基于嵌入训练阵列的OTFS信道估计

正交时频空（Orthogonal Time Frequency Space,OTFS）调制在快时变高多普勒信道中展现出良好的频谱利用率和显著的误码率性能优势。然而,传统的OTFS信道估计方法频谱效率较低,且无法应用于低轨卫星等具有高多普勒频偏的通信场景中。文章提出了基于嵌入训练（Training Embedded,TE）阵列的信道估计方法,利用训练阵列的完美自相关特性进行准确的信道估计,并提高了频谱效率。同时,针对低轨卫星通信高多普勒频偏的特性,本文利用快速傅里叶变换对路径的整数倍频偏进行估计,补偿并消除列相关相位偏移干扰,提升了低轨卫星通信场景下信道估计的准确度。仿真结果表明,所提方法在地面、低轨通信场景中均具有较高信道估计精度和频谱效率。     

一种改善 GNSS 弱信号捕获性能的伪码优化设计

强多址干扰下的弱信号捕获是高灵敏度GNSS接收机比较常见又难以解决的问题。本文提出一种非等长的伪码设计方法,通过使各路导航信号调制伪码码长互质,从时域上降低了伪码的互相关值,从频域上降低了目标信号和干扰信号的谱分离系数。理论分析和仿真表明,基于非等长的伪码优化方法,能够改善强多址干扰环境中弱信号的捕获性能。     

现代化的GPS新民用信号LIC码跟踪性能分析

由于目前L1频段的拥挤性和GPSL1C调制方式MBOC（6,1,1／11）的复杂性,系统内和系统间干扰不可避免,并且这些干扰对码跟踪性能的影响不能简单地等价为白噪声进行分析。针对这一特点,提出一种可用于非白色干扰环境下码跟踪精度分析的方法,并用该方法对比分析了GPSL1C、GPSL1C／A码在无干扰和干扰情况下的跟踪性能。分析结果表明：L1C码跟踪精度可比L1C／A提高50％～150％;最坏情况下,同频带导航信号的干扰可导致L1C跟踪误差增加30％。分析过程和分析结果可为接收机设计和兼容性评估提供参考。     

基于嵌入式多任务系统的串口通信

结合嵌入式多任务系统的特点,从串口通信中协议的拟定、串口通信数据的接收处理、串口通信数据的存储和传输以及串口通信数据的发送处理等方面,探讨基于嵌入式多任务系统的串口通信问题。     

导航信号的BOC调制方式

BOC调制方式适应导航发展的新需要,它实现了频谱分裂以充分利用现有频段资源,且具有比传统BPSK调制方式更好的相关性能,从而可以提高根据相关特性测距的精度。介绍了BOC调制信号的频谱、功率谱和相关函数的特点。针对BOC调制信号相关函数的多峰结构容易造成捕获模糊,提出了3种相应的接收处理方法:类似BPSK的单边带处理方法、峰跳法和一种无模糊跟踪鉴相器算法。     

星上高功率放大器对导航信号功率谱 和伪码跟踪精度的影响

 由于星上高功率放大器的非线性效应,使带宽受限的导航信号失真加剧,这将影响导航信号的功率谱和伪码跟踪精度.针对这个问题,本文首先建立分析导航信号非线性失真的一般模型,提出利用带外功率损耗、相关损耗和鉴别器曲线过零点的偏移量来评估导航系统性能受到的影响,最后以矩形/升余弦脉冲赋形+BPSK和矩形+BOC调制的导航信号为例,分析带宽限制和非线性效应带来的联合影响.     

基于DeltaOS的系统软件设计

介绍了双星用户机系统组成和功能,运用软件工程的方法进行总体设计,分析如何优化任务划分和中断处理来提高系统的实时性,提出了适合本系统的任务间通信和同步方案,并给出基于DeltaOS的实现方法,最后总结了设计中容易出现的致命错误以及解决方案.本文的设计方法已经实现,运行稳定可靠并且具有良好的可扩展性.     

现代化的GPS新民用信号L1C码跟踪性能分析

由于目前L1频段的拥挤性和GPS L1C调制方式MBOC(6,1,1/11)的复杂性,系统内和系统间干扰不可避免,并且这些干扰对码跟踪性能的影响不能简单地等价为白噪声进行分析.针对这一特点,提出一种可用于非白色干扰环境下码跟踪精度分析的方法,并用该方法对比分析了GPS L1C、GPS L1C/A码在无干扰和干扰情况下的跟踪性能.分析结果表明:L1C码跟踪精度可比L1C/A提高50%～150%;最坏情况下,同频带导航信号的干扰可导致L1C跟踪误差增加30%.分析过程和分析结果可为接收机设计和兼容性评估提供参考.     

基于DeltaOS的系统软件设计

介绍了双星用户机系统组成和功能,运用软件工程的方法进行总体设计,分析如何优化任务划分和中断处理来提高系统的实时性,提出了适合本系统的任务间通信和同步方案,并给出基于DeltaOS的实现方法,最后总结了设计中容易出现的致命错误以及解决方案。本文的设计方法已经实现,运行稳定可靠并且具有良好的可扩展性。     

基于变分自编码器的无监督文本风格转换

近年来,文本风格转换作为一种可控的文本生成任务受到学者们越来越多的关注。该文基于变分自编码器模型,通过鉴别器与变分自编码器的对抗性训练,将源端句子的内容和风格在隐变量空间进行分离,从而实现无监督的文本风格转换。针对文本语义内容和风格的解纠缠过程中利用固定的二进制向量通过线性变换来对风格进行表征的方法的不足,该文提出更具细腻度的联合表征方法: 利用独立的编码器从原句中提取风格的连续隐向量,再和标签向量结合作为最终风格的表征,以提升风格转换的准确率。该文提出的联合表征方法在常用数据集Yelp上进行评测,与两个基线方法相比,风格转换准确率均有显著提升。