XiaoMi-AI文件搜索系统
World File Search SystemDemodulation
具有高功率阻断器的共享频谱中非线性接收器的人工智能驱动解调器
摘要 — 研究表明，通信系统和接收器受到高功率相邻信道信号（称为阻塞器）的影响，这些信号会使射频 (RF) 前端进入非线性操作。由于物联网 (IoT) 等简单系统将与复杂的通信收发器、雷达和其他频谱消费者共存，因此需要采用简单但自适应的 RF 非线性解决方案来保护这些系统。因此，本文提出了一种灵活的数据驱动方法，该方法使用简单的人工神经网络 (ANN) 来帮助消除解调过程中的三阶互调失真 (IMD)。我们引入并数值评估了两个人工智能 (AI) 增强型接收器——ANN 作为 IMD 消除器和 ANN 作为解调器。我们的结果表明，简单的 ANN 结构可以显著改善具有强阻塞器的非线性接收器的误码率 (BER) 性能，并且 ANN 架构和配置主要取决于 RF 前端特性，例如三阶截取点 (IP3)。因此，我们建议接收器具有硬件标签和随时间监控这些标签的方法，以便可以有效地定制 AI 和软件无线电处理堆栈并自动更新以应对不断变化的操作条件。索引术语 —AI、ANN、IMD、IP3、频谱共享。
适用于与高功率阻断器共享频谱的非线性接收器的 AI 驱动解调器
摘要 — 研究表明，通信系统和接收器会受到高功率相邻信道信号（称为阻塞器）的影响，这些信号会使射频 (RF) 前端进入非线性操作。由于物联网 (IoT) 等简单系统将与复杂的通信收发器、雷达和其他频谱消费者共存，因此需要采用简单但自适应的 RF 非线性解决方案来保护这些系统。因此，本文提出了一种灵活的数据驱动方法，该方法使用简单的人工神经网络 (ANN) 来帮助消除解调过程中的三阶互调失真 (IMD)。我们引入并数值评估了两个人工智能 (AI) 增强型接收器 - ANN 作为 IMD 消除器和 ANN 作为解调器。我们的结果表明，简单的 ANN 结构可以显著改善具有强阻塞器的非线性接收器的误码率 (BER) 性能，并且 ANN 架构和配置主要取决于 RF 前端特性，例如三阶截取点 (IP3)。因此，我们建议接收器配备硬件标签，并有办法随时监控这些标签，以便可以有效地定制 AI 和软件无线电处理堆栈并自动更新，以应对不断变化的操作条件。索引术语 —AI、ANN、IMD、IP3、频谱共享。
GMSK载波同步环路相位检测器在极低信噪比下的性能分析
I. 简介 深空通信系统在非常远的距离内运行，而机载能量发生器的容量非常有限，导致接收端的信噪比 (SNR) 非常低。这就是使用接近香农极限的纠错码的原因。然而，为了利用这种增益，必须进行相干解调，并且必须在更严格的 SNR（对于 Turbo 码 1/6，𝐸 𝑠 /𝑁 0 ≃ – 8 dB）下提供载波相位同步。分配给深空任务的频谱资源是有限的（X 波段 8 GHz），为了优化频谱效率，空间数据系统咨询委员会（CCSDS）建议 [1] 对于 B 类任务（深空任务）使用预编码 GMSK 调制（高斯最小频移键控），高斯滤波器带宽位周期积𝐵𝑇 𝑏 = 0.5，对于 A 类任务（低空任务）使用 GMSK 𝐵𝑇 𝑏 = 0.25。本文讨论了一种由最大后验（MAP）准则和洛朗展开式 [3] 衍生的用于 GMSK 调制的盲相位检测器 [2]。为了评估该相位检测器在非常低的 SNR 下在闭环结构中的性能，我们考虑了 [4] 和 [5] 中描述的另外两个简化版本。我们对线性和非线性域中的这三种不同结构进行了全面研究。我们还介绍了使用低速率纠错码（Turbo 1/6）进行计算机模拟所获得的结果。这项工作的目的是比较这三个相位检测器的性能，并评估为获得两个简化版本而进行的简化的影响。
双基地和多基地 SAR 中振荡器噪声的影响
I. 引言 双基地和多基地合成孔径雷达 (SAR) 系统通过安装在不同平台上的发射和接收天线进行操作 [1], [2]。这种空间分离具有多种操作优势，将提高未来星载 SAR 任务的能力、可靠性和灵活性 [3], [4]。双基地和多基地卫星配置的强大应用包括单程横轨和沿轨干涉测量、高分辨率宽幅 SAR 成像、用于改进场景分类的双基地成像、分辨率增强、SAR 层析成像和频繁监测 [4]。然而，双基地和多基地 SAR 任务的实施也带来了一些新的挑战，例如近距离卫星编队中的避碰、为提供适当基线的轨道设计、增加对模糊性的敏感性以及仪器同步 [4]–[12]。本信讨论了双基地和多基地 SAR 数据采集过程中振荡器稳定性有限的影响。在分布式 SAR 系统中，振荡器误差值得特别关注，因为在单站 SAR 中，低频相位误差不会消除，而单站 SAR 中相同的振荡器信号用于调制和解调 [7]。为了进行定量研究，我们在第二部分中引入了一个系统理论模型，该模型在随机过程框架内描述了超稳态振荡器 (USO) 的残余相位误差
手册 – 数字无线电中继系统 - ITU
4.2.2 调制和解调................................................................................................ 135 4.2.2.1 基本原理 .............................................................................................. 135 4.2.2.2 线性调制方案............................................................................... 136 4.2.2.3 非线性调制方案............................................................................... 138 4.2.2.4 编码调制....................................................................................... 139 4.2.2.5 频谱整形....................................................................................... 141 4.2.2.6 加性高斯白噪声信道的误差概率。2.6.4 高性能天线......................................................................................... 194 4.2.6.5 馈线系统基本原理.................................................................... 197 4.2.6.6 系统复用滤波器............................................................................. 203
走向矢量信号的计量表征...
