【摘 要】
：
随着正交频分复用（OFDM）波形信号在全球范围内的广泛部署,近年来基于OFDM波形的外辐射源雷达逐渐成为了研究热点。然而,与有源雷达探测信号先前已知不同,OFDM波形外辐射源雷达需要在接收端提取参考通道中被多径和噪声污染的直达波作为参考信号。结合OFDM信号的波形特征,基于“解调-再调制”重构的参考信号提取方法是解决这一问题的常用途径。传统的重构方法主要采用依赖导频处信道信息的最小二乘（LS）和最
论文部分内容阅读
随着正交频分复用（OFDM）波形信号在全球范围内的广泛部署,近年来基于OFDM波形的外辐射源雷达逐渐成为了研究热点。然而,与有源雷达探测信号先前已知不同,OFDM波形外辐射源雷达需要在接收端提取参考通道中被多径和噪声污染的直达波作为参考信号。结合OFDM信号的波形特征,基于“解调-再调制”重构的参考信号提取方法是解决这一问题的常用途径。传统的重构方法主要采用依赖导频处信道信息的最小二乘（LS）和最小均方误差（MMSE）信道估计方法,但LS方法忽略了信道噪声影响、MMSE方法计算复杂且需要知道信道的先验信息。随着深度学习在无线通信领域的广泛应用,其特征提取能力强、参数灵活性高、泛化性能好的优势使得研究者们开发出许多基于神经网络模型的方法来解决无线传输中的OFDM信道估计问题。在此背景下,本文基于端到端的思想利用深度网络模型多参数级联结构和非线性特性建立了能够深度挖掘参考通道时域接收符号到传输码元之间的复杂映射关系的深度模型,无需进行传统方法中的OFDM解调、信道估计、信道均衡和星座点逆映射而直接恢复传输数据,降低计算复杂度。以误码率为准则,重点探讨了基于深度网络模型的参考信号重构方法在理想情况和不同波形参数影响情况下的重构性能,并与传统基于LS和MMSE思想的参考信号重构方法进行性能比较。具体研究内容如下:（1）研究了基于深度网络模型方法所需的网络训练和测试的样本集获取问题,包括获取用于网络输入的时域接收符号和作为网络训练标签的传输码元。建立了信道模型获取信道状态信息,随机生成了二进制码元序列作为标签,结合OFDM调制技术搭建了理想情况下从传输码元到接收端接收时域信号的输入样本模型。在此基础上,分析了考虑实际系统参数影响的不同情况下时域接收数据生成方法,获取了特定波形参数影响下的样本集。（2）研究了基于多层级联结构的深度神经网络（DNN）,建立了一种通过网络学习自适应深度挖掘从时域接收符号到传输码元之间映射关系的DNN参考信号重构方法,仿真验证了其可行性;然后以误码率为依据,定量比较了理想情况和不同波形参数影响下所提方法与传统方法的参考信号获取精度。（3）研究了基于全连接结构神经网络的Wasserstein生成对抗网络（WGAN）,建立了一种联合OFDM解调、信道估计、信道均衡和星座点逆映射的WGAN重构方案,仿真验证了其可行性;然后分析了理想情况和不同波形参数影响下的基于WGAN的参考信号重构方法与上述三种方法的参考信号重构性能。
其他文献
随着电力物联网的高速发展,电力系统正朝着更加智能、灵活的交互式系统过渡。电力系统负荷预测在未来的电网规划、电力需求侧管理以及电力企业运营中扮演着举足轻重的角色。精确的短期负荷预测（short term load forecasting,STLF）既能有效指导发电机组的组合调度,制定检修计划,又能减少发电成本,增加经济效益,维持电力系统的安全与稳定运行,还能合理安排电力市场运营。与此同时,环境污染与
随着机器人技术的不断发展,目前对于机器人的研究已经不再局限于传统的工业场景中,如今都希望人能够参与到机器人的工作场景中协同进行复杂的作业。这使得机器人必须具备一定的柔顺性以及操作的灵巧性,从而尽可能的保证机器人在人机交互过程中的安全性和稳定性。有鉴于此,本文针对七自由度协作机械臂进行了避障技术以及柔顺控制的研究,主要研究内容如下:首先利用改进型D-H参数法对机械臂建立关节连杆模型并进行运动学分析,
