[学习] GNSS信号跟踪环路原理、设计与仿真（仿真代码）

已于 2025-06-11 22:12:32 修改
阅读量1.1k 收藏 13
点赞数 25
文章标签： 学习 算法 python
于 2025-06-07 21:10:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jz_ddk/article/details/148499948
版权

GNSS信号跟踪环路原理、设计与仿真

文章目录

一、GNSS信号跟踪环路概述
  • GNSS信号接收的基本流程
    完整的GNSS信号接收处理包括以下关键步骤：天线接收射频信号→低噪声放大→下变频至中频→AD采样→捕获阶段（粗略估计卫星信号的多普勒频移和码相位）→跟踪阶段（精确同步并持续跟踪信号）。以GPS L1 C/A码为例，接收信号先经过1575.42MHz的射频前端处理，再通过数字相关器实现伪码剥离和载波剥离。
    流程如下图所示：
粗略估计多普勒频移
粗略估计码相位
是
开始
天线接收射频信号
低噪声放大器 (LNA)
下变频至中频(IF)/基带
模数转换 (AD采样)
捕获阶段
捕获完成?
跟踪阶段
精确同步多普勒和码相位
提取导航数据比特
解调与解码
定位解算(PVT)
输出定位信息
结束

  • 跟踪环路的定义与功能
    跟踪环路是由载波跟踪环（如PLL或FLL）和码跟踪环（DLL）组成的闭环控制系统。其核心功能包括：

    1. 实时补偿动态用户导致的载波多普勒变化（如车载接收机运动时可能产生±5kHz的频偏）
    2. 精确对齐本地伪随机码与接收信号的码相位（C/A码要求对齐误差小于1/4码片，约73米）
    3. 解调导航电文数据（50bps的导航比特流）
      典型结构包含鉴相器、环路滤波器和数控振荡器（NCO）三个模块。

  • 跟踪环路在GNSS接收机中的重要性
    跟踪性能直接决定定位精度和可用性：
    • 动态场景下（如无人机应用），环路带宽设计需在跟踪灵敏度（窄带宽）与动态应力容限（宽带宽）间折衷
    • 城市峡谷环境中，多径效应可能导致传统DLL出现米级误差，此时需采用窄相关器或多径抑制技术
    • 高精度接收机（如RTK）要求载波相位跟踪精度达毫米级，需结合卡尔曼滤波等先进算法

二、跟踪环路基本原理
1. 信号跟踪的概念与目标

信号跟踪是指接收机持续锁定并跟随卫星信号的过程，主要实现两个目标：

  • 动态适应：在用户移动过程中保持对信号频率和相位变化的跟踪（如车载导航时速达200km/h时产生的多普勒频移）
  • 抗干扰：在噪声和干扰环境下维持稳定跟踪（如城市峡谷中信号衰减达20dB时仍能工作）
2. 锁相环（PLL）原理

PLL通过相位鉴别实现精确跟踪：

  • 核心组件：鉴相器（比较输入信号与本地振荡器相位差）、环路滤波器（如二阶滤波器去除高频噪声）、压控振荡器（调整频率）
  • 典型参数：捕获范围±5Hz，跟踪精度±0.25Hz
  • 应用场景：高精度测距、载波相位测量（RTK定位中要求相位误差<1°）
3. 锁频环（FLL）原理

FLL通过频率鉴别实现快速跟踪：

  • 工作方式：比较相邻两个积分周期的相位差（典型积分时间1-10ms）
  • 性能特点：捕获范围可达±500Hz，但精度较PLL低约1Hz
  • 典型应用：高动态场景初始化（如导弹发射初期的信号捕获）
4. 延迟锁定环（DLL）原理

DLL专用于码跟踪：

  • 实现方式：采用早-迟相关器结构（间隔通常为1/2码片）
  • 关键指标：码环带宽0.5-2Hz，跟踪门限约20dB-Hz
  • 特殊结构：双阻尼设计（高速时用宽带宽，静态时切窄带宽）
5. 三环联合跟踪结构

多环路协同工作模式：

  • FLL辅助PLL：FLL先捕获信号（±1kHz范围），PLL随后精细锁定（切换阈值通常设为FLL频率误差<5Hz）
  • PLL辅助DLL：载波环提供动态应力信息给码环（如PLL测得的加速度用于DLL预测）
三、跟踪环路关键参数设计