如今，矢量信号分析仪 (VSA) 用于在研究、制造和原型设计中测量数字信号的特性。现代 VSA 通常使用 > 20 GHz 的载波频率和高达 200 MHz 的解调带宽。随着新通信设备的出现，带宽预计将大幅增长，例如参见 [1]。VSA 使用各种架构，而通常输入信号在使用至少 12 位 A/D 转换器进行多次下变频后在基带中采样，信号的同相和正交分量由正交解调确定。解调器的标量（幅度）响应可以使用校准的功率计通过计量可追溯性确定，但由于 VSA 的原理，没有关于相位的信息。可追溯性是 ISO/IEC 17025 对校准实验室和仪器制造商的一项关键要求。在 [2] 中，概述了使用快速数字采样示波器 (DSO) 进行可追溯的幅度和相位特性测量的策略。VSA 和 DSO 都使用了宽带多正弦激励，而测量信号对两种仪器来说是共同的，可以通过反卷积去除。选择多正弦波形是因为相邻音调之间的幅度和相位关系是可计算的。DSO 可通过电光采样 (EOS) 进行追溯，它定义了仪器响应中频率分量的相对时间 [3]。NIST（美国）[4]、NPL（英国）[5] 和 PTB（德国）[6] 已经开发了这样的 EOS 系统。VSA 的详细内部架构只有其制造商知道，目前计量实验室面临着这些仪器可追溯校准的问题。然而，使用 DSO [2] 的方法相对复杂，不适合商业校准实验室的常规测量。本文提出了一种可追溯的方法
手册 – 数字无线电中继系统 - ITU
4.2.2 调制和解调................................................................................................ 135 4.2.2.1 基本原理 .............................................................................................. 135 4.2.2.2 线性调制方案............................................................................... 136 4.2.2.3 非线性调制方案............................................................................... 138 4.2.2.4 编码调制....................................................................................... 139 4.2.2.5 频谱整形....................................................................................... 141 4.2.2.6 加性高斯白噪声信道的误差概率。2.6.4 高性能天线......................................................................................... 194 4.2.6.5 馈线系统基本原理.................................................................... 197 4.2.6.6 系统复用滤波器............................................................................. 203
自闭症谱系障碍研究
自闭症谱系障碍 (ASD) 等神经发育疾病的早期诊断仍是一个尚未得到满足的需求。其中一个困难是识别与 ASD 表型相关的生物信号。视网膜电图 (ERG) 波形已被确定为可能对 ASD 等神经系统疾病进行分类的信号。ERG 波形源自光感受器和视网膜神经元对短暂闪光的响应而产生的电活动，为中枢神经系统提供了一个间接的“窗口”。传统上，波形是在时域中进行分析的，但最近，人们已成功地使用离散小波变换 (DWT) 对 ERG 进行了时频频谱 (TFS) 分析，以表征信号的形态特征。在本研究中，我们建议使用高分辨率 TFS 技术，即变频复合解调 (VFCDM)，根据两个信号闪光强度分解 ERG 波形，以建立机器学习 (ML) 模型来对 ASD 进行分类。其中包括 N = 217 名受试者（71 名 ASD 患者，146 名对照患者）在两种不同闪光强度，446 和 113 Troland 秒 (Td.s) 下的右眼和左眼的 ERG 波形。我们使用 DWT 和 VFCDM 分析了原始 ERG 波形。我们从 TFS 中计算特征并训练 ML 模型（例如随机森林、梯度提升、支持向量机）以将 ASD 与对照患者进行分类。使用独立于受试者的验证策略对 ML 模型进行了验证，我们发现具有 VFCDM 特征的 ML 模型优于使用 DWT 的模型，实现了 0.90 的受试者操作特性曲线下面积（准确度 = 0.81、灵敏度 = 0.85、特异性 = 0.78）。我们发现与较低频率相比，较高频率范围（80 – 300 Hz）包含更多与 ASD 分类相关的信息。我们还发现，右眼中更强的 446 Td.s 闪光强度提供了最佳分类结果，这支持对 ERG 波形进行 VFCDM 分析，作为辅助识别 ASD 表型的潜在工具。
传输和接收FM，SSB和DSD-AM，QPSK ...
