-
公开(公告)号：CN109831401A
公开(公告)日：2019-05-31
申请号：CN201910206173.1
申请日：2019-03-19
申请人： 西安电子科技大学
IPC分类号： H04L27/32 , H04L27/36 , H04B7/0413
摘要： 本发明涉及一种MIMO体制中基于共参考的调制器及方法，属于无线通信技术领域，其特征是：至少包括：参考信号源、功率放大器、功分器、调制通道、基带信号、收发系统,功率放大器包括：第一功率放大器和第二级功率放大器；参考信号源通过第一功率放大器将放大后的参考信号源的信号输入到功分器的输入端，经功分器分为多路调制通道；多路调制通道每一路包括：鉴相器、环路滤波器、调制模块单元、功率可控VCO、分频器。它以便解决传统基于共本振的调制系统所带来的电路占用空间大、损耗高、调制复杂度高的问题。
-
公开(公告)号：CN108880506A
公开(公告)日：2018-11-23
申请号：CN201810582789.4
申请日：2018-06-07
申请人： 西安电子科技大学
IPC分类号： H03H17/02
摘要： 本发明提供一种多项式拟合数字滤波器的实现方法，涉及数字滤波器技术领域，包括，步骤1，根据指标要求得到对应滤波器的冲激响应函数h(t)；步骤2，对冲激响应函数h(t)进行曲线拟合获得拟合多项式p(t)；步骤3，对拟合多项式p(t)采样进行离散化处理获得滤波器离散冲激响应p(n)；步骤4，离散冲激响应p(n)进行m+1阶差分获得所述差分输出系数p(m+1)(n)；步骤5,所述差分输出系数p(m+1)(n)与输入激励信号x(n)卷积得到m+1阶差分输出y(m+1)(n)；步骤6，将所述y(m+1)(n)进行(m+1)次累加，获得所述滤波器系统输出y(n)；通过实施本发明数字滤波器输出的多项式幅频、相频响应曲线与理想脉冲响应曲线趋于一致时，数字滤波器系统中使用乘法器的个数较少，大大降低了资源和成本，提高滤波器系统输出y(n)速率。
-
公开(公告)号：CN107507156A
公开(公告)日：2017-12-22
申请号：CN201710902382.0
申请日：2017-09-29
申请人： 西安电子科技大学
IPC分类号： G06T5/00
摘要： 本发明公开了一种基于非线性多项式滤波的SAR图像旁瓣抑制方法，解决了SVA算法不能很好抑制旁瓣效应的问题。实现步骤包括：输入待处理SAR图像；得到样本点复数数值；分别算出实部和虚部的权重函数；以权重函数与其上下限比较建立样本点的非线性多项式滤波输出数学模型；样本点逐个逐行后移，计算出所有点的输出值；回到初始样本点逐个逐列后移，计算出所有点的输出值；对处理后的数据进行成像，得到旁瓣抑制后的SAR图像。本发明扩宽了样本点影响范围，设置适当的权重系数，更好抑制了SAR图像的旁瓣效应，提高权重函数上限，减弱了SAR图像的噪声和非系统误差，减小权重函数下限，使得主瓣宽度减小，图像分辨率提高。
-
公开(公告)号：CN106872820A
公开(公告)日：2017-06-20
申请号：CN201710033836.5
申请日：2017-01-16
申请人： 西安电子科技大学
IPC分类号： G01R31/00
摘要： 本发明公开了一种基于矢量网络分析仪测量眼图的方法，包括：在测量某待测器件的散射参数后，首先构造出完整的频域数据，然后通过傅里叶逆变换，将频域测得的散射参数变换到时域，得到时域的传输参数；构造一个随机码型序列，将该序列与时域传输参数相卷积得到时域响应；最后，利用得到的响应画出眼图。利用本发明可以直接观测到信号经过某待测器件后的眼图。本发明可以在不增加额外硬件配置的情况下利用矢量网络分析仪来测量眼图，突破了对矢量网络分析仪的传统应用，进一步充分开发和利用了矢量网络分析仪的时域功能。并且本发明测量眼图的方法简单，易操作，生成速度快，有利于相关人员利用生成的眼图进行通信器件的测试和分析。
-
公开(公告)号：CN103474737B
公开(公告)日：2015-09-09
申请号：CN201310364965.4
申请日：2013-08-20
申请人： 西安电子科技大学
摘要： 本发明涉及毫米波E面滤波器的设计方法，特别是支持向量机对膜片建模的毫米波E面滤波器及膜片建模方法。该支持向量机对膜片建模的毫米波E面滤波器，其特征是，至少包括：矩形波导（1），两个或两个以上的金属膜片（2），矩形波导（1）中间右E面腔；E面腔与矩形波导长度方向平行，其中包含金属膜片（2）；所述金属膜片（2）位于垂直矩形波导E面中央，并与E面平行，相邻金属膜片（2）不等间隔分布，相邻金属膜片在沿矩形波导长度方向一条直线，膜片面与矩形波导长度方向一条直线垂直。本发明大大的提高了滤波器的设计速度和精度，避免了重复使用电磁计算的复杂方法。
-
公开(公告)号：CN113553700B
公开(公告)日：2023-07-21
申请号：CN202110752492.X
申请日：2021-07-02
申请人： 西安电子科技大学
IPC分类号： G06F30/20