  1. 环路带宽的选择与优化

    • 环路带宽直接影响跟踪环路的动态性能和抗噪声能力
    • 窄带宽：噪声抑制好但动态响应慢（典型值1-10Hz）
    • 宽带宽：动态性能好但噪声抑制差（典型值10-100Hz）
    • 优化方法：
      • 根据动态场景需求调整（如车载应用需要10-20Hz）
      • 采用自适应带宽算法（如基于载噪比的自适应调整）

  2. 积分时间的设计

    • 积分时间决定环路对信号积累的时长
    • 短积分时间（1ms）：适用于高动态场景
    • 长积分时间（20ms）：适用于弱信号环境
    • 设计要点：
      • 需与数据位边界对齐（GPS的20ms数据位）
      • 平衡捕获灵敏度和动态性能的矛盾

  3. 鉴别器类型与性能比较

    • 载波环鉴别器

      • ATAN2鉴别器：
        • 提供线性输出范围（-π/2～π/2）
        • 适用于高动态环境
        • 计算复杂度较高
      • Costas鉴别器：
        • 抗180度相位翻转
        • 适用于BPSK调制信号
        • 输出非线性（sin(2Δφ)）

    • 码环鉴别器

      • 非相干早迟门：
        • 典型间隔1/2码片
        • 抗多径性能较好
        • 需要额外的载波剥离
      • 相干点积：
        • 更高精度
        • 但需要精确的载波跟踪
        • 适用于高精度应用

  4. 环路滤波器的设计与实现

    • 二阶环路滤波器：
      • 典型结构：比例积分（PI）滤波器
      • 参数计算：
        K1 = 4B_LT/(4+4ξ^2)
        K2 = 4B_L2T/(4+4ξ2)
        （B_L为噪声带宽，ξ为阻尼系数，T为积分时间）
    • 三阶环路滤波器：
      • 适用于超高动态场景
      • 增加加速度误差补偿
    • 实现方式：
      • 数字实现：定点/浮点运算选择
      • 考虑量化噪声影响
      • 典型更新率1ms-20ms
四、跟踪环路性能分析

  1. 跟踪灵敏度的定义与影响因素

    • 跟踪灵敏度是指接收机能够稳定跟踪卫星信号的最低信号强度（通常用dB-Hz表示）
    • 主要影响因素：
      • 环路带宽：带宽越窄灵敏度越高，但动态性能越差（典型值0.5-5Hz）
      • 积分时间：延长积分时间可提高灵敏度（如从1ms增至20ms）
      • 前端噪声系数：接收机前端噪声直接影响灵敏度
      • 信号调制方式：BPSK比BOC调制更易跟踪
      • 载噪比(C/N0)：跟踪门限通常为20-25dB-Hz

  2. 动态性能与噪声性能的权衡

    • 动态性能指标：最大可跟踪加速度(0.5g)、加加速度(1g/s)
    • 噪声性能指标：伪距测量误差(0.1-1m)、载波相位噪声(1-5mm)
    • 设计权衡：
      • 宽带环路（如10Hz）适合高动态环境但噪声大
      • 窄带环路（如1Hz）适合静态应用但动态受限
      • 自适应带宽技术可根据场景自动调整

  3. 多径效应的影响与缓解方法

    • 多径效应会导致：
      • 伪距测量偏差（最大可达半波长）
      • 载波相位周跳
      • 跟踪环路失锁
    • 缓解技术：
      • 窄相关间隔技术（如Strobe相关器）
      • 多径估计消除算法（MEDLL）
      • 天线抗多径设计（扼流圈天线）
      • 信号选择（L5比L1抗多径能力强30%）

  4. 抗干扰能力分析

    • 干扰类型：
      • 宽带噪声干扰（最常见）
      • 单频干扰（容易滤除）
      • 脉冲干扰（影响最大）
      • 欺骗干扰（最难防范）
    • 防护措施：
      • 空域滤波：自适应调零天线
      • 时域滤波：脉冲干扰消除
      • 频域滤波：FFT窄带抑制
      • 信号处理：增强相关器设计
    • 典型指标：
      • 窄带干扰抑制比>30dB
      • 宽带干扰抑制比>20dB
      • 欺骗信号识别时间<1s
五、环路仿真示例（仿真代码还有问题，博主正在调试修正）

以下是一个完整的Python仿真代码，实现了GPS L1 C/A码信号跟踪过程（PRN 1）。代码包含信号生成、跟踪环实现和可视化分析。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec
from scipy.signal import correlate

