m通信系统中基于相关峰检测的信号定时同步算法的FPGA实现

简介: m通信系统中基于相关峰检测的信号定时同步算法的FPGA实现

1.算法描述

   定时同步方法主要分为基于数据辅助和非数据辅助两类。前者是在发送有效数据前发送一段具有某种特征的训练或导频符号,接收端根据符号特征建立同步,具有同步建立速度快、精度高的特点,适用于分组通信或突发通信系统;后者典型的是利用循环前缀进行同步估计,不需要插入训练符号,传输效率高,但同步捕获时间长,精度较差,通常仅适用于连续传输系统。由于实际中常用的无线通信系统大多属于分组通信或突发通信,多采用基于训练序列的定时同步方法,因此本文主要对该同步方法进行分析研究和工程实现。首先对基于训练序列的定时同步原理和同步序列的设计进行简要介绍,其次对同步序列的性能进行仿真分析,然后详细阐述定时同步模块的结构设计,最后利用FPGA编程实现并进行综合仿真,验证该设计的可行性。       

    定时同步在实际中一般比较复杂,本文,我们主要使用加入的帧头信息进行定时同步,由于接收和发送是两块板子,所以他们对应的晶振是不同的,所以两个晶振之间会存在细微的频率差,这就是时偏,利用本方案加入的帧头,对每帧数据进行采样时钟的刷新,从而实现一帧之内采样时钟的偏差不超过一个时钟周期。

   帧头信息采用PN码,PN码序列捕获指接收机在开始接收扩频信号时,选择和调整接收机的本地扩频PN序列相位,使它与发送的扩频PN序列相位基本一致,即接收机捕捉发送的扩频PN序列相位,也称为扩频PN序列的初始同步。在系统接收端,一般解扩过程都在载波同步前进行,实现捕获大多采用非相干检测。接收到扩频信号后,经射频宽带滤波放大及载波解调后,分别送往2N扩频PN序列相关处理解扩器(N是扩频PN序列长)。2N个输出中哪个输出最大,该输出对应的相关处理解扩器所用的扩频PN序列相位状态,就是发送的扩频信号的扩频PN序列相位,从而完成扩频PN序列捕获。捕获的方法有多种,如滑动相干法、序贯估值法及匹配滤波器法等,滑动相关法是最常用的方法。

2.1 滑动相关法

  接收系统在搜索同步时,它的码序列发生器以与发射机码序列发生器不同的速率工作,致使这两个码序列在相位上互相滑动,只有在达到一致点时,才停下来,因此称之为滑动相关法。接收信号与本地PN码相乘后积分,求出它们的互相关值,然后与门限检测器的某一门限值比较,判断是否已捕获到有用信号。它利用了PN码序列的相关徨性,当两个相同的码序列相位一致时,其相关值输出最大。一旦确认捕获完成,捕获指示信号的同步脉冲控制搜索控制钟,调整PN码发生器产生的PN码重复频率和相位,使之与收到的信号保持同步。由于滑动相关器对两个PN码序列按顺序比较相关,所以该方法又称顺序搜索法。滑动相关器简单,应用簋广,缺点是当两个PN码的时间差或相位差过大时,相对滑动速度簋慢,导致搜索时间过长,特别是对长PN码的捕获时间过长,必须采取措施限定捕获范围,加快捕获时间,改善其性能。

2.2 序贯估值法

  序贯估值法是另一种减少长码捕获时间的快速捕获方法,它把收到的PN码序列直接输入本地码发生器的移位寄存器,强制改变各级寄存器的起始状态,使其产生的PN码与外来码相位一致,系统即可立即进行同步跟踪状态,缩短了本地PN码与外来PN码相位一致所需的时间。该方法先检测收到码信号中的PN码,通过开关,送入n级PN码发生器的移位寄存器。待整个码序列全部进入填满后,在相关器中,将产生的PN码与收到的码信号进行相关运算,在比较器中将所得结果与门限进行比较。若未超过门限,则继续上述过程。若超过门限,则停止搜索,系统转入跟踪状态。理想情况下,捕获时间Ts=nTc,(Tc为PN码片时间宽度)。该方法捕获时间虽短,但存在一些问题,它先要对外来的PN码进行检测,才能送入移位寄存器,要做到这一点有时很困难。另外,此法抗干扰能力很差,因为逐一时片进行估值和判决,并未利用PN码的抗干扰特性。但在无干扰条件下,它仍有良好的快速初始同步性能。

