文摘

本文主要研究了基于到达时间和时差定位的到来。量获得主要是时间。到达时间测量值可以直接通过符号定时同步,和它可以同时获得有效信息。符号定时同步的数字视频broadcast-terrestrial系统可分为两个阶段:粗略的估计和估计。粗略的估计是基于最大似然估计算法。粗略估计的主要目的是估计正交频分复用符号的起始位置,以便循环前缀的起始位置属于正交频分复用符号。细评估的目的是确定准确的起始位置正交频分复用符号。在本文中,数字视频broadcast-terrestrial系统的符号定时同步算法进行了研究和分析,为不同的信道模型和模拟进行。仿真结果表明,该同步算法达到最佳的性能在加性高斯白噪声信道和慢瑞利衰落信道估计性能好。

1。介绍

非合作的双基地雷达基于电视信号通过收听距离格里菲斯和N.E.W.宣布长,英国伦敦大学。实验系统采用水晶宫电视台的发射信号,接收机是安装在伦敦大学11.8公里。接收器是由两个频道,其中一个只接受直接来自电视台的信号。10个八木天线的天线系统由元素。其他频道只接收目标的散射信号,和天线系统由四个子序列,每个18八木天线组成的元素。体育荷兰博士在英国发表了另一个实验系统,工作在VHF / UHF电视乐队。不同于上述系统,系统的两个渠道用于接收目标的散射信号,和高稳定性的信号源是用来提供参考信号的两个渠道,以便接收方可以提取目标信号的多普勒频移。接收方没有通道接收直接信号(1]。

南京电子技术研究所也进行了类似的检测系统的研究中,使用广播信号作为检测信号,并做了实验,结果,观察飞机目标的距离70公里。系统使用了一种叫做“正交滤波提取弱散射信号埋在广播信号(2]。

估计一个移动用户的位置,位置参数估计是距离,距离不同,角度不同。信息可通过测量获取的距离电场的场强或信号的到达时间。距离差异获得的信息可以通过测量信号的到达时间,然后减法,或直接测量时差。到来的角度通过处理接收到的信号的阵列天线基站。在各种无线电定位系统,基本定位相同或近似的方法和技术,和移动台的定位估计是意识到通过测量某些信号无线定位参数的特性测量(3]。定位参数的精确估计来提高无线定位的准确性是很重要的。目前,用于定位的主要参数是到达时间(TOA),到达时差(辐射源脉冲),到达角(AOA),到达强度(SOA),等等。

基于时间的定位在数字视频的相似性broadcast-terrestrial(优质)系统和时间测量测距系统在无线定位的定位模型和算法允许我们使用基于时间的测量值在无线定位实现优质的定位信号(4]。对于时间的测量和估计参数,根据不同的测量方法,基于时间的定位方法可分为以下三个:第一个是上行的方法。通过测量发送的上行信号的到达时间移动站,需要至少三个基站测量TOA /辐射源脉冲,然后,网络计算移动电台的位置。第二种方法是下行(5]。TOA /目标辐射源的至少三个基站的下行信号是由移动站,然后,定位。这是一个基于移动终端的定位技术。这种方法一直采用GSM定位标准。第三是up-down-link混合方法。该方法结合了上述两种方法,不需要基站的时间基准。本文主要涉及研究时间定位参数的估计,基于目标辐射源的定位,所以重点是解释时间定位参数的估计(6]。首先,时间的估算方法测量值和位置模型构造算法在无线定位。然后,等位置方案提出了基于优质的系统符号位置同步。最后,仿真和性能分析的计划进行。目前,效率和定位精度参数的基础上到达时间(TOA),到达时差(辐射源脉冲),到达角(AOA)和磁场强度到达(SOA)并不理想。

为了进一步提高定位效率和准确性,本文研究和分析了基于TOA的符号定时同步算法和目标辐射源在优质的系统。符号定时同步分为两个阶段的粗估计和象征符号好估计,并根据不同的信道模型进行仿真。仿真结果表明,该同步算法可以实现最佳的性能在AWGN信道和也有一个好的慢瑞利衰落信道估计性能。

2。同步错误数据解调的影响

数字电视地面广播的输入信号是一个复杂的一个星座图上点。离散傅里叶变换应用于后N复数的输入,最后Ng采样值的输出序列复制到前面的序列作为循环前缀。N+ Ng输出数据是通过并行串行转换,最后,这些时间域数据通过无线信道传输。如果循环前缀的长度大于信道的冲击响应,可以避免码间干扰。如果循环前缀的长度大于信道的脉冲响应,可以避免码间干扰(7]。

