关矩阵进行特征分解获得多个特征模式,再利用空时分组码(STBC)各发射分支信号的正交性使OFDM系统形成多个post-IDFT波束.接收端根据STBC传输矩阵的正交性对多波束解码.系统获得的空间分集增益为空频信道相关矩阵的特征值之和,最大空间分集增益与子载波波束形成方案相同,误码率比STC-OFDM的低.该技术将复杂度降低到子载波波束形成方案的1/S(S为OFDM系统的子载波数目),而且当波束维数(m)小于发射天线数目(M)时,可进一步减少M-m个IDFT模块     

井下低压电力线多载波通信系统的小波基选择

在简要分析我国煤矿配电网的基本结构的基础上,提出基于小波变换的通信系统,该系统采用小波基取代传统的正交频分复用中的余弦函数基的多载波调制技术.通过对6种典型小波基分析比较,结合井下低压电力线的应用条件,给出OFDM通信系统中小波基的选择原则,指出正交性在OFDM系统中具有重要作用.     

数字Costas环在FPGA中的实现

Costas环是一种闭环自动调整系统,常用于抑制载波的相位调制系统中提取参考载波信号.文中介绍了Costas环的基本原理, 提出了一种用CIC滤波器代替环路滤波器的方法,并根据该原理用matlab的simulink工具箱对costas环进行了建模和仿真,最后在Quartus II+ModelSim环境中用Verilog语言实现了该算法,并下载到软件无线电硬件电路中验证了该算法的正确性.仿真和实验结果表明,该Costas环路具有十分优良的性能.     

CDMA-OFDM调制及多模式通信

描述了CDMA-OFDM调制及多模式通信原理,对其工作特点进行了分析,并就CDMA和OFDM两种调制方式各自的工作原理和工作方式进行了分析比较.在此基础上,专门就CDMA和OFDM两种调制方式的组合与实现和无线局域网及移动网互连的多模式通信进行了探讨.     

基于决策理论的软件无线信号调制样式自动识别

信号调制样式的自动识别是软件无线电台必须具备的功能之一。主要讨论了基于决策理论的信号调制样式自动识别的基本原理和算法，论述了模拟信号调制样式的自动识别，数字信号调制样式的自动识别方法。也分析了在实现这些算法时会碰到的许多具体的实际问题，提出了能解决这些问题的调制识别新方法－－人工神经网络识别法。     

基于神经预测模型的非特定人汉语词组织识别系统

针对如何 描述语音信号的时间动态特征，本文主要研究基于多层感知器网络的神经预测模型在非特定人汉语词组识别系统中的应用。神经预测模型使用一组多层感知器网络（MIP）作为非线性预测器，采用动态匹配（DynamicProgramming）技术进行非线性时间规整，完成时间轴上的映射。本文提出了神经预测模型的简单训练算法和识别算法。基于这种模型建立了一个非特定人的汉语词组识别系统。该系统训练集内音节识别率为83%，词组识别率为86%；训练集外音节识别率为80%，词组识别率为82.5%。