基于深度学习提高仪器矢量信号分析性能的处理方法

    公开(公告)号:CN109583575B

    公开(公告)日:2023-06-23

    申请号:CN201811543273.5

    申请日:2018-12-17

    Abstract: 本发明涉及一种基于深度学习提高仪器矢量信号分析性能的处理方法,包括(1)将经过非理想的分析仪射频接收机的失真信号进行ADC采样得到序列y,并引入前馈神经网络对y的硬件失真进行补偿(2)根据信号的调制类型和相应星座图的位置对数据序列y进行解析,估计信号要传送的码元序列数据s,并根据具有L层的多层感知器神经网络MLP估计误差ε;(3)根据具有L层的多层感知器神经网络MLP通过激活函数得到MLP输出层;(4)将所述的MLP输出层的输出结果校正y得到最终测量符号。(5)通过训练数据集以及使用反向传播算法BP训练得到MLP的权重集。采用了该方法,拟合出仪器接收机失真的数学特性,进而对失真进行校正,能够保留原本输入信号的特性。

    基于谐波混频的无分频器宽带低相噪频率合成器

    公开(公告)号:CN103762978A

    公开(公告)日:2014-04-30

    申请号:CN201410025497.2

    申请日:2014-01-20

    Abstract: 本发明涉及一种基于谐波混频的无分频器宽带低相噪频率合成器,其中包括谐波提取模块、锁相环、直接频率数字合成器以及参考源,其中所述的谐波提取模块用以提取参考源多谐波分量,并选择合适的分量,提供给内插混频器,同时提供直接频率数字合成器的参考时钟;所述的锁相环用以实现压控振荡器输出信号与参考信号的锁定,所述的锁相环的反馈回路包括混频器,所述的混频器用以保证宽带频率输出。采用该种基于谐波混频的无分频器宽带低相噪频率合成器,可以实现一倍频程以上的宽带输出频率范围,通过在反馈回路中彻底取消分频器而大大改善了相位噪声,支持宽频带,可以应用于信号源、频谱仪等高性能测量仪器中,具有更广泛应用范围。

    基于谐波混频的无分频器宽带低相噪频率合成器

    公开(公告)号:CN103762978B

    公开(公告)日:2017-02-08

    申请号:CN201410025497.2

    申请日:2014-01-20

    Abstract: 本发明涉及一种基于谐波混频的无分频器宽带低相噪频率合成器,其中包括谐波提取模块、锁相环、直接频率数字合成器以及参考源,其中所述的谐波提取模块用以提取参考源多谐波分量,并选择合适的分量,提供给内插混频器,同时提供直接频率数字合成器的参考时钟;所述的锁相环用以实现压控振荡器输出信号与参考信号的锁定,所述的锁相环的反馈回路包括混频器,所述的混频器用以保证宽带频率输出。采用该种基于谐波混频的无分频器宽带低相噪频率合成器,可以实现一倍频程以上的宽带输出频率范围,通过在反馈回路中彻底取消分频器而大大改善了相位噪声,支持宽频带,可以应用于信号源、频谱仪等高性能测量仪器中,具有更广泛应用范围。

    基于深度学习提高仪器矢量信号分析性能的处理方法

    公开(公告)号:CN109583575A

    公开(公告)日:2019-04-05

    申请号:CN201811543273.5

    申请日:2018-12-17

    Abstract: 本发明涉及一种基于深度学习提高仪器矢量信号分析性能的处理方法,包括(1)将经过非理想的分析仪射频接收机的失真信号进行ADC采样得到序列y,并引入前馈神经网络对y的硬件失真进行补偿(2)根据信号的调制类型和相应星座图的位置对数据序列y进行解析,估计信号要传送的码元序列数据s,并根据具有L层的多层感知器神经网络MLP估计误差ε;(3)根据具有L层的多层感知器神经网络MLP通过激活函数得到MLP输出层;(4)将所述的MLP输出层的输出结果校正y得到最终测量符号。(5)通过训练数据集以及使用反向传播算法BP训练得到MLP的权重集。采用了该方法,拟合出仪器接收机失真的数学特性,进而对失真进行校正,能够保留原本输入信号的特性。

    宽带高效率负载调制平衡功率放大器的电路优化方法

    公开(公告)号:CN117691960B

    公开(公告)日:2025-04-25

    申请号:CN202311688749.5

    申请日:2023-12-11

    Applicant: 东南大学

    Inventor: 陈鹏 余超 洪伟

    Abstract: 本发明公开了一种宽带高效率负载调制平衡功率放大器的电路优化方法。主要解决现有负载调制平衡功率放大器设计中,因不能准确预测控制信号的幅度大小和相位偏移而限制带宽和效率的问题。其实现步骤为:1.确定电路拓扑结构,一路是控制信号功率放大器,两路是平衡功率放大器;2.选择平衡功率放大器与控制信号功率放大器的基波电流幅度比率;3.作出漏极效率与输出功率回退、相位偏移的等位线关系图;4.由等位线关系图确定目标漏极效率与目标输出功率回退的相位偏移范围;5.优化宽带的输入/输出匹配电路满足基波电流幅度比率、相位偏移范围;6.实验验证性能指标。本发明用于优化设计宽带高效率负载调制平衡功率放大器。

