小波变换技术及其在信号调制方式识别中的应用

小波变换（ＷＴ）理论正被广泛地应用于各种通信领域,既可以用作非稳态数据谱分析的短时傅里叶变换（ＦＴ）处理,亦可以用作联系时域分析和频域分析的新工具。应用哈尔小波变换分析法对Ｍ元ＦＳＫ和ＰＳＫ信号的分类识别进行了描述,讨论了可供实际使用的相关统计分析法,最后给出了对１０种ＦＳＫ和ＰＳＫ信号的分类识别模拟结果。     

数字卫星电视纠错编码技术的比较及应用

介绍数字卫星电视广播使用的纠错编码技术和该技术在数字卫星电视广播中的具体应用,比较它们的纠错能力和在DTTB系统中的主要特性,给出最新的纠错编码技术.     

幅度调制信息对乐器识别的影响

通过乐器音自动识别实验研究了幅度调制(amplitude modulation,AM)信息对于人类乐器识别的影响。具体步骤为:依据听觉模型,提取乐器音信号中若干频带中的AM信息,再基于所得到的AM信息计算统计学特征,采用逐对比较的支持向量机法进行乐器音的机器识别。采用了5种分频带数目(2,4,8,16和32)和4种AM计算方法。结果表明,频带数的增加有助于识别效果的提高,但从16频带到32频带效果趋近平稳;不同的AM提取方法也会对识别结果产生影响,其中解析信号法产生的AM信息提供了最好的乐器识别效果。分析发现自动识别结果高于采用相似的AM信息的人类识别结果。该自动识别系统为人工耳蜗或声码器仿真声模型的乐器识别提供了一个计算模型,对人工耳蜗乐器识别实验和训练具有参考价值。     

40Gb/s CSRZ-RZ信号波长与调制格式转换的研究

通过利用高非线性光子晶体光纤的交叉偏振调制效应,在60m的高非线性光子晶体光纤中实现了40Gb/s的载波抑制归零(carrier-suppressed return-to-zero CSRZ)信号的波长变换和载波抑制归零码(CSRZ)到归零码(return-to-zero RZ)的调制格式变换,并通过理论计算分析了走离...     

短波频段AM信号调制识别系统的设计与实现

从短波监测的实际出发,提出了短波频段内AM信号的调制识别算法,利用MATLAB软件实现了对PR100接收机的远程控制和数据采集,最终设计了一个实用的AM信号调制识别软件.对实际信号的测试结果表明,本实验取得了较高的正确率,具有一定的实用价值.     

光纤中声波导布里渊散射声波对斯托克斯波的影响

利用全矢量有限元法模拟了单模光纤中声波导布里渊散射R0,m和TR2,m声波模式对斯托克斯波增益、相位调制和双折射的影响.研究结果表明:当布里渊频移与R0,8和TR2,10声波频率相同时,斯托克斯波的增益最大,且增益随泵浦功率的增大而增大;R0,1、TR2,1、TR2,5、TR2,7和TR2,10声波模式对斯托克斯波相位调制较大,且相位调制随泵浦功率的增大呈线性增大,其中TR2,m模对斯托克斯波相位调制比R0,m模大;TR2,1、TR2,5、TR2,7、TR2,10声波模式对斯托克斯波产生较为明显的附加双折射,且附加双折射程度随着泵浦功率的增加呈线性增大.     

变频率压缩态光场与原子的相互作用

研究了频率随时间变化的压缩态光场与二能级原子的相互作用，主要讨论了光场频率随时间作正弦调制和脉冲调制两种典型情况下，原子布居数反转随时间的演化特性。当光场频率随时间作正弦调制时，不仅光场频率调制，而且压缩态的压缩系数和压缩相位均对原子布居数反转的崩塌—回复过程有影响。当光场频率随时间作脉冲调制时，在原子布居数反转随时间演化过程中诱导出新的崩塌—回复过程，尤其在脉冲出现的区间内，原子布居数反转表现出持续的小幅快速振荡，这与压缩态的压缩系数无关。     

可调相位型液体表面波衍射光栅效应的研究

为了研究可调相位型液体表面波光栅的衍射效应,采用低频信号发生器驱动振子、激发产生液体表面波的实验方法,得到了清晰、稳定的衍射图样,观察到衍射条纹间距随着液体表面波频率的改变而改变.并且在特定频率输出条件下,改变表面波振幅,可以得到衍射条纹的缺级现象.根据物理光学理论,周期性振动的表面波可以视作为一相位型光栅,对入射光进...     

DEC1100型有线数字电视码流转换器

DEC1100是一款工程型数字有线电视码流转换器。完全符合DVB—C标准，将QAM调制信号解调输出DVB系统TS流、带有ASI接口；有MPEG-2解压处理，可输出A／V信号，供本地节目监视使用。     

一种信号调制识别网络的轻量化设计

神经网络在信号调制识别领域得到了广泛关注和研究。针对现有调制识别算法为提高识别准确率,导致模型尺寸过大、计算时间过长的问题,提出了一种调制识别神经网络的轻量化设计方案。该方案由信号失真校正模块和分类模块两部分组成。其中,信号失真校正模块通过参数估计器提取相位偏移信息,再经参数转换器对相位偏移进行参数校正,保证信号识别精度;分类模块由一维卷积神经网络(One-Dimensional Convolutional Neural Network, 1D-CNN)、选通递归单元(Gated Recurrent Unit, GRU)和高斯衰减层构成,从时间和空间的角度有效提取信号特征,并减少冗余参数量以缩减模型大小。仿真结果表明,所提方案与同精度网络相比,平均识别准确率提升0.21%,计算时间缩减到1/3.4,模型尺寸缩减到1/7.77。