System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及载波同步,尤其是一种基于融合滤波器的载波相位跟踪方法及装置。
技术介绍
1、接收机载波同步是利用跟踪环路对接收信号与本地信号的频率误差和相位误差进行实时补偿精确跟踪的过程,误差估计的精确与否将直接影响数据解调等后续处理步骤的准确性。
2、高动态的运动特性导致信号多普勒频率偏移较大并具有多普勒一阶和多阶频偏率,捕获和跟踪过程一般通过较大的接收带宽适应高动态应力,以此减少信号失锁的概率。而接收机带宽的增大将引入更多的环路噪声,导致信号处理增益下降,跟踪精度下降,由此可能引发信号失锁,最终后续的导航电文无法顺利解调。
3、随着军用、民用飞行器和导弹系统的飞速发展,机载/弹载目标同卫星之间径向瞬时速度、加速度和加加速度越来越大,且动态环境下高速载体具有强非线性、快时变、强耦合等特殊性,急剧增加了高动态接收机载波精准同步的难度。
4、经典卡尔曼滤波器及其衍生滤波器被广泛应用于动态场景的载波跟踪环路下,是线性高斯过程的一种简单且全局最优的状态器。卡尔曼及其衍生卡尔曼的一系列算法对高动态信号处理模型的匹配度要求严格,对不同的模型适应性较差,鲁棒性低;同时需要提前已知过程噪声矩阵 q 和测量噪声方差 r。在实际应用过程中,随机的外部干扰几乎不服从高斯统计量,一旦接收机运动状态发生改变或存在其他干扰的情况下,卡尔曼滤波器及其衍生算法也将引入较大的估计误差。
5、类卡尔曼的无偏fir滤波器不用考虑噪声源和初始分布的统计特性,利用n个历史数据得到载波跟踪扩展模型,为系统提供无偏估计。在糟糕的实
技术实现思路
1、本申请的目的在于克服现有技术中卡尔曼滤波器在高动态环境下所引入的估计误差较大以及类卡尔曼的无偏fir滤波器无法保证估计误差最小的问题,提供一种基于融合滤波器的载波相位跟踪方法及装置。
2、第一方面,提供了一种基于融合滤波器的载波相位跟踪方法,包括:
3、根据接收信号与复现信号载波相位差、多普勒频率和多普勒频率变化率关系建立卡尔曼滤波器载波跟踪模型;
4、根据 n 个历史数据建立类卡尔曼无偏fir滤波器载波跟踪扩展模型;
5、并行运行卡尔曼滤波器载波跟踪模型和类卡尔曼无偏fir滤波器载波跟踪扩展模型以输出载波相位偏差估计值;
6、根据卡尔曼滤波器载波跟踪模型和类卡尔曼无偏fir滤波器载波跟踪扩展模型所输出的载波相位偏差估计值计算影响矩阵;
7、根据所述影响矩阵确定归一化影响值;
8、根据融合方法和归一化影响值计算融合后的载波相位、多普勒频率、多普勒频率变化率误差估计值;
9、基于融合后输出的多普勒频率、多普勒频率变化率误差估计值计算本地nco频率控制量,并更新本地nco频率。
10、进一步的,所述卡尔曼滤波器载波跟踪模型为:
11、 (1)
12、 (2)
13、其中,表示状态转移矩阵,表示状态转移系数矩阵,表示随机偏差系数矩阵,表示状态噪声矩阵,表示随机偏差矩阵,表示观测系数矩阵,表示随机偏差系数矩阵, 表示载波相位偏差,表示多普勒频率偏差,表示多普勒频率差变化率,、分别为 n-1时刻滤波器预报的载波相位偏差和本地nco复制产生的多普勒频率,表示载波环路更新时间,过程噪声由接收机基准时钟相位偏离、频率偏移及接收机和运动载体之间沿视线方向的加速度引起,是环路鉴相器输出的接收信号与本地复现载波相位差,表示测量高斯白噪声,方差为 r。
14、进一步的,根据 n 个历史数据建立类卡尔曼无偏fir滤波器载波跟踪扩展模型,包括:
15、将历史数据m = n-n+1到 n 共 n 个历史数据作为类卡尔曼无偏fir滤波器的输入,估计第 n 点的状态,不考虑系统状态噪声和测量噪声,基于公式(1)和公式(2)进行n点扩展,以得到类卡尔曼无偏fir滤波器载波跟踪扩展模型:
16、 (3)
17、 (4)
18、其中,表示扩展 n点后的状态矩阵,表示 n点观测值的扩展矩阵,表示扩展后的状态转移矩阵,表示扩展后的观测系数矩阵,表示扩展后的随机偏差矩阵;
19、 (5)
20、 (6)
21、其中,、均表示扩展后的随机误差系数矩阵。