    运动目标的SAR稀疏成像方法、装置、电子设备及存储介质

    公开(公告)号:CN113885026B

    公开(公告)日:2025-04-25

    申请号:CN202111087395.X

    申请日:2021-09-16

    Abstract: 本发明实施例公开了一种运动目标SAR稀疏成像方法、装置、电子设备和存储介质,所述方法包括:对采集到的运动目标线性调频信号的回波信号进行杂波抑制处理,接着使用频谱分析方法并基于所述经过杂波抑制的回波信号对所述雷达和所述运动目标进行运动补偿,得到经运动补偿的回波信号,然后基于所述经运动补偿的回波信号构建参数化表征字典并根据所述参数化表征字典表示所述经运动补偿的回波信号,并以此作为约束条件构建稀疏孔径成像和参数估计的目标函数,最后采用正交匹配追踪方法求解所述目标函数,并针对所述运动目标进行多普勒模糊数估计和相位误差校正,从而获得响应动态范围较大且聚焦性能良好的运动目标的SAR图像。

    一种具有高口径效率的宽带圆极化介质透射阵列天线

    公开(公告)号:CN119833959A

    公开(公告)日:2025-04-15

    申请号:CN202510217131.3

    申请日:2025-02-26

    Applicant: 东南大学

    Abstract: 本发明提出了一种具有高口径效率的宽带圆极化介质透射阵列天线,涉及微波天线与阵列领域,满足无线通信和雷达探测对高增益高定向性波束需求,该阵列由核心介质层、渐变阻抗匹配层及连接层组成。通过调整单元核心介质层和渐变阻抗匹配层结构,获得了具有宽带和极化转换特性的介质单元,在此基础上,通过几何形状调整获得了六种不同透射相位的介质单元,利用384个上述介质单元结构构成了一个圆极化透射阵天线,所提发明为设计宽带极化器和提高阵列口径效率提供了新的方法。

    一种采用知识和数据混合驱动的阵列天线设计方法

    公开(公告)号:CN115146544B

    公开(公告)日:2025-02-25

    申请号:CN202210900482.0

    申请日:2022-07-28

    Applicant: 东南大学

    Abstract: 本发明公开了一种采用知识和数据混合驱动的阵列天线设计方法。该方法通过引入平面耦合区域分割和二维虚拟阵列拟合技术等先验的电磁知识,结合机器学习等数据驱动的方法,成功实现了快速的二维阵列环境下的天线元单元的有源方向图的建模,相较于传统的机器学习辅助的建模方法,提升了模型的预测精度的同时降低了计算复杂度。在此基础上,可以结合任意传统的阵列天线设计方法实现快速、精确的考虑阵元间互耦和平台效应的阵列天线设计。该方法可用于对不同类型的天线及天线阵列的建模及波束赋形设计、低副瓣设计、多波束设计领域。

    一种矩阵补全稀疏无网格层析SAR超分辨三维成像方法

    公开(公告)号:CN119399359A

    公开(公告)日:2025-02-07

    申请号:CN202411402010.8

    申请日:2024-10-09

    Applicant: 东南大学

    Abstract: 本发明公开了一种矩阵补全稀疏无网格层析SAR超分辨三维成像方法,包括以下步骤,在数据域中构建了多通道观测矢量,然后利用邻域像素间的高程一致性假设,将MMV内的观测信号进一步约束为具有联合低秩结构特性的Hankel Lift矩阵。结合层析SAR信号模型,构建对应的低秩矩阵补全模型。对此联合矩阵补全问题进行建模。进而基于对称投影梯度下降算法求解该模型,利用Root‑Music求解得到高程归一化频率,归一化频率反演得到高程信息,结合目标场景的距离‑方位二维信息获取场景三维成像结果。本发明通过联合矩阵补全的方法对层析SAR模型的高程信息进行了求解,实现了层析SAR三维点云成像,获得了清晰完整的成像结果,取得了良好的杂点抑制效果。

    增量多保真度机器学习辅助的混合优化方法与系统

    公开(公告)号:CN119272627A

    公开(公告)日:2025-01-07

    申请号:CN202411380654.1

    申请日:2024-09-30

    Abstract: 本发明公开了一种增量多保真度机器学习辅助的混合优化方法与系统,方法主要包括初始设置与初始样本获取、全局低保真度代理模型#imgabs0#与残差模型#imgabs1#训练、全局优化、局部代理模型训练与优化、低保真度全波仿真并更新代理模型#imgabs2#再预测与高保真度仿真等步骤。该方法在训练和更新代理模型的过程中引入多保真度模型和自适应增量学习,可以有效降低采样和训练的计算复杂度,同时在优化的过程中采用全局多目标与局部单目标的混合优化算法,能够提升算法搜索的效率。该方法可用于设计参数在20‑50维的中等规模天线、阵列、滤波器等多目标电磁器件的优化设计等领域。

Patent Agency Ranking