机器人系统一般由机器人执行系统、控制系统及机器人示教系统组成,示教系统是机器人系统进行人机交互的接口。通过示教系统可以查看并修改机器人的位姿信息和参数设置,还能手动控制机器人并进行示教再现操作。本文研究的机器人示教系统基于C/S架构设计,包含机器人示教器和与控制主机交换信息的通信模块。本文研究设计了一种基于Android系统的6自由度机器人示教系统。示教器硬件基于Cortex-A9处理器,搭载An
随着我国的快速发展,输电线路遍布各地,由于输电线路暴露在室外并且受到环境因素的影响,容易发生故障。但是故障原因通常不易辨识,因为输电线路所在地形复杂,人员巡线不易,花费时间较长,给用户造成许多不便。所以输电线路故障原因辨识的研究在当下具有十分重要的意义。本文研究了六种输电线路故障,分别为:雷击、吊车碰线、鸟闪、污闪、树闪及山火。通过深入的研究,发现故障录波数据以及环境因素与故障原因有着重要的关联,
随着我国从化石能源供应体系向清洁能源供应体系的持续推进,环境友好、节能高效的小规模分布式电源（Distributed Generation DG）获得了国家的青睐与大力扶持。DG的快速发展,为配电网规划提供了一种新的思路。然而,DG的接入也具有两面性。配电网中引入DG在减少输电功率消耗、增强配电网可靠性、提升效益等方面成效明显;大量DG的并网也会引起配电网的电压稳定性出现明显波动。因此,本文依据D
根据电网相关部门关于输电线路故障的统计数据,鸟种活动是引发故障的主要因素。目前,各类防鸟装置在输电线路上得到了广泛应用,但未能遏制住涉鸟故障,其主要原因是涉鸟故障类型多样性和盲目地安装防鸟装置,不具备针对性的措施。针对此类问题有必要开展输电线路相关鸟种智能识别。本文分别采用传统人工提取特征和深度学习两种方式对涉鸟故障相关鸟种进行分类识别。主要研究内容如下:（1）根据电网统计结果,构建涉鸟故障危害鸟
随着现代工业科技的发展与创新,大型复杂设备的使用也日益增多。与此同时,为了满足其高可靠性和高效性等方面的要求,复杂系统常常会采用冗余技术,这在提高系统性能的同时,也给系统故障诊断带来了新的挑战。针对大型复杂系统的故障特性,考虑在构建故障模型方法、处理认知不确定性问题、故障诊断决策算法、诊断传感器信息融合等问题下,建立不确定性下基于多源异构信息的复杂系统故障诊断策略,以便能快速准确定位故障从而降低诊
随着世界科技水平的飞速发展,人机交互的需求也逐渐增加,语音交流是最方便快捷的方式,但在实际的生活中,纯净的语音往往很难获得。此时单通道语音分离（Single Channel Speech Separation,SCSS）技术就显得格外重要。而传统浅层模型的方法不能很好的解决语音分离问题。当前,随着深度神经网络（Deep Neural Network,DNN）的大规模应用,研究人员利用深度神经网络的
随着用电量的快速增长,电力装机量迅速扩张,对电网的规划调度提出了更加精细化的要求,发电企业和电力部门需要更加精准的掌握负荷的变化规律以及发展趋势。精确的电网负荷预测可以保障电网的安全运行,实现科学发电、调度以及配电,并且电力公司进行总体规划、发电计划制定、电力市场、具体设计等都需要负荷预测,因此增强短期电力负荷预测精度成为电力计划的重要工作之一。近年来,电力负荷预测也是许多专业人员的重点研究方向,
随着科技水平的不断提高,计算几何扮演着越来越重要的角色,并在计算机图形学、机器视觉、地理信息系统、车辆导航、工业设计和集成电路设计等领域具有广阔的应用前景。Voronoi图作为计算几何中一个十分重要的分支,也颇受广大学者的青睐。本文旨在针对传统的Voronoi图存在的一些局限性进行分析和拓展。一方面,传统点集Voronoi图是围绕平面每一个点进行最近领域的划分,Voronoi单元格的数量等同于点集