摘要本研究包括使用Softrock Ensemble RXTX SDR收发器和频率ShıftKeyng（FSK）传输和接收FM信号。FM signals are generated and plotted using MATLABalong with two input frequencies and a modulation index as inputs for the developed system, the DSB-SC modulated signals as well as DSB-WC signals are generated by multiplying the message with a carrier, while the SSB ones are generated by filtering out the lower sidebands of the DSB-SC modulated signal.此外，通过载波波的离散频率变化传输数字信息的频率调制方案。高级调制和解调是通过计算机图像的基本程序，这些图像变成了传输通道质量完美的波形； QPSK允许信号使用相同的带宽携带的信息是普通PSK的两倍。关键字：FM，RXTX SDR，FSK，SSB，QPSK 1。简介线绝缘子振幅调制（AM）技术的主要两种类型是单个边带（SSB）和双侧带（DSB）。SSB被认为是一种仅具有一个边带的AM，而没有载波波抑制[1]。另一方面，DSB也被视为具有两个边带的AM；上层和下部，波载体被抑制。实际上，DSB与SSB接收器一致，其中接收器仅拒绝冗余或不需要的边带[2]。考虑到FM，技术，优势，劣势和应用程序的操作范围，基于最先进的研究进行了研究。FM信号频率的工作范围为88-108 MHz [3]，在其中，这些信号不太容易受到人类的方向和存在和尺寸较小的对象[1]，[4]。此外，FM信号主要比Wi-Fi信号强，因为它们可以简单地覆盖有效的室内渗透率[5]。FSK利用两种不同的复发率达到了0和1 [6]的信息估计。较低的复发性可能与1说话，较高的复发可能与0。符号的复发由基带信号控制。通过以前的修正案，您可以到达4PSK
f或引用Adam I.A.，Yashin D.A.，Kargina D.A.，Nasedkin B.A.自由空间QKD中高斯和涡流梁与tur>中的相位编码的比较
量子密钥分布（QKD）是通信技术的新方向。QKD建立了两个当事方（通常称为Alice和Bob）之间的安全连接，其中量子力学定律提供了有目的的通道的可靠性，其中最重要的是无关定理[1]。从长远来看，QKD基于计算数学函数的复杂性，QKD比常见的密码系统提供了更安全的连接。第一个提出的方案是BB84 [2]，其中秘密键是通过使用两个正交光子极化碱基来生成的。从那时起，研究了许多方案和实验方案以改善QKD系统的参数并扩大其应用的可能性[3]。尤其是，自由空间QKD由于其灵活性和移动性而积极开发，可用于移动设备[4]，卫星通信[5]和物联网（IoT）[6]。与光纤纤维相比，自由空间QKD尚未在商业系统中广泛使用。这些系统的主要局限性是高斯光束偏离由大气湍流和天气条件引起的原始传播方向的偏差。为解决此问题，目前使用了具有较大入口或特殊校正系统的伸缩系统，这增加了QKD系统的复杂性，重量和成本。作为梁偏差补偿的另一种方法，可以使用光涡旋，根据许多研究[7，8]，在湍流气氛中更稳定。这些问题将在本文中探讨。光涡流或具有轨道角动量（OAM）的光辐射在其中心具有空间奇异性，相位保持不确定，并且沿着梁的内边缘从0到2π不等[9]。这些过渡的数量对应于涡旋的拓扑电荷。目前，已经在QKD系统中研究了涡流束，特别是作为编码信息的基础[10]和相对于轨道动量的通道[11]。但是，在自由空间QKD中具有湍流气氛的高斯和涡流梁的传播及其对此类系统参数的影响之间没有比较。此外，没有对相位调节保存进行的实验研究，并对涡流束进行了额外的调节和解调，这对于将大气通道与光学纤维有效整合是必不可少的。