2.3 匹配滤波器法

  用于PN同步捕获的匹配滤波器一般采用延时线匹配滤波器,其目的是识别码序列,它能在特殊结构中识别特殊序列,而且只识别该序列。假设一个输入信号是7bit码序列1110010双相调制的信号,每当码有1-0过渡时,反相信号进入延时线,直到第1bit在T7,第2bit在T6。当全部时延元件都填满,而且信号调制码与滤波器时延元件相位一致时,T2的信号相位与T5、T6、T7的相位相同,时延元件T1、T3、T4也具有相同的信号相位。把{T2、T5、T6、T7}与{T1、T3、T4}两组分别相加,把{T1、T3、T4}之和倒相输出,再将这两个结果相加,包含在全部7个元件中的信号能量同相相加,整个输出是未处理的7倍。根据该能量关系可以识别码序列。

2.仿真效果预览
vivado2019.2仿真结果如下:

image.png
image.png

3.verilog核心程序

begin
     if(i_rst)
      begin
 
      for(i=1;i<=32;i=i+1)
      dly1[i]<={(WTH+2){1'b0}};    
      
      for(i=1;i<=8;i=i+1)
      dly2[i]<={(WTH+4){1'b0}};          
      
      for(i=1;i<=2;i=i+1)
      dly3[i]<={(WTH+6){1'b0}};    
      
      o_peak<={(WTH+6){1'b0}};      
      end
else begin
     
        dly1[1]  <=  dly_peaks[1*SAMP]  +  dly_peaks[2*SAMP]  +  dly_peaks[3*SAMP]  + dly_peaks[4*SAMP];
        dly1[2]  <=  dly_peaks[5*SAMP]  +  dly_peaks[6*SAMP]  +  dly_peaks[7*SAMP]  + dly_peaks[8*SAMP];
        dly1[3]  <=  dly_peaks[9*SAMP]  +  dly_peaks[10*SAMP] +  dly_peaks[11*SAMP] + dly_peaks[12*SAMP];
        dly1[4]  <=  dly_peaks[13*SAMP] +  dly_peaks[14*SAMP] +  dly_peaks[15*SAMP] + dly_peaks[16*SAMP];
        dly1[5]  <=  dly_peaks[17*SAMP] +  dly_peaks[18*SAMP] +  dly_peaks[19*SAMP] + dly_peaks[20*SAMP];
        dly1[6]  <=  dly_peaks[21*SAMP] +  dly_peaks[22*SAMP] +  dly_peaks[23*SAMP] + dly_peaks[24*SAMP];
        dly1[7]  <=  dly_peaks[25*SAMP] +  dly_peaks[26*SAMP] +  dly_peaks[27*SAMP] + dly_peaks[28*SAMP];
        dly1[8]  <=  dly_peaks[29*SAMP] +  dly_peaks[30*SAMP] +  dly_peaks[31*SAMP] + dly_peaks[32*SAMP];
        dly1[9]  <=  dly_peaks[33*SAMP] +  dly_peaks[34*SAMP] +  dly_peaks[35*SAMP] + dly_peaks[36*SAMP];
        dly1[10] <=  dly_peaks[37*SAMP] +  dly_peaks[38*SAMP] +  dly_peaks[39*SAMP] + dly_peaks[40*SAMP];
 
        dly1[11] <=  dly_peaks[41*SAMP] +  dly_peaks[42*SAMP] +  dly_peaks[43*SAMP] + dly_peaks[44*SAMP];
        dly1[12] <=  dly_peaks[45*SAMP] +  dly_peaks[46*SAMP] +  dly_peaks[47*SAMP] + dly_peaks[48*SAMP];
        dly1[13] <=  dly_peaks[49*SAMP] +  dly_peaks[50*SAMP] +  dly_peaks[51*SAMP] + dly_peaks[52*SAMP];
        dly1[14] <=  dly_peaks[53*SAMP] +  dly_peaks[54*SAMP] +  dly_peaks[55*SAMP] + dly_peaks[56*SAMP];
        dly1[15] <=  dly_peaks[57*SAMP] +  dly_peaks[58*SAMP] +  dly_peaks[59*SAMP] + dly_peaks[60*SAMP];
        dly1[16] <=  dly_peaks[61*SAMP] +  dly_peaks[62*SAMP] +  dly_peaks[63*SAMP] + dly_peaks[64*SAMP];
        dly1[17] <=  dly_peaks[65*SAMP] +  dly_peaks[66*SAMP] +  dly_peaks[67*SAMP] + dly_peaks[68*SAMP];
        dly1[18] <=  dly_peaks[69*SAMP] +  dly_peaks[70*SAMP] +  dly_peaks[71*SAMP] + dly_peaks[72*SAMP];
        dly1[19] <=  dly_peaks[73*SAMP] +  dly_peaks[74*SAMP] +  dly_peaks[75*SAMP] + dly_peaks[76*SAMP];
        dly1[20] <=  dly_peaks[77*SAMP] +  dly_peaks[78*SAMP] +  dly_peaks[79*SAMP] + dly_peaks[80*SAMP];
 
