模拟和数字电视覆盖区方法的计算与分析

本论文通过对几种不同的预测电视覆盖的方法的原理介绍,进而时比各种方法的优劣程度,并且对每种方法可能存在的问题加以分析,提出在规划台站时选用最适合的覆盖分析方法.     

一类非带限信号的恢复

本文报道了一类非带限信号恢复的一种方法。对非带限信号f(t),若存在可逆函数g(t),使g[f(t)]带限,其最高频率为ω_0,则f(t)可以从大于2ω_0采样率的采样数据准确重建。计算结果与本文建立的理论符合得很好。     

一种微弱信号的检测技术

针对于实际应用中的小信号,特别是完全被噪声淹没情况下的微弱信号提取问题进行了论证,分析了信号和噪声在时间特性方面和统计特性上的差别,介绍了一种有效的用相关函数检测技术来提取被噪声淹没的极微弱信号的方法.     

实时数据交换原理及其编程实现

实时数据交换(RTDX)为调试DSP算法提供了一个实时、可视的环境,为实时信号处理算法的精确快速设计提供了很好的解决方案。本文对RTDX的原理进行了分析,从应用角度给出了RTDX的编程实现,用VB6．0进行了主机OLE自动化客户程序设计,用C语言进行了DSP目标应用程序设计。     

2.4GHz网络信道估计与识别

在2.4GHz网络中,由于wifi、zigbee和bluetooth这3种系统工作在同一频段,致使它们通信时会出现干扰.为区分出不同系统的信号,基于盲源分离理论,介绍了线性主成分方法(PCA)、递推最小二乘算法(RLS)和2.4GHz系统,推导了RLS型算法和信号识别公式,采用Matlab仿真,结合以前改进的RSL算法和信号识别方法,提出一种改进的RLS算法.经过分析,证明该改进的算法可以从混迭信号中有效地分离出各源信号,特别是使这3个系统的不同信号分离,确定每个信号的所属系统及所占信道.     

基于信号前后向循环相关函数的伪快拍构造

许多通信信号具有循环平稳特性。Cyclic-MUSIC算法利用此特性在传统MUSIC算法的基础上提高了对信号波达方向的检测能力和估计精度。在Cyclic-MUSIC的基础上,SC-SSF算法将适用模型从窄带信号扩展到了包括宽带信号的广义信号模型上,并在其中构造了伪快拍以及相应的伪数据矩阵。从广义信号模型出发,对其前后向循环相关函数进行离散傅立叶变换和频域聚焦变换——利用宽带相干信号子空间算法(CSM)中的聚焦矩阵,从而得到一个频域上的伪快拍形式;并由此获得了一个孔径扩展一倍的虚拟阵列。对此伪快拍应用传统的MuSIC算法时,可分别比SC-SSF和Cyclic-MUSIC算法检测多一倍的信号和获得更高的估计分辨率。仿真结果表明方法的有效性。     

发送端自组织活动天线MIMO系统的随机分析

为了精确估计无线多输入多输出系统(MIMO)的信道容量,提出了发送端活动天线是自组织广播模式的无线通信系统.在定义了一个等效同心圆区域(接收子空间)的基础上,应用复合随机过程数学模型来描述自组织广播式无线MIMO通信系统.同时把迫零方法(ZF)和信噪泄漏加噪声比标准方法相互结合起来,得到了最优波束形成矢量和信噪比的修正值,从而得到发送端自组织无线MIMO系统信道容量的精确描述.仿真结果证明,这样的结论是合理的.     

基于多智能体的分布式交通信号协调控制方法

通过建立交通信号控制智能体BDI模型,提出了一种基于多智能体的分布式交通信号协调控制方法.通过相邻路口信号控制智能体的信息交互和协调,在确保路口绿灯时间利用率较高的前提下,尽量使相邻路口驶来的车队不停车地通过路口.编制交通控制微观仿真软件,在一个由8个路口组成的交通网络中对多种信号控制方式进行仿真实验,实验结果表明这种新控制方法的控制效果明显优于传统的定时控制和感应控制方式.     

信号灯交叉路口的实时控制模型

提出了一个交叉路口交通的实时信号控制方法,它以车流密度作为控制目标来寻找最优的绿灯时间。交叉路口各进入段均装设车辆检测器,并仿真动态车流,以预测下一个信号周期内各停车线处的密度分布。具有仿真精度高,控制实时性好的特点。     

鲁棒主元分析和稀疏表示方法在模拟电路错误检测中的应用

模拟电路错误检测问题,即重点是检测出模拟电路芯片存在错误后确定错误元件或参数的问题,对于进一步明确错误产生原因,在设计或制造中加以改进,有重要的意义.经典做法是通过预先设置错误,并仿真得到其对应的响应数据,构造"错误字典",然后将测试信号与错误字典进行比对,识别其属于哪一类错误类型.本文提出一种基于数据稀疏表示方法来进行错误类型识别的新方法,它计算属于不同错误类型的数据在所有类型的数据构成的空间中的展开向量,根据得到的稀疏向量来判断其所属错误类型.对于稀疏表示方法无法进行准确分类识别的情况,采用SVM作为二级分类器进行修正.存在某些错误类型,其响应数据构成的空间之间线性相关性较强,对于稀疏表示后属于其中之一类型的数据,采用传统的SVM方法来加以辅助分类.在两个实验例子中,与SVM,Ada Boost以及没有加SVM辅助分类的单纯稀疏表示方法相比较,本文方法有更高的错误类型识别正确率.