# ==============================
# 参数设置
# ==============================
fs = 6.144e6            # 采样率 (6.144 MHz)
f_IF = 4.308e6          # 中频频率 (4.308 MHz)
code_rate = 1.023e6     # C/A码速率 (1.023 MHz)
code_length = 1023       # C/A码长度
ts = 1/fs               # 采样间隔
t_coherent = 1e-3       # 相干积分时间 (1ms)
samples_per_ms = int(fs * t_coherent)  # 每毫秒采样点数
doppler_true = 4200      # 真实多普勒频移 (Hz)
code_delay_true = 175.3  # 真实码延迟 (采样点)
SNR_dB = -20            # 信噪比 (dB)

# 跟踪环参数
dll_damping = 0.7       # DLL阻尼系数
dll_bandwidth = 2.0     # DLL带宽 (Hz)
dll_noise_bandwidth = dll_bandwidth * 8/(4*dll_damping + 1/dll_damping)  # 噪声带宽
dll_gain = 4 * dll_noise_bandwidth * t_coherent  # DLL增益

costas_damping = 0.707  # Costas环阻尼系数
costas_bandwidth = 15.0 # Costas环带宽 (Hz)
costas_noise_bandwidth = costas_bandwidth * 4 * costas_damping / (4*costas_damping**2 + 1)  # 噪声带宽
costas_gain = 4 * costas_noise_bandwidth * t_coherent  # Costas环增益

# ==============================
# 辅助函数
# ==============================
def generate_ca_code(prn, code_length=1023):
    """生成PRN 1的C/A码"""
    # PRN 1的Gold码生成多项式
    g1 = np.ones(10, dtype=int)
    g2 = np.ones(10, dtype=int)
    ca_code = np.zeros(code_length, dtype=int)
    
    for i in range(code_length):
        ca_code[i] = g1[9] ^ g2[9]  # PRN 1的特殊抽头配置
        
        # 更新G1寄存器
        g1_new = g1[2] ^ g1[9]
        g1[1:] = g1[:-1]
        g1[0] = g1_new
        
        # 更新G2寄存器 (PRN 1的特殊抽头: 2和6)
        g2_new = g2[1] ^ g2[2] ^ g2[5] ^ g2[7] ^ g2[8] ^ g2[9]
        g2[1:] = g2[:-1]
        g2[0] = g2_new
    
    return 1 - 2*ca_code  # 转换为±1

def generate_nav_data(bit_rate=50, duration=0.3):
    """生成50Hz导航电文数据"""
    num_bits = int(bit_rate * duration)
    return 1 - 2*np.random.randint(0, 2, num_bits)  # 随机生成±1

def add_doppler(signal, f_doppler, fs, phase=0):
    """添加多普勒频移"""
    t = np.arange(len(signal)) / fs
    return signal * np.exp(1j * 2 * np.pi * f_doppler * t + 1j * phase)

def add_noise(signal, snr_dB):
    """添加高斯白噪声"""
    signal_power = np.mean(np.abs(signal)**2)
    noise_power = signal_power / (10**(snr_dB/10))
    noise = np.sqrt(noise_power/2) * (np.random.randn(len(signal)) + 1j*np.random.randn(len(signal)))
    return signal + noise

# ==============================
# 信号生成
# ==============================
# 生成C/A码
ca_code = generate_ca_code(1)

# 生成导航电文 (300ms)
nav_data = generate_nav_data(50, 0.3)

# 创建完整基带信号
t_total = 0.3  # 300ms
num_samples = int(fs * t_total)
signal = np.zeros(num_samples, dtype=complex)

# 扩展C/A码以匹配信号长度
ca_code_full = np.tile(ca_code, int(np.ceil(num_samples / len(ca_code))))[:num_samples]

# 添加导航电文
for i in range(len(nav_data)):
    start_idx = i * samples_per_ms * 20  # 每比特20ms
    end_idx = (i+1) * samples_per_ms * 20
    if end_idx > num_samples:
        end_idx = num_samples
    signal[start_idx:end_idx] = nav_data[i] * ca_code_full[start_idx:end_idx]

# 添加载波和多普勒
signal = add_doppler(signal, f_IF + doppler_true, fs, phase=np.pi/4)

# 添加码延迟
signal = np.roll(signal, int(code_delay_true))

# 添加噪声
signal = add_noise(signal, SNR_dB)

# ==============================
# 跟踪环实现
# ==============================
class TrackingLoop:
    def __init__(self, fs, f_IF, code_length, samples_per_ms, 
                 dll_gain, costas_gain, dll_spacing=0.5):
        self.fs = fs
        self.f_IF = f_IF
        self.code_length = code_length
        self.samples_per_ms = samples_per_ms
        self.dll_gain = dll_gain
        self.costas_gain = costas_gain
        self.dll_spacing = dll_spacing  # 超前滞后码间距 (码片)
        
