m低信噪比下GPS信号的捕获算法研究,使用matlab算法进行仿真

本文涉及的产品
函数计算FC,每月15万CU 3个月
简介: m低信噪比下GPS信号的捕获算法研究,使用matlab算法进行仿真

1.算法概述

   GPS系统的星座部分是由21颗工作卫星和3颗在轨备用卫星组成,其高度为20183km,这24颗卫星均匀分布在6个等间隔的、相对轨道面倾角为55º的近圆轨道上。

1.png

   GPS卫星的轨道周期为半个恒星日,即11小时58分钟。从地球质心到卫星的额定距离为26600km,即轨道半径。每颗GPS工作卫星都发射用于导航定位的信号,然后GPS用户利用这些信号来进行工作的。这样的空间布局,可以保证在地球上的任意点、任意时刻均可同时观测到至少4颗卫星,最多时可以见到11颗,从而为全球用户提供24小时的导航定位功能。

  GPS卫星发送的信号一般由3个分量组成:载波信号、伪码和导航电文。其中伪码和导航电文采用BPSK技术去调制载波。每个卫星数据代码中使用模2加法叠加在C/A和P码上,再调制到L1、L2载波上。正如已经提到的,载波信号涵盖L1载波和L2载波,所以测距码信号包括叠加在L2载波上的P码和L1载波上的P码、C/A。所有信号都是通过同一个基本频率的控制下产生的,如图2所示。

2.png

   从图2可知,L1载波调制有P码、C/A码和数据码。而在L2载波上当前只有数据码和调制P码。拟议中的L5载波(第二民用频率)将会选择同时加载P码和C/A码,预计它的频率将会达到f5=115*f0=1175.45MHz,波长为=25.48cm。无论数据码还是测距码,是通过相位调制高频载波。也就是说,当代码值(调制信号)从1到0,或从0到1,会使载波相位变化180度。调制以后的卫星信号向用户播放是通过卫星发射天线。接收机的主要工作是重建载波来提取导航电文。信号解调中常用的2种方法:平方解调技术和复制代码相关技术。

   GPS卫星所发播的信号包括载波信号(L1和L2)、测距信号(包括C/A码和P码)和导航信号(或称D码元)。其中测距信号是一种伪随机噪声码(PRN) 。

   GPS使用的两个L波段两种载频:   

3.png

选择L波段的好处是:

(1)减少拥挤,防止“撞车“现象发生。目前L波段的频率占用率要低于其他波段,对全球性的导航定位测量非常有利。

(2)自适应扩频,传输宽带信号。卫星扩频传输卫星导航电文,高频率约为20兆赫兹,在占用率较低的带宽。

(3)大气衰减较小,对研制用户设备有利。GPS卫星采用的是L波段,避免了大气的谐振吸收,衰减较小,而且电离层延迟的影响小,有利于接收设备测量GPS信号。

  而在接收端,其结构如图1所示,它是利用前段射频硬件的采集模板将 GPS信号采集转化成中频数字信号再进行后续信号处理,从而得到信号定位等相关信息。软件接收机的实现由前段射频模块的质量和性能去决定。

4.png

    软件接收机主要是由两个模块组成:信号数据处理软件模块和前端信号采集硬件电路模块。软件模块细分为捕获与跟踪,星历解码与PVT估计。软件接收机系统的主线是GPS数据流的处理过程,前端以数据采集为主,在后端的设计集中于信号处理的软件编程与实现,因此,在可以采集准确的GPS数据的前提下,后端设计为软件接收机给予了很大的灵活性,为新算法的验证评估和测试提供一个有效的、便捷的服务平台。硬件模块细分则为天线,A/D转换模块,降频模块,数据采集存贮模块和串并行模块。

    通常情况下,由于输入信号的C/A码的起始位置是未知的,所以在进行捕获之前,波形实现产生一个伪随机码,这里假设将接收到的模拟信号数字化为5000个点,然后与输入的信号在数字域进行相乘,将相乘得到的结果进行快速傅里叶变换,从而得到其频率。通过上一节的讨论,FFT之后的频率分量为前半部分的2500个频率分量,将输出的频率分量的幅度与设置的门限值进行比较,如果幅度值大于门限值,那么该频率分量就是所需要的期望值。通过这种算法,就能够得到之前所说的起始点位置。