 
 
 
//=====================================================      
 
        dly2[1] <= dly1[1]+dly1[2]+dly1[3]+dly1[4];
        dly2[2] <= dly1[5]+dly1[6]+dly1[7]+dly1[8];
        dly2[3] <= dly1[9]+dly1[10]+dly1[11]+dly1[12];
        dly2[4] <= dly1[13]+dly1[14]+dly1[15]+dly1[16];
        dly2[5] <= dly1[17]+dly1[18]+dly1[19]+dly1[20];
        dly2[6] <= dly1[21]+dly1[22]+dly1[23]+dly1[24];
        dly2[7] <= dly1[25]+dly1[26]+dly1[27]+dly1[28];
        dly2[8] <= dly1[29]+dly1[30]+dly1[31]+dly1[32];
  
 
      dly3[1]<=dly2[1]+dly2[2]+dly2[3]+dly2[4];
      dly3[2]<=dly2[5]+dly2[6]+dly2[7]+dly2[8];
         
 
       
      o_peak<=dly3[1]+dly3[2];
 
module corrpeak_cal_tops(
                         i_clk,
                                 i_rst,
                                 o_I_dw,
                                 o_Q_dw,
                                 o_peakI,
                                 o_peakQ
                         );
 
                                
input i_clk;
input i_rst;
output signed[11:0]o_I_dw;
output signed[11:0]o_Q_dw;
output signed[14:0]o_peakI;
output signed[14:0]o_peakQ;
 
bignoise_signal signal_u(
                    .i_clk (i_clk), 
                    .i_rst (i_rst), 
                    .o_I_dw(o_I_dw), 
                    .o_Q_dw(o_Q_dw)
                    );
 
 
corrpeak_cal corrpeak_cal_u1(
    .i_clk        (i_clk), 
    .i_rst        (i_rst), 
    .i_base_signal(o_I_dw[11:4]), 
    .o_peak       (o_peakI)
    );
 
corrpeak_cal corrpeak_cal_u2(
    .i_clk        (i_clk), 
    .i_rst        (i_rst), 
    .i_base_signal(o_Q_dw[11:4]), 
    .o_peak       (o_peakQ)
    );
 
 
 