在接收端,考虑到信道衰落和加性高斯噪声的影响,接收到的时域信号可以表示为 在哪里代表IDFT的复数的输入,代表的衰落副载波,代表了规范化的载波频率偏移代表了IDFT加性高斯白噪声的输出。在加性高斯白噪声信道, 是可取的。数据解调之前,循环前缀删除第一,然后,剩下的数据是通过离散傅里叶变换解调。如果没有同步错误和信噪比足够高,我们可以正确解调原始数据(8]。不同的同步化错误数据解调(有不同的影响9]。

3所示。现有的算法的优点和缺点

线性最小二乘(LS)算法及其改进算法依赖于数学原理和结构简单的优点,通常在高信噪比频道就是能有一个更好的估计精度,而且因为属于已知的数据,其余的乘法操作完成后,连接是一个加法操作;通道插值也非常方便,只需要填零手线频域变换(10]。这种算法的缺点是,它需要至少两次保护间隔的长度最长的多路延迟,频带利用率相对较低,精度将大大减少在低信噪比的情况下因为噪音的影响没有考虑。同时,LS及其改进算法的估计精度也将影响当帧之间的相互干涉的身体数据和PN帧头数据相对较大。

PN循环相关性估计算法是一种广泛使用的信道估计算法目前优质的,因为它不需要大型矩阵求逆操作,如LS和其改进算法,该算法相对简单,信道估计响应快(它可以在完成的数据)。然而,该算法要求PN序列具有周期性特征,和帧头用于相关操作不应干预前后的OFDM符号(11]。以这种方式,类似于LS算法及其改进算法和PN频域,当帧之间的相互干涉的身体数据和接收的数据帧头数据是相对较大,为了保证信道估计的可靠性,通常要求估计多径最大延迟的循环保护间隔不应超过狩猎序列(12]。

针对上述算法的缺陷,数字电视系统同步频率偏移和存在敏感信号检测过程中检测到信号峰值位置pseudopeak误判的挥发性和存在;本文深入研究符号同步算法,提高了最大似然估计算法,实现帧同步和精确地得到信号帧的开始时间。因此,该算法具有较高的定时精度。

4所示。应用物联网、大数据和机器学习技术在数字电视定位参数估计和算法

物联网(物联网),大数据分析和机器学习技术的三驾马车是智慧的时代,这是具有重要意义的智能科学与技术的发展。物联网是一个智能网络,使人与人之间有效的信息交互,人和事,事物和事情信息传感设备。“一切都是感知”和“一切都是互动”是物联网的核心价值观。大数据分析技术近年来已逐渐应用商业。随着信息技术的快速发展,数据已成为产品操作的信息系统,这表明大规模的特点,品种、不规则,速度快。大数据分析技术的价值在于挖掘所需的信息从这些数据和为决策者提供参考。机器学习技术是实现人工智能的核心技术,它广泛应用领域的情报。机器学习技术是指计算机的学习和判断能力和处理数据和从人类产生有效的结果没有明确的指示13]。

本文的后续研究适用于物联网、大数据分析和机器学习技术来定位参数估计和算法在数字电视和计划设计一个定位参数估计和算法在“智能+”数字电视系统架构基于大数据分析和机器学习在物联网环境中。后续研究将提出智能定位的实现思想,智能预测,智能操作,数字电视定位系统和维护,提供解决方案,提高数字电视定位的准确性和效率。

5。最大似然估计算法

5.1。方法描述

在建立的过程中同步、符号定时同步通常是第一次进行。只有确定OFDM符号的起始位置,才能正确的FFT解调。

最大似然估计(标定)算法实现通过性放纵的相关操作信息的时域循环前缀(14]。

观察区间如图1。观察窗的OFDM符号的数量大于一个完整的OFDM符号 样本值,因此观察窗口的大小 ,的象征 样本值之前观察样本值的象征,并观察当前的象征 样本值是的象征。的象征 样本值后观察样本值 的象征。因此, 连续观察样本值,其中包含一个完整的OFDM符号的 样本值。但是,接收方不知道这个OFDM信号的起始位置(15]。在这里,我们假设和定义两组: 在哪里设置保护间隔吗 - - - - - -th多载波象征循环前缀和包含相同的元素集 。 观察点作为一个向量 ,也就是说, 。

它可以指出,元素( )在集合并设置对应相同,所以有以下相关特征(16]。 在哪里 是有用的信号的能量和加性高斯白噪声,即。,平均功率; 高斯白噪声的方差;和是归一化载波频率偏差。

对数似然函数 被定义为概率密度函数的对数吗 ,在哪里 代表的联合条件概率分布 采样点信号到达时间和频率偏差 ,也就是说,

在 采样点,只有相应的元素集和有关联,和其他采样点可以被看作是独立的(17]。为简单起见,直接用于表示条件概率 。这是方程:

用于表示(联合)随机变量的概率密度分布函数。它可以注意到一维与二维概率密度分布函数中使用的方程。产品的术语的产品是 点,所以解决方案无关的起点标志(18]。假设是一个独立的信息来源等概率分布,实部和虚步是相互独立的,所以的价值和频率偏差无关吗 。最大似然估计需要估计T和的值可以最大化 (18]。因此,消除的最大似然估计不会影响和 。因此,方程可以简化为