2.仿真效果预览
matlab2022a仿真

5.png
6.png
7.png
8.png

3.MATLAB部分代码预览

%% step2:CA码的产生
load gold1.mat;
code=double(code(1,:));
figure;
plot(code,'r-*');
axis([0,length(code),-1.2*max(code),1.2*max(code)]);
title('采样化后的 CA 码');
%相关性
Xcor_code = xcorr(code,code);
figure
plot(Xcor_code,'b-o');
axis([0,length(Xcor_code),0,1.2*max(Xcor_code)]);
 
 
%% step3:GPS中频信号
load data.mat
x=double(data');
figure;
plot(x,'r-*');
axis([0,length(x),-1.2*max(x),1.2*max(x)]);
x2 = [x x x x x x x x x x];
%发送四段连续的信号;
LENS = length(x2);
s=0:LENS-1;
y=x2.*exp(j*2*pi*(fc+fdelta)/fs*s);
y=awgn(y,snr);
%% step4:GPS信号的捕获 分成4段捕获
CA_fre = conj(fft(code));
L2     = length(y)/N;
y1 = y(1:11999);
y2 = y(12000:23998);
y3 = y(23999:35997);
y4 = y(35998:47996);
y5 = y(47997:59995);
y6 = y(59996:71994);
y7 = y(71995:83993);
y8 = y(83994:95992);
y9 = y(95993:107991);
y10= y(107992:119990);
 
  ys1 = y1+y2+y3+y4;       
% ys2 = y1+y2+y3+y4+y5+y6+y7+y8+y9-y10; 
% ys3 = y1+y2+y3+y4+y5+y6+y7+y8-y9-y10;       
% ys4 = y1+y2+y3+y4+y5+y6+y7-y8-y9-y10; 
% ys5 = y1+y2+y3+y4+y5+y6-y7-y8-y9-y10;       
% ys6 = y1+y2+y3+y4+y5-y6-y7-y8-y9-y10; 
% ys7 = y1+y2+y3+y4-y5-y6-y7-y8-y9-y10;       
% ys8 = y1+y2+y3-y4-y5-y6-y7-y8-y9-y10; 
% ys9 = y1+y2-y3-y4-y5-y6-y7-y8-y9-y10;       
% ys10= y1-y2-y3-y4-y5-y6-y7-y8-y9-y10; 
for i=1:2*Nstep+1
      fc(i)       = 0.0005e6*(i-Nstep-1); %搜索频率    
      expfreq     = exp(j*2*pi*fc(i)*ts*nn);
      Data_sin    = imag(expfreq);        
      Data_cos    = real(expfreq);
      I           = Data_sin.*ys1;
      Q           = Data_cos.*ys1;
 
      IQfreq      = fft(I+j*Q);  
 
      convIQ      = IQfreq .* CA_fre;
      peaks(i,:)  = abs(ifft(convIQ)).^2;
end
[value_peak codephases]=max(max(peaks));
[value_peak frequencys]=max(max(peaks'));
frequency = fc(frequencys);%中心频率;
codephaseChips = round(1023 - (codephases/11999)*1023);%CA码相位
frequency
codephaseChips
 