endmodule
相关文章
|
1月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于MSER和HOG特征提取的SVM交通标志检测和识别算法matlab仿真
### 算法简介 1. **算法运行效果图预览**:展示算法效果,完整程序运行后无水印。 2. **算法运行软件版本**:Matlab 2017b。 3. **部分核心程序**:完整版代码包含中文注释及操作步骤视频。 4. **算法理论概述**: - **MSER**:用于检测显著区域,提取图像中稳定区域,适用于光照变化下的交通标志检测。 - **HOG特征提取**:通过计算图像小区域的梯度直方图捕捉局部纹理信息,用于物体检测。 - **SVM**:寻找最大化间隔的超平面以分类样本。 整个算法流程图见下图。
|
8天前
|
算法 数据安全/隐私保护 异构计算
基于FPGA的1024QAM基带通信系统,包含testbench,高斯信道模块,误码率统计模块,可以设置不同SNR
本文介绍了基于FPGA的1024QAM调制解调系统的仿真与实现。通过Vivado 2019.2进行仿真,分别在SNR=40dB和35dB下验证了算法效果,并将数据导入Matlab生成星座图。1024QAM调制将10比特映射到复数平面上的1024个星座点之一,适用于高数据传输速率的应用。系统包含数据接口、串并转换、星座映射、调制器、解调器等模块。Verilog核心程序实现了调制、加噪声信道和解调过程,并统计误码率。
28 1
|
29天前
|
算法 数据安全/隐私保护 异构计算
基于FPGA的64QAM基带通信系统,包含testbench,高斯信道模块,误码率统计模块,可以设置不同SNR
本文介绍了基于FPGA的64QAM调制解调通信系统的设计与实现,包括信号生成、调制、解调和误码率测试。系统在Vivado 2019.2中进行了仿真,通过设置不同SNR值(15、20、25)验证了系统的性能,并展示了相应的星座图。核心程序使用Verilog语言编写,加入了信道噪声模块和误码率统计功能,提升了仿真效率。
44 4
|
29天前
|
监控 算法 数据安全/隐私保护
基于三帧差算法的运动目标检测系统FPGA实现,包含testbench和MATLAB辅助验证程序
本项目展示了基于FPGA与MATLAB实现的三帧差算法运动目标检测。使用Vivado 2019.2和MATLAB 2022a开发环境,通过对比连续三帧图像的像素值变化,有效识别运动区域。项目包括完整无水印的运行效果预览、详细中文注释的代码及操作步骤视频,适合学习和研究。
|
1月前
|
算法 数据安全/隐私保护 异构计算
基于FPGA的16QAM基带通信系统,包含testbench,高斯信道模块,误码率统计模块,可以设置不同SNR
本项目基于FPGA实现16QAM调制解调通信系统,使用Verilog语言编写,包括信道模块、误码率统计模块。通过设置不同SNR值(如8dB、12dB、16dB),仿真测试系统的误码性能。项目提供了完整的RTL结构图及操作视频,便于理解和操作。核心程序实现了信号的生成、调制、信道传输、解调及误码统计等功能。
42 3
|
11天前
|
算法 数据安全/隐私保护 异构计算
基于FPGA的256QAM基带通信系统,包含testbench,高斯信道模块,误码率统计模块,可以设置不同SNR
本文介绍了256QAM调制解调算法的仿真效果及理论基础。使用Vivado 2019.2进行仿真,分别在SNR为40dB、32dB和24dB下生成星座图,并导入Matlab进行分析。256QAM通过将8比特数据映射到复平面上的256个点,实现高效的数据传输。Verilog核心程序包括调制、信道噪声添加和解调模块,最终统计误码率。
20 0
|
15天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GA-PSO-SVM算法的混沌背景下微弱信号检测matlab仿真
本项目基于MATLAB 2022a,展示了SVM、PSO、GA-PSO-SVM在混沌背景下微弱信号检测中的性能对比。核心程序包含详细中文注释和操作步骤视频。GA-PSO-SVM算法通过遗传算法和粒子群优化算法优化SVM参数,提高信号检测的准确性和鲁棒性,尤其适用于低信噪比环境。
|
1月前
|
算法 安全
分别使用OVP-UVP和OFP-UFP算法以及AFD检测算法实现反孤岛检测simulink建模与仿真
本课题通过Simulink建模与仿真,实现OVP-UVP、OFP-UFP算法及AFD检测算法的反孤岛检测。OVP-UVP基于电压幅值变化,OFP-UFP基于频率变化,而AFD则通过注入频率偏移信号来检测孤岛效应,确保电力系统安全稳定运行。系统使用MATLAB 2013b进行建模与仿真验证。
|
21天前
|
存储 JSON 算法
TDengine 检测数据最佳压缩算法工具,助你一键找出最优压缩方案
在使用 TDengine 存储时序数据时,压缩数据以节省磁盘空间是至关重要的。TDengine 支持用户根据自身数据特性灵活指定压缩算法,从而实现更高效的存储。然而,如何选择最合适的压缩算法,才能最大限度地降低存储开销?为了解决这一问题,我们特别推出了一个实用工具,帮助用户快速判断并选择最适合其数据特征的压缩算法。
28 0
|
1月前
|
算法 计算机视觉 Python
圆形检测算法-基于颜色和形状(opencv)
该代码实现了一个圆检测算法,用于识别视频中的红色、白色和蓝色圆形。通过将图像从RGB转换为HSV颜色空间,并设置对应颜色的阈值范围,提取出目标颜色的区域。接着对这些区域进行轮廓提取和面积筛选,使用霍夫圆变换检测圆形,并在原图上绘制检测结果。
64 0