上述方程可以写成

自是一个复杂的高斯随机变量, 是一个二维复杂的高斯分布的概率密度函数;通过使用相关的特征方程(6),可以获得以下方程: 在哪里振幅之间的相关系数和 ; 可以表示为如下方程:

是一维的复杂的高斯分布的概率密度函数,可以得到

把方程(8)和(9)方程(7),相关的代数操作之后,可以得到以下方程: 在哪里 是恒定的, ,所以它没有影响最大似然判断,这个公式可以简化为

其中, 在哪里表示复数的阶段和之间的相关性值之和等于连续两个样品对吗长度和距离;即,第一项的加权系数的公式 ,的加权系数是由频率偏移;第二项方程的能量项独立的频率偏差,这取决于相关系数(信噪比)19]。

最大似然算法估计位置符号定时同步和载波频率偏差同时,所以上面的对数似然函数最大化的过程应该在两部分完成,也就是说,

频率偏移 ,为了最大化的公式,余弦项应该首先,即

的最大似然估计频率偏移得到:

考虑到一般情况下,载波频率偏差应在一个小范围内, ,所以有

让 ;然后,定时偏差的最大似然函数是

因为只有相关的公式 ,的估计可以通过最大化 ,然后,定时偏差的估计可以通过替换的公式。因此,联合最大似然估计和就变成了

最大似然符号同步,和的 显示接收信号的采样点计算公式,分别。最后,根据公式估计执行操作。在这个过程中,两个因素会影响最终结果:一个是循环前缀的样本值的数量 ,和其他相关系数由信噪比决定。前者是接收者,而后者也可能是固定的。基本上提供了一个估计的时间标志和频率偏差 。模块化的价值与能量加权项呢 ,峰值出现的时刻 ,的阶段成正比 。

为了降低算法的复杂性,一个新的接收序列的序列是由量化。然后,在执行相关操作序列,如下所示,即 在哪里是一个复杂的量化器: 在哪里 。

5.2。符号粗同步

在实际的多路径通道传输,因为OFDM符号在时间轴上扩散,循环前缀信号用于估计操作已经被前面的符号,干扰和相关性能大大降低。检测到相关峰位置有很大波动,有虚假的峰值误判,更糟的是,当信噪比很低(20.]。因此,标定算法的改进:

5.2.1。截断循环前缀

截断长度共同决定的循环长度和通道分散,如图2。如果截断太小,多路径干扰是不可以避免的。太多的削减将会减少相关判断的准确性。

5.2.2。阈值判断

由于噪声和干扰的影响,最大值的位置是不稳定的,容易导致伪峰,所以没有相关峰值,但达到一定的阈值来确定当地最大力矩的起始位置的符号,这样它会有估计误差和实际模拟,估计粗符号起始位置的中心分布的多路径(9]。然而,只要粗符号同步位置落入保护间隔稳定,对数据信号只是阶段挠度的影响,并介绍了符号定时同步误差可以通过FFT postprecise符号同步估计并纠正在频域(21]。符号的起始位置是

如图3,当粗符号的同步位置与当地最大的阈值判断,同步位置的估计偏差 ,如果是收到了长时间数据序列 , ,然后在循环前缀的数据的特点和FFT循环移位定理可以获得如下(22]:

5.3。符号细同步

优质的应用环境相对复杂,大型多路延迟和多普勒频移。因此,没有特殊的训练序列在试点模式设计,但连续的飞行员和分散的飞行员被插入到数据符号,使飞行员密度更高。由于大量分散的飞行员和位置,他们可以更好地反映信道的特点,因此使用分散的飞行员作为符号同步好估计可以实现更好的性能(23]。

粗符号定时同步后,执行FFT变换得到频域数据,和多径信道估计的延迟特性的基础上插入分散驾驶员信息执行符号细同步(24]。

时变多径信道脉冲响应可以近似表示为 在哪里是路径的延时 , 是信号的时变衰落引起的传播路径和移动接收路径 ,和总数量多路径;然后,

自 象征着时间,采样间隔 ,和副载波频率离散符号是 ,然后

在发射机, 代表的信号副载波的的象征。在接收端,分散控制信号在频域插入用于估计精确的偏差信号。如果信号的副载波的正确同步后表示为象征 , 是为复杂的高斯白噪声。然后,估计信道频率响应

执行传输线通过添加试点的频率(2的整数幂)和估计的特点 :

通过平均信道脉冲响应函数估计连续的OFDM符号,通道延迟配电可以获得,主要描述了多路通道的延迟特性:

每个路径需要的能量超过一定的阈值和是一个局部最大值。因此,第一个路径的延时表达式估计如下:

选择是一个测试的过程,及其表达式 在哪里和最大和最小值 。修正起始位置是象征

6。仿真和性能分析

6.1。标定算法仿真

鉴于上述推导过程,给出MATLAB仿真如下:优质的2 k模式和16 qam调制,包括 副载波,保护间隔的长度 , ,和载波频率偏差 。

图4分别介绍了符号定时位置估计的仿真图标定算法的基于高斯信道环境和载波频率偏差估计的仿真图的程序。从第一个图中,可以看出信号的峰值出现在位置0,2045,4094,和6142年,分别。换句话说,估计操作进行根据公式可以准确地获得的位置 。第二个图是最大似然估计载波频率的偏移根据公式获得基于给定的第一个图的位置。图中的虚线是载波频率偏差。

图5模拟的变化曲线正确符号定时标定算法的概率在AWGN信道和瑞利信道信噪比。使用的系统数据是一样的人物4,即优质的2 k模式和16 qam调制,包括 副载波和保护间隔的长度 ;载波频率和采样时间是正确同步。使用MATLAB仿真。

根据仿真图,正确的符号定时在AWGN信道的相关性算法概率比在瑞利信道,但趋势是,随着信噪比的增加,符号同步概率较高,尤其是当 dB,即使在瑞利信道中,符号同步概率超过85%,即使在AWGN 95%。当 dB,他们两人达到高概率,符号同步和足够的精度要求,验证标定算法的有效性。

6.2。粗和细符号同步算法的仿真

瑞利信道模型由20路径没有洛杉矶。最大延迟航母数量是49,保护间隔长度满足ISI的最大延迟条件。瑞利信道因素 ,在哪里是多路数字。

该算法模拟在AWGN和瑞利信道模型: , ,优质的系统,16 qam调制。载波频率和采样时间是正确同步。在瑞利信道, , ,和 。

图6显示了粗符号同步的平均误差估计不同的信噪比。在图中,同步误差小于一半副载波在AWGN信道,而且只有2副载波( )在瑞利信道补偿,和更大的信噪比是,相关性就越好。图中还比较了不同的影响在瑞利信道同步误差,可以看出错误 不到,在吗 。这是由于多路径干扰时有效避免 ,和减少循环前缀减少了相关的前缀,所以误差增加。

图7显示了符号同步的变化曲线位置误差估计和校正后与信噪比的符号同步算法。当信噪比低,误差明显抑制。当 ,算法的性能大大提高,误差控制在1副载波。AWGN信道完全消除了错误 瑞利时,完全消除了错误 。可以看出,优质的系统有大量的副载波和antimultipath干扰能力强,所以它可以实现定时精度高。

图8显示了同步粗符号在不同的信噪比条件下的概率。可以看出,信噪比越大,越大的概率正确的时机。AWGN信道同步是最好的;瑞利信道 是最坏的打算。

图9显示的曲线细符号同步的概率随信噪比变化,并进一步提高同步精度。AWGN信道时可以精确同步 ,和同步概率是80% 。瑞利信道时同步精度高 和准确的同步时 。这极大地提高了同步性能标定算法的多路径通道。在瑞利信道中,同步概率 高于 ,这与理论分析是一致的。因此,循环前缀的长度应选择在实践中根据信道环境。

7所示。结论

优质的系统的符号定时同步算法提出了在AWGN信道和瑞利信道仿真模型。符号定时同步算法可以在时域和频域进行,该算法可以准确位置和载波频率偏移 。正确的符号定时在AWGN信道概率比瑞利信道。随着信噪比的增加,符号同步概率较高,验证了算法的有效性。在不同信噪比的情况下,平均粗符号同步误差估计是更好的与信噪比的增加。符号同步算法估计和修正后,符号同步位置误差显著抑制在低信噪比。这是因为优质的系统有大量的副载波,及其antimultipath干扰能力增强,所以它可以实现定时精度高。在不同信噪比情况下,信噪比越大,越大的概率粗符号同步的正确时机,然后,优良的符号同步,同步精度进一步提高。仿真结果表明,符号定时同步算法可以实现最佳的性能在AWGN信道和也有一个慢瑞利衰落信道估计性能好。接下来,进一步研究作品如何更明智地选择循环前缀的长度根据实际信道环境,因为循环前缀的长度直接影响符号定时同步的精度和研究应用物联网、大数据分析和机器学习技术在数字电视定位参数估计和算法。

数据可用性

所有的数据、模型和代码生成或使用在研究出现在提交文章。

信息披露

论文的观点、结论和数据都对公众开放。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持关键技术研究汽车高温废气传感器在重庆大学和附属机构中国科学院(重点项目)(没有。HZ2021013)和探索和实践新的工程升级路径的电信专业认证的主要的视觉Industry-School教育部合作教育项目(201901107029)。