        # 状态变量初始化
        self.carrier_phase = 0.0
        self.carrier_freq = f_IF + 4000  # 初始多普勒估计 (带误差)
        self.code_phase = 170.0  # 初始码相位估计 (带误差)
        self.code_freq = code_rate  # 码频率
        
        # 积分器状态
        self.I_E = 0.0
        self.Q_E = 0.0
        self.I_P = 0.0
        self.Q_P = 0.0
        self.I_L = 0.0
        self.Q_L = 0.0
        
        # 历史记录
        self.phase_error_history = []
        self.freq_error_history = []
        self.code_error_history = []
        self.corr_history = []
        
    def update(self, signal_chunk, ca_code):
        """处理1ms的信号块"""
        # 生成本地载波
        t = np.arange(len(signal_chunk)) / self.fs
        local_carrier = np.exp(-1j * (2 * np.pi * self.carrier_freq * t + self.carrier_phase))
        
        # 载波剥离
        baseband = signal_chunk * local_carrier
        
        # 生成本地C/A码 (三个版本)
        # 计算码相位偏移 (以采样点为单位)
        spacing_samples = self.dll_spacing * (self.fs / code_rate)
        
        # 即时码
        idx_p = np.arange(len(signal_chunk)) + self.code_phase
        ca_p = ca_code[np.mod(np.floor(idx_p).astype(int), self.code_length)]
        
        # 超前码 (提前spacing_samples)
        idx_e = idx_p - spacing_samples
        ca_e = ca_code[np.mod(np.floor(idx_e).astype(int), self.code_length)]
        
        # 滞后码 (延后spacing_samples)
        idx_l = idx_p + spacing_samples
        ca_l = ca_code[np.mod(np.floor(idx_l).astype(int), self.code_length)]
        
        # 相关积分 (1ms相干积分)
        self.I_E = np.sum(np.real(baseband) * ca_e)
        self.Q_E = np.sum(np.imag(baseband) * ca_e)
        self.I_P = np.sum(np.real(baseband) * ca_p)
        self.Q_P = np.sum(np.imag(baseband) * ca_p)
        self.I_L = np.sum(np.real(baseband) * ca_l)
        self.Q_L = np.sum(np.imag(baseband) * ca_l)
        
        # Costas环鉴相器 (相位误差检测)
        phase_error = np.arctan2(self.Q_P, self.I_P)
        
        # DLL鉴相器 (非相干超前减滞后)
        E = np.sqrt(self.I_E**2 + self.Q_E**2)
        L = np.sqrt(self.I_L**2 + self.Q_L**2)
        code_error = (E - L) / (2 * (E + L))  # 归一化误差
        
        # 更新载波环
        self.carrier_freq += self.costas_gain * phase_error
        self.carrier_phase += phase_error
        
        # 更新码环
        self.code_phase += self.dll_gain * code_error
        
        # 记录历史
        self.phase_error_history.append(np.degrees(phase_error))
        self.freq_error_history.append(self.carrier_freq - (f_IF + doppler_true))
        self.code_error_history.append((self.code_phase - code_delay_true) * (code_rate/fs))
        self.corr_history.append((self.I_P, self.Q_P, self.I_E, self.Q_E, self.I_L, self.Q_L))
        
        # 相位归零处理
        if self.carrier_phase > 2*np.pi:
            self.carrier_phase -= 2*np.pi
        elif self.carrier_phase < -2*np.pi:
            self.carrier_phase += 2*np.pi
            
        return phase_error, code_error

# ==============================
# 仿真运行
# ==============================
# 初始化跟踪环
tracker = TrackingLoop(fs, f_IF, code_length, samples_per_ms, 
                       dll_gain, costas_gain, dll_spacing=0.5)

# 运行跟踪过程 (300ms)
num_chunks = int(t_total / t_coherent)
for i in range(num_chunks):
    start_idx = i * samples_per_ms
    end_idx = (i+1) * samples_per_ms
    signal_chunk = signal[start_idx:end_idx]
    
    # 更新跟踪环
    phase_error, code_error = tracker.update(signal_chunk, ca_code)
    
    # 打印前10次更新
    if i < 10:
        print(f"Chunk {i+1}: Phase Error={np.degrees(phase_error):.2f}°, "
              f"Code Error={code_error:.4f} chips")

