【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:
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。