摘要： 本发明属于模型构建技术领域，公开了一种用于微波功率晶体管建模的温度相关X参数模型构建方法，利用NVNA测量不同环境温度下的X参数，生成XNP文件；导出XNP文件至计算机并打开；修改XNP文件内容，保存，并带入到ADS仿真电路中，将二端口模型扩充为添加温度变量后的三端口模型；将不同温度下生成的三端口模型数据合并成一个大的XNP文件，并对XNP文件内容进行修改；通过合并后的三端口模型在ADS仿真中预测输出频谱和增益；将NVNA原始二端口网络扩充为五端口网络；对温度相关X参数模型输出频谱和功率增益进行表征。本发明通过建立温度相关X参数行为模型，为微波功放电路系统测量、建模和仿真的发展打下基础。
-
公开(公告)号：CN115775248A
公开(公告)日：2023-03-10
申请号：CN202211605328.7
申请日：2022-12-14
申请人： 西安电子科技大学
IPC分类号： G06T7/00 , G06T3/00 , G06V10/80 , G06V10/764 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/047 , G06N3/082 , G06N3/096
摘要： 本发明属于电路故障检测技术领域，公开了一种基于透射变换和卷积神经网络的电路红外热图故障诊断方法，对目标电路进行分析，获取电路热图、电路各故障条件下的可见光图和电路在示波器中的输出波形图；采用图像透射变换方法将同一故障条件下电路的光学图像、红外热图和示波器图进行异源融合，得到多种图的融合图像；将融合后的图像集经过增强后分为训练集和验证集，送入卷积神经网络模型进行训练分类，验证卷积神经网络模型模型的准确率。本发明模型的准确率可达97％，相比仅使用红外热图和可见光图提升3.4％，相比经典神经网络LeNet5提升2.7％，相比Vgg16准确率提升较小但训练用时缩短15分钟，且损失值均有不同幅度的降低。
-
公开(公告)号：CN112731098B
公开(公告)日：2022-04-29
申请号：CN202011395989.2
申请日：2020-12-03
申请人： 西安电子科技大学
IPC分类号： G01R31/28
摘要： 本发明属于射频电路技术领域，公开了一种射频低噪放电路故障诊断方法、系统、介质及应用，输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、最大迭代步数和观测矢量序列；由K‑means算法以模型状态数分割训练样本数据，再由GMM初始估计高斯混合密度参数，获得CHMM的初始模型；通过Baum‑Welch模型进行参数模型训练，获得第i步迭代的重估模型；由Viterbi算法计算该重估模型下的输出概率，计算重估模型输出概率的增长误差；依次迭代直至满足误差条件收敛或者超过迭代步数，把重估的模型作为最终的结果模型。对于射频电路中元器件开路短路故障识别率可以达到100％的准确率。
-
公开(公告)号：CN113609809A
公开(公告)日：2021-11-05
申请号：CN202110765607.9
申请日：2021-07-06
申请人： 西安电子科技大学
IPC分类号： G06F30/367 , G06F30/27 , G06K9/62 , G06N3/04 , G06N3/08 , G06F119/02 , G06F119/04 , G06F119/10
摘要： 本发明属于无线通信技术领域，公开了一种射频低噪放电路故障诊断方法、系统、设备、介质、终端，进行射频低噪放电路设计；进行故障特征参数提取及对数据进行数据增广；基于一维卷积神经网络的故障诊断模型的构建。本发明提供的射频低噪放电路故障诊断方法，建立了典型的射频低噪放电路的仿真模型，通过注入故障的方式，提取电路故障的特征参数并进行了数据增广。本发明通过实验说明了对数据进行数据增广后，一维卷积神经网络故障诊断法在射频电路故障诊断的可行性，丰富了样本空间的多样性，提高了模型的泛化能力，且有效防止了神经网络模型的过拟合现象，为射频电路故障诊断提供理论依据，对于实际射频电路故障诊断具有一定的参考价值。
-
公开(公告)号：CN112731098A
公开(公告)日：2021-04-30
申请号：CN202011395989.2
申请日：2020-12-03
申请人： 西安电子科技大学
IPC分类号： G01R31/28
摘要： 本发明属于射频电路技术领域，公开了一种射频低噪放电路故障诊断方法、系统、介质及应用，输入模型的状态数、初始概率分布、初始状态转移矩阵、迭代误差、最大迭代步数和观测矢量序列；由K‑means算法以模型状态数分割训练样本数据，再由GMM初始估计高斯混合密度参数，获得CHMM的初始模型；通过Baum‑Welch模型进行参数模型训练，获得第i步迭代的重估模型；由Viterbi算法计算该重估模型下的输出概率，计算重估模型输出概率的增长误差；依次迭代直至满足误差条件收敛或者超过迭代步数，把重估的模型作为最终的结果模型。对于射频电路中元器件开路短路故障识别率可以达到100％的准确率。
-
-
-
-
-
-
-
-
-
搜索结果
40 条记录 (耗时 0.034 秒)