# ==============================
# 结果可视化
# ==============================
plt.figure(figsize=(15, 15))
gs = GridSpec(4, 2, figure=plt.gcf())

# 1. 载波相位误差
ax1 = plt.subplot(gs[0, 0])
ax1.plot(tracker.phase_error_history)
ax1.set_title('载波相位误差 (度)')
ax1.set_xlabel('时间 (ms)')
ax1.set_ylabel('相位误差 (°)')
ax1.grid(True)
ax1.axhline(15, color='r', linestyle='--', alpha=0.7, label='收敛阈值')
ax1.axhline(-15, color='r', linestyle='--', alpha=0.7)
ax1.legend()

# 2. 多普勒频率误差
ax2 = plt.subplot(gs[0, 1])
ax2.plot(np.array(tracker.freq_error_history) / 1000)
ax2.set_title('多普勒频率误差')
ax2.set_xlabel('时间 (ms)')
ax2.set_ylabel('频率误差 (kHz)')
ax2.grid(True)
ax2.axhline(0, color='r', linestyle='--', alpha=0.7)

# 3. 码相位误差
ax3 = plt.subplot(gs[1, 0])
ax3.plot(tracker.code_error_history)
ax3.set_title('码相位误差')
ax3.set_xlabel('时间 (ms)')
ax3.set_ylabel('码片误差')
ax3.grid(True)
ax3.axhline(0.1, color='r', linestyle='--', alpha=0.7, label='收敛阈值')
ax3.axhline(-0.1, color='r', linestyle='--', alpha=0.7)
ax3.legend()

# 4. 相关器输出 (IQ平面)
corr_data = np.array(tracker.corr_history)
ax4 = plt.subplot(gs[1, 1])
ax4.scatter(corr_data[:50, 0], corr_data[:50, 1], c='b', marker='o', label='前50ms')
ax4.scatter(corr_data[50:, 0], corr_data[50:, 1], c='r', marker='x', label='后250ms')
ax4.set_title('即时支路相关器输出 (IQ平面)')
ax4.set_xlabel('I 分量')
ax4.set_ylabel('Q 分量')
ax4.grid(True)
ax4.legend()
ax4.axis('equal')

# 5. 相关器输出幅度
E_mag = np.sqrt(corr_data[:, 2]**2 + corr_data[:, 3]**2)
P_mag = np.sqrt(corr_data[:, 0]**2 + corr_data[:, 1]**2)
L_mag = np.sqrt(corr_data[:, 4]**2 + corr_data[:, 5]**2)

ax5 = plt.subplot(gs[2, :])
ax5.plot(E_mag, label='超前支路')
ax5.plot(P_mag, label='即时支路')
ax5.plot(L_mag, label='滞后支路')
ax5.set_title('相关器输出幅度')
ax5.set_xlabel('时间 (ms)')
ax5.set_ylabel('相关幅度')
ax5.grid(True)
ax5.legend()

# 6. 导航电文解调
# 每20ms取一次符号 (1个导航比特)
nav_bits = []
for i in range(0, num_chunks, 20):
    if i+20 > num_chunks:
        break
    # 取20ms的I路积分值
    I_sum = np.sum(corr_data[i:i+20, 0])
    nav_bits.append(1 if I_sum > 0 else -1)

# 原始导航电文
true_nav = nav_data[:len(nav_bits)]

ax6 = plt.subplot(gs[3, :])
ax6.step(np.arange(len(nav_bits)), nav_bits, 'b-', where='post', label='解调电文')
ax6.step(np.arange(len(true_nav)), true_nav, 'r--', where='post', label='真实电文')
ax6.set_title('导航电文解调结果')
ax6.set_xlabel('比特序号')
ax6.set_ylabel('比特值')
ax6.set_yticks([-1, 1])
ax6.set_yticklabels(['-1 (0)', '1 (1)'])
ax6.grid(True)
ax6.legend()

plt.tight_layout()
plt.savefig('gps_tracking_results.png', dpi=300)
plt.show()

