MUSIC算法多值模糊问题研究

针对阵列测向 ,概括论述了空间谱估计算法中最为经典的算法———MUSIC算法的基本思想和方法 ,从理论上推导出天线距离大于信号源载频波长的一半时产生多值模糊的原因 ,给出了多值之间的数学关系公式 ,并基于MAT LAB程序进行了计算机仿真 ,仿真结果与理论分析达到了很好的吻合 ,并针对多值模糊问题提出解决方案设想     

CDMA系统中阵列天线权值的ε近似算法

利用二次规划问题的ε近似算法给出一种新的阵列天线权值调整方法,通过仿真结果可以看出,该算法可以很好的解决多址干扰和远近效应问题。     

蜂窝CDMA系统多区基站天线倾斜方案

在综合考虑整个蜂窝系统的情况下,结合环境阴影衰落深度等因素,分析了地面基站天线倾斜对CDMA系统整体容量的影响后,提出了一种CDMA系统多区基站的天线倾斜方案.该方案将基站天线倾斜技术应用于整个CDMA蜂窝系统.仿真结果表明,利用本方法可将CDMA系统容量得到明显的提高.     

利用信号与系统概念分析线天线的互阻抗

基于信号与系统理论 ,并利用数字信号处理技术 ,提出了一种分析线天线互阻抗的新方法 .在这种方法中 ,借用信号与系统的概念 ,将天线阵中天线单元的电流视为激励信号 ,将天线阵的空间结构视为系统函数 (或传递函数 ) ,而将单元天线间的互阻抗 (或其它电磁特性 )视为整个系统的响应 .通过这种等效 ,可将天线阵中天线单元间相互耦合看作信号与系统中的系统响应 ,进而可利用数字信号处理方法进行分析 .最后给出了利用该方法计算对称振子天线互阻抗的实例 ,计算结果证明了该方法的有效性 .     

多天线OFDM系统的线性优化

从Jakes信道模型出发,用KKT优化方法,从信道部分特性已知的情况推导了多天线OFDM系统中发射机与接收机的线性最优化设计问题。仿真比较了多天线OFDM系统的各个子载波之间采用合作的线性优化与非合作的线性优化两种方法在不同最大多普勒频移和反馈时延下发送符号的均方误差。仿真结果表明,当信道特性部分已知时,子载波之间合作的线性优化较之非合作的线性优化有更小的均方误差。可为存在反馈时延的多天线OFDM系统设计提供指导     

基于DPCA、ATI和MUSIC的动目标检测方法

针对SAR(合成孔径雷达)动目标检测,提出一种DPCA(中心相位偏置天线)、ATI(沿迹干涉)和MUSIC(多信号分类)相结合的三孔径动目标检测方法。该方法首先采用DPCA技术消除杂波干扰、检测运动目标,然后用ATI和MUSIC方法确定目标的位置和速度。理论分析和计算机仿真表明,该方法是有效的,不仅能够检测运动目标,而且能够精确估计其运动参数。     

星际链路天线的建模与仿真

理论结合工程实践，介绍了卫星通信网络中的星际链路的特点及各种关键因素，重点讨论了星际链路天线的仿真模型，分别建立了天线方向图模型和天线增益模型，并给出了NS下的仿真分析方法，提高了NS下卫星通信网络的仿真精度。     

浅谈中性点非直接接地系统单相接地故障

本文就中性点非直接接地系统单相接地的现象、危害进行了分析,进一步阐述了寻找接地点的办法及防御措施。     

采用传播图论建模方法的Massive MIMO室内场景传播特性

大规模多天线(Massive MIMO)技术在基站端配置大规模天线阵列,能够大幅度提升数据传输速度和系统容量,实现无线传播信道中的空间和时间资源的最大化利用.有关Massive MIMO无线传播信道的研究,对大规模多天线的应用、系统的设计与部署具有重要意义.本文采用传播图论信道建模的方法,研究Massive MIMO在实际传播信道中的性能表现,既能很好的避免信道实测带来的繁重工作,又能有效反映Massive MIMO的无线信道衰落特性.分别在高频点6GHz和低频点1.472 5GHz对选定的室内传播场景进行了信道建模与仿真,由传播图论建模方法得到了信道冲激响应,并进行参数提取,分别从角度域和时延域分析了大规模多天线系统的信道传播特性,并通过分析信道奇异值扩展的分布,证明了实际传播环境中天线数目增多信道的正交性显著增强.     

基于卷积神经网络的多天线Polar码联合解调-解码方案

为了验证运用神经网络进行信道解码的可行性,利用其提高短码长Polar码的译码准确率,提出了一种基于卷积神经网络(convolutional neural network,CNN)的多天线(multiple-input multiple-output)Polar码新颖联合解调-解码方案.搭建了一种包括4个卷积层,2个全连接层和1个输出层的卷积神经网络,采用最小均方误差作为损失函数,通过计算机生成了Polar码编码的多天线数据并对网络进行训练,使训练得到的神经网络能很好地提取出Polar码比特间的关系特征,从而拟合出Polar码译码函数.仿真结果表明,在相同信噪比条件下,基于CNN的Po-lar码联合解调-解码方案的误码率优于已有的基于全连接神经网络方案;所提方案在不同码率的仿真实验中的误码率皆优于基于全连接神经网络方案,损失曲线的收敛速度更快,显示了基于CNN的Polar码联合解调-解码方案具有更好的泛化能力和学习能力.