Идентификация и оценка информационных параметров навигационных систем с кодовым разделением

• Автор: Никифоров, Александр Александрович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Москва
• Количество страниц: 139 с. : ил.

Оглавление

Список сокращений
Введение
Глава 1. Алгоритм оценки информационных параметров для одного источника сигнала в СБМА-системах на фоне АБГШ
1.1. Постановка задачи
1.2. Алгоритм оптимальной оценки параметров ШПС
1.3. Алгоритм оценки информационных параметров ШПС на фоне АБГШ с использованием АР-модели
1.4. Использование АР-модели для оценки параметров ШПС
1.5. Сравнение точности оценки с границей Крамера-Рао
1.6. Выводы по Главе
Глава 2. Усовершенствованный итеративный алгоритм вычисления оценки АКФ
2.1. Постановка задачи
2.2. Алгоритм итеративного вычисления АКФ
2.3. Усовершенствованный итеративный алгоритм получения АКФ
2.4. Применение оконного взвешивания для оценки СПМ
2.5. Практические аспекты применения усовершенствованного алгоритма оценки АКФ
2.6. Выводы по Главе

Глава 3. Комплектированный алгоритм оценки фазы и частоты
ШПС сигнала на основе АР-модели на фоне интерференции
3.1. Постановка задачи
3.2. Применение алгоритма ЭМА для оценки фазы ПСП в ШПС .
3.3. Алгоритм оценки параметров ШПС в условиях интерференции
3.4. Сравнительный анализ с параллельным коррелятором
3.5. Сравнение точности оценки частоты с границей Крамера-Рао
3.6. Сравнение предлагаемого алгоритма с границей Крамера-Рао
3.7. Выводы по Главе
Глава 4. Полунатурное моделирование
4.1. Эксперимент на оригинальной аппаратной платформе
• 4.2. Эксперимент на данных Мишеля Боваро
4.3. Выводы по Главе
Основные результаты и выводы
Литература
Приложение

Список сокращений
АБГШ - аддитивный белый гауссовский шум АКП - автокорреляционная последовательность АКФ - автокорреляционная функция АНП - алгоритм нахождения пика АР - авторегрессия
АРСС - авторегрессия скользящего среднего
АЦП - аналогово-цифровой преобразователь
БПФ - быстрое преобразование Фурье
ДПФ - дискретное преобразование Фурье
ДФМ - двоичная фазовая манипуляция
КФ - корреляционная функция
МАВ - максимальная апостериорная вероятность
МНК - метод наименьших квадратов
МШУ - малошумящий усилитель
ОСШ - отношение сигнал-шум
ПО - программное обеспечение
ПЧ - промежуточная частота
СД - синхронный детектор
СВП - статистики высоких порядков
СНРС - спутниковая навигационная радиоэлектронная система СНС - спутниковая навигационная система СКО - средняя квадратическая ошибка СПМ - спектральная плотность мощности

Взяв производную по вектору а, можно получить параметры предсказа-
теля:
= — 2хтХ + 2атХтХ = 0.

(1.28)
Из (1.28), коэффициенты для минимальной среднеквадратичной ошибки равны:
Сравнивая уравнение (1.25) и уравнение (1.29), видно, что в (1.25) автокорреляционная матрица и вектор заменены оценками:
Для решения уравнения Юла-Уокера можно применить метод Гаусса, а также его модификации: Ш-разложение, разложение Холецкого, 1ГО-разложение. Данные методы требуют выполнения вычислительных операций, пропорционально Р3. Но, так как в (1.25) является теплицевой и эрмитовой, можно использовать эффективные методы работы с теплицевы-ми матрицами, которые значительно лучше упомянутых выше. Например, можно воспользоваться, быстрым алгоритмом Левинсона-Дарби. Быстрым алгоритмам над теплицевыми матрицами посвящена книга [40].
АР-метод оценки СПМ часто используется для того, чтобы выявить в данных наличие синусоидальных компонент. Мощность, соответствующую таким компонентам в АР оценке СПМ, можно вычислить, интегрируя площадь под кривой этой оценки. Однако это связано с большими вычислительными затратами, поэтому гораздо более эффективным является использования в качестве показателя мощности синусоидальных компонент высоты соответствующих им спектральных пиков [36].
АР-модель второго порядка. Оценка частоты основного тона на основе АР-модели.
а = (ХтХ)-1(Хтх).
(1.29)

(1.30)