针对长短码直接扩频序列(long and short code direct sequence spread spectrum, LSC-DSSS)信号序列估计难题,在已知LSC-DSSS信号参数的条件下,提出一种基于新信息准则(novel information criterion, NIC)神经网络联合梅西算法的长短...针对长短码直接扩频序列(long and short code direct sequence spread spectrum, LSC-DSSS)信号序列估计难题,在已知LSC-DSSS信号参数的条件下,提出一种基于新信息准则(novel information criterion, NIC)神经网络联合梅西算法的长短码信号序列估计方法。将LSC-DSSS信号输入NIC神经网络以估计随机采样起点,再通过不断输入数据训练NIC神经网络权值向量。当网络收敛时,权值向量的符号值即为LSC-DSSS信号的复合码序列片段。使用延迟相乘,消除幅度模糊与短扩频码序列的影响,再利用梅西算法获得扰码序列的生成多项式。仿真实验结果表明,NIC神经网络较特征值分解法的抗噪声性能提高6 dB,同时较Hebbian准则神经网络所需学习组数减少50%。展开更多
文摘针对长短码直接扩频序列(long and short code direct sequence spread spectrum, LSC-DSSS)信号序列估计难题,在已知LSC-DSSS信号参数的条件下,提出一种基于新信息准则(novel information criterion, NIC)神经网络联合梅西算法的长短码信号序列估计方法。将LSC-DSSS信号输入NIC神经网络以估计随机采样起点,再通过不断输入数据训练NIC神经网络权值向量。当网络收敛时,权值向量的符号值即为LSC-DSSS信号的复合码序列片段。使用延迟相乘,消除幅度模糊与短扩频码序列的影响,再利用梅西算法获得扰码序列的生成多项式。仿真实验结果表明,NIC神经网络较特征值分解法的抗噪声性能提高6 dB,同时较Hebbian准则神经网络所需学习组数减少50%。
