一种基于机器学习和测量范围补偿的信号频率精准测量方法技术

本发明专利技术公开了一种基于机器学习和测量范围补偿的信号频率精准测量方法，首先利用

【技术实现步骤摘要】
一种基于机器学习和测量范围补偿的信号频率精准测量方法


[0001]本专利技术属于频率测量
，更为具体地讲，涉及一种基于机器学习和测量范围补偿的信号频率精准测量方法，用于基于零中频架构的
I/Q
信号频率精确测量
。

技术介绍

[0002]在通信领域的发展中，信号的质量和测量一直是扮演者最为重要的角色，信号频率的测量就是其中尤为重要的一部分
。
当前大多数信号的频率测量方法都是使用了傅里叶变换
(FFT)
原理，然后在此基础上，利用一些复杂的算法或特定的数学特性进行频率的推演和计算，比如利用
Cordic
算法进行的频率测量
,
巧妙的利用数学中的坐标旋转算法，通过少量计算的实现复杂的三角函数运算，从而得到待测信号的频率值
。
[0003]但是由于
Cordic
算法太过于依赖于随机数据的准确性，并且由于利用了数学坐标的旋转，虽然大大简化了数学计算的复杂度，但却也因此带来了随之而来的测量范围的缺失
。
[0004]下面对
Cordic
算法存在的问题进行简要的说明：
[0005]1、
过分依赖随机数据造成的测量误差
。
由于该算法的测量原理是任取某一时刻的
I/Q
信号来进行计算的，换言之，该算法的数据源是随机取得，针对完美的标准信号，随机取值并不会对测量结果有所影响，但是，实际测量和运行中，标准信号是不存在的/>。
因此，一旦随机取得的数据与标准数据有较大的偏差值，那么测量的结果也就不可信了
。
在当前的
Cordic
算法中，已经使用了多路求平均
、
卡尔曼滤波等优化算法来减小数据源误差所产生的测量失误
。
这些优化方法有一定的优化作用，但是只能优化较为规律的信号，对于偏差较大
、
噪音明显和不规律信号却没有明显的矫正作用
。
[0006]2、
由于巧妙的利用了数学三角特性，确实大大降低了计算的复杂度
。
但是，由于自身角度旋转
、
角度补偿与
π
运算等原因，
Cordic
算法的频率测量范围并不再是标准的而变成了这里的
T
指的是原本的信号测量范围，一般由采样频率
、
多路信号的路数以及硬件本身的特性决定
。
很明显的，频率测量范围也和信号一样，由于旋转的特性而改变了
。

技术实现思路

[0007]本专利技术的目的在于克服现有
Cordic
测频算法的不足，提出一种基于机器学习和测量范围补偿的信号频率精准测量方法，使被测数据变得更加平滑和准确，以此排除异常噪音
、
偶然性取值造成的不理想测量，使得测量结果更加精准，同时，进行
Cordic
算法的测量范围补偿，对数据特性中缺失的范围进行反向补偿和修正，使信号测量范围更大
。
[0008]为实现上述专利技术目的，本专利技术基于机器学习和测量范围补偿的信号频率精准测量方法，其特征在于，包括以下步骤：
[0009](1)、
基于机器学习进行平滑预处理
[0010]对于相邻的两路
I/Q
信号
S
n
、S
n+1
分别送入对应的一个
LSTM(Long Short Term Memory
，长短期记忆
)
模型进行平滑预处理，分别得到对应信号
S
′
n
、S
′
n+1
，其中，
n
表示
I/Q
信号的序号；
[0011](2)、
进行预补偿
[0012]对平滑预处理得到的信号
S
′
n
、S
′
n+1
，对其进行增加
1/4
采样率，将对频率进行直接补偿转化为对被测信号即信号
S
′
n
、S
′
n+1
进行补偿，即：
[0013][0014]其中，为
I/Q
信号
S
′
n
中的
I
信号，为
I/Q
信号
S
′
n
中的
Q
信号，
f
s
为信号采样率，
t
表示时间，
x
n
为补偿后的第
n
路
I/Q
信号的复信号，
x
n+1
为补偿后的第
n+1
路
I/Q
信号的复信号；
[0015](3)、
采用
Cordic
测频算法，获得补偿后复信号的频率
[0016]将复信号
x
n
做共轭变换，然后与复信号
x
n+1
做点乘，得到新复信号
R
n_n+1
，并计算其反正切角
θ
n_n+1
：
[0017][0018]然后再做
π
运算：如果复信号
R
n_n+1
的实部
real(R
n_n+1
)
大于等于0，反正切角
θ
n_n+1
不变，如果复信号
R
n_n+1
的实部
real(R
n_n+1
)
小于0，则反正切角
θ
n_n+1
则加
π
，即
θ
n_n+1
＝
θ
n_n+1
+
π
；
[0019]最后，得到复信号
R
n_n+1
的频率
fr
n_n+1
：
[0020][0021](4)、
消除预补偿
[0022]根据相邻的两路
I/Q
信号
S
n
、S
n+1
计算出的信号频率
f
n_n+1
为：
[0023]f
n_n+1
＝
fr
n_n+1
‑
f
s
。
[0024]本专利技术目的是这样实现的：
[0025]本专利技术基于机器学习和测量范围补偿的信号频率精准测量方法，首先利用
LSTM
模型的特性，通过
LSTM
模型对相邻的两路
I/Q本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习和测量范围补偿的信号频率精准测量方法，其特征在于，包括以下步骤：
(1)、
基于机器学习进行平滑预处理对于相邻的两路
I/Q
信号
S
n
、S
n+1
分别送入对应的一个
LSTM(Long Short Term Memory
，长短期记忆
)
模型进行平滑预处理，分别得到对应信号
S
′
n
、S
′
n+1
，其中，
n
表示
I/Q
信号的序号；
(2)、
进行预补偿对平滑预处理得到的信号
S
′
n
、S
′
n+1
，对其进行增加
1/4
采样率，将对频率进行直接补偿转化为对被测信号即信号
S
′
n
、S
′
n+1
进行补偿，即：其中，为
I/Q
信号
S
′
n
中的
I
信号，为
I/Q
信号
S
′
n
中的
Q
信号，
f
s
为信号采样率，
t
表示时间，
x
n
为补偿后的第
n
路
I/Q
信号的复信号，
x
n+1
为补偿后的第
n+1
路
I/Q
信号的复信号；
(3)、
采用
Cordi...

【专利技术属性】
技术研发人员：余骁禹，曾浩，王猛，郭连平，田雨，蒋俊，田书林，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：