22、进一步的,运行卡尔曼滤波器载波跟踪模型,包括:
23、将卡尔曼滤波器载波跟踪模型按照公式(7)至公式(11)迭代运行,实时输出载波相位偏差、多普勒频率和多普勒频率变化率估计值:
24、 (7)
25、 (8)
26、 (9)
27、 (10)
28、 (11)
29、其中,是n时刻的状态预测向量,是n-1时刻的状态估计向量,是n时刻误差协方差矩阵,是n时刻误差协方差矩阵的更新矩阵,是n时刻的卡尔曼增益矩阵。
30、进一步的,运行类卡尔曼无偏fir滤波器载波跟踪扩展模型,包括:
31、将类卡尔曼无偏fir滤波器载波跟踪扩展模型按照公式(12)至公式(15)迭代运行,实时输出载波相位偏差估计值:
32、 (12)
33、 (13)
34、 (14)
35、 (15)
36、其中,为n时刻状态预测矩阵,为n-1时刻的类卡尔曼无偏fir滤波器状态估计矩阵,为n时刻辅助增益矩阵,为类卡尔曼无偏fir滤波器的人造滤波器增益矩阵,为n时刻状态估计矩阵。
37、进一步的,所述计算影响矩阵通过公式(16)至公式(21)计算得到:
38、 (16)
39、其中,表示观测量发生的变化后的影响矩阵,表示新息函数对增益的偏导,表示经验风险值,表示在方向上的二次偏导;
40、 (17)
41、其中,中,表示当观测值为时卡尔曼的新息函数;
42、 (18)
...
【技术保护点】
1.一种基于融合滤波器的载波相位跟踪方法,其特征在于,包括:
2.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,所述卡尔曼滤波器载波跟踪模型为:
3.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,根据 N个历史数据建立类卡尔曼无偏FIR滤波器载波跟踪扩展模型,包括:
4.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,运行卡尔曼滤波器载波跟踪模型,包括:
5.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,运行类卡尔曼无偏FIR滤波器载波跟踪扩展模型,包括:
6.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,所述计算影响矩阵通过公式(16)至公式(21)计算得到:
7.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,根据所述影响矩阵确定归一化影响值,包括:
8.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,所述融合方法为:归一化影响值越大,则说明噪声干扰的程度越大,
9.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,所述本地NCO频率控制量的计算公式为:
10.一种基于融合滤波器的载波相位跟踪装置,其特征在于,包括:
...【技术特征摘要】
1.一种基于融合滤波器的载波相位跟踪方法,其特征在于,包括:
2.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,所述卡尔曼滤波器载波跟踪模型为:
3.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,根据 n个历史数据建立类卡尔曼无偏fir滤波器载波跟踪扩展模型,包括:
4.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,运行卡尔曼滤波器载波跟踪模型,包括:
5.根据权利要求1所述的基于融合滤波器的载波相位跟踪方法,其特征在于,运行类卡尔曼无偏fir滤波器载波跟踪扩展模型,包括:
6.根据权利要求1所述...
【专利技术属性】
技术研发人员:鄢然,田永和,杨少冬,曹辉,申佳,
申请(专利权)人:浙江赛思电子科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。