 
close all;
figure
plot(peaks(frequencys,:),'r-*');
grid on
xlabel('频率');
ylabel('幅度');
%% step5:三围搜索结构
gold_rate = 1.023e6;            
ts=1/fs;
tc=1/gold_rate;
b=[1:n];
c=ceil((ts*b)/tc);
01_036_m
相关实践学习
【文生图】一键部署Stable Diffusion基于函数计算
本实验教你如何在函数计算FC上从零开始部署Stable Diffusion来进行AI绘画创作,开启AIGC盲盒。函数计算提供一定的免费额度供用户使用。本实验答疑钉钉群:29290019867
建立 Serverless 思维
本课程包括: Serverless 应用引擎的概念, 为开发者带来的实际价值, 以及让您了解常见的 Serverless 架构模式
相关文章
|
16小时前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
|
17小时前
|
监控 算法 数据安全/隐私保护
基于扩频解扩+turbo译码的64QAM图传通信系统matlab误码率仿真,扩频参数可设置
该通信系统基于MATLAB 2022a仿真,适用于高要求的图像传输场景(如无人机、视频监控等),采用64QAM调制解调、扩频技术和Turbo译码提高抗干扰能力。发射端包括图像源、64QAM调制器、扩频器等;接收端则有解扩器、64QAM解调器和Turbo译码器等。核心程序实现图像传输的编码、调制、信道传输及解码,确保图像质量和传输可靠性。
25 16
|
6天前
|
算法
基于Adaboost模型的数据预测和分类matlab仿真
AdaBoost(Adaptive Boosting)是一种由Yoav Freund和Robert Schapire于1995年提出的集成学习方法,旨在通过迭代训练多个弱分类器并赋予分类效果好的弱分类器更高权重,最终构建一个强分类器。该方法通过逐步调整样本权重,使算法更关注前一轮中被误分类的样本,从而逐步优化模型。示例代码在MATLAB 2022A版本中运行,展示了随着弱分类器数量增加,分类错误率的变化及测试数据的分类结果。
|
5天前
|
供应链 算法 调度
排队算法的matlab仿真,带GUI界面
该程序使用MATLAB 2022A版本实现排队算法的仿真,并带有GUI界面。程序支持单队列单服务台、单队列多服务台和多队列多服务台三种排队方式。核心函数`func_mms2`通过模拟到达时间和服务时间,计算阻塞率和利用率。排队论研究系统中顾客和服务台的交互行为,广泛应用于通信网络、生产调度和服务行业等领域,旨在优化系统性能,减少等待时间,提高资源利用率。
|
18小时前
|
机器学习/深度学习 人工智能 算法
基于GRNN广义回归网络和MFCC的语音情绪识别matlab仿真,对比SVM和KNN
该语音情绪识别算法基于MATLAB 2022a开发,可识别如悲伤等情绪,置信度高达0.9559。核心程序含中文注释及操作视频。算法采用MFCC特征提取与GRNN广义回归网络,通过预加重、分帧、加窗、FFT、梅尔滤波器组、对数运算和DCT等步骤处理语音信号,实现高效的情绪分类。
|
19天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。
|
25天前
|
机器学习/深度学习 算法 Serverless
基于WOA-SVM的乳腺癌数据分类识别算法matlab仿真,对比BP神经网络和SVM
本项目利用鲸鱼优化算法(WOA)优化支持向量机(SVM)参数,针对乳腺癌早期诊断问题,通过MATLAB 2022a实现。核心代码包括参数初始化、目标函数计算、位置更新等步骤,并附有详细中文注释及操作视频。实验结果显示,WOA-SVM在提高分类精度和泛化能力方面表现出色,为乳腺癌的早期诊断提供了有效的技术支持。
|
13天前
|
存储 算法
基于HMM隐马尔可夫模型的金融数据预测算法matlab仿真
本项目基于HMM模型实现金融数据预测,包括模型训练与预测两部分。在MATLAB2022A上运行,通过计算状态转移和观测概率预测未来值,并绘制了预测值、真实值及预测误差的对比图。HMM模型适用于金融市场的时间序列分析,能够有效捕捉隐藏状态及其转换规律,为金融预测提供有力工具。
|
21天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
13天前
|
机器学习/深度学习 算法 信息无障碍
基于GoogleNet深度学习网络的手语识别算法matlab仿真
本项目展示了基于GoogleNet的深度学习手语识别算法,使用Matlab2022a实现。通过卷积神经网络(CNN)识别手语手势,如"How are you"、"I am fine"、"I love you"等。核心在于Inception模块,通过多尺度处理和1x1卷积减少计算量,提高效率。项目附带完整代码及操作视频。