# 收敛性能分析
last_100 = slice(-100, None)
phase_stable = np.max(np.abs(tracker.phase_error_history[last_100])) < 15
freq_stable = np.abs(np.mean(tracker.freq_error_history[last_100])) < 10
code_stable = np.max(np.abs(tracker.code_error_history[last_100])) < 0.1

print("\n跟踪性能分析:")
print(f"载波相位稳定: {'是' if phase_stable else '否'} (最大误差: {np.max(np.abs(tracker.phase_error_history[last_100])):.2f}°)")
print(f"多普勒频率稳定: {'是' if freq_stable else '否'} (平均误差: {np.mean(tracker.freq_error_history[last_100]):.2f} Hz)")
print(f"码相位稳定: {'是' if code_stable else '否'} (最大误差: {np.max(np.abs(tracker.code_error_history[last_100])):.4f} 码片)")
print(f"导航电文正确率: {np.mean(np.array(nav_bits) == true_nav)*100:.2f}%")
代码功能说明

  1. 信号生成模块：

    • 生成PRN 1的C/A码（使用Gold码生成算法）
    • 创建50Hz导航电文（随机比特序列）
    • 构建包含载波、多普勒和噪声的中频信号

  2. 跟踪环实现：

    • Costas环（载波跟踪）：使用arctan鉴相器和二阶环路滤波器
    • 延迟锁定环（码跟踪）：使用非相干超前-滞后鉴别器
    • 实时更新载波频率、相位和码相位

  3. 可视化分析：

    • 载波相位误差收敛过程
    • 多普勒频率跟踪性能
    • 码相位误差变化
    • 相关器输出（IQ平面和幅度）
    • 导航电文解调结果对比
关键可视化结果

  1. 载波相位误差：

    • 显示载波环从初始误差收敛到稳定状态（<15°）的过程
    • 红色虚线表示收敛阈值

  2. 多普勒跟踪：

    • 展示频率误差从初始4000Hz偏差收敛到接近0Hz的过程

  3. 码相位误差：

    • 显示码环收敛到±0.1码片精度的过程

  4. 相关器输出：

    • IQ平面：展示相关点从发散到聚集的过程
    • 幅度图：显示超前、即时、滞后三路相关器输出

  5. 导航电文解调：

    • 对比解调出的导航电文与原始电文
    • 计算解调正确率
运行说明

  1. 代码需要安装Python科学计算库：

    pip install numpy matplotlib scipy

  2. 运行后将生成6个子图，展示跟踪过程的关键性能指标

  3. 程序输出跟踪性能分析，包括：

    • 载波相位稳定状态
    • 多普勒频率跟踪精度
    • 码相位跟踪精度
    • 导航电文解调正确率
参数调整建议
  1. 信号强度：修改SNR_dB参数（典型范围-20dB至-30dB）
  2. 动态特性：调整doppler_true模拟不同动态场景
  3. 环路带宽：
    • costas_bandwidth：影响载波环响应速度（典型值10-25Hz）
    • dll_bandwidth：影响码环响应速度（典型值1-5Hz）
  4. 初始误差：在TrackingLoop初始化中调整初始频率和相位误差

此代码完整展示了GPS信号跟踪的全过程，通过可视化结果可清晰观察环路收敛特性和跟踪性能。

附录：关键公式

载波环鉴别器输出（ATAN2型）：
θ e = arctan ⁡ ( Q I ) \theta_e = \arctan\left(\frac{Q}{I}\right) θe​=arctan(IQ​)

DLL早迟门非相干鉴别器：
E = I E 2 + Q E 2 , L = I L 2 + Q L 2 E = \sqrt{I_E^2 + Q_E^2}, \quad L = \sqrt{I_L^2 + Q_L^2} E=IE2​+QE2​ ​,L=IL2​+QL2​ ​
ϵ = E − L E + L \epsilon = \frac{E - L}{E + L} ϵ=E+LE−L​

研究学习不易，点赞易。
工作生活不易，收藏易，点收藏不迷茫 ：）

【信号跟踪】基于matlab二阶锁相环辅助三阶锁频环加码环高动态GNSS信号跟踪【含Matlab源码 2659期】
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
06-05 402
二阶锁相环辅助三阶锁频环加码环高动态GNSS信号跟踪 完整的代码，方可运行；可提供运行操作视频！适合小白！
卫星跟踪算法c语言,以SoC FPGA为设计平台的北斗卫星信号跟踪算法的设计
weixin_29858081的博客
05-23 1314
0 引言全球导航卫星系统(Global Navigaon Satellite System，GNSS)是维护国家安全、发展经济的重要基础设施，是体现国家综合国力以及现代化大国国际影响力的重要标志 。发展支持北斗导航系统的接收机终端是北斗导航系统不可或缺的组成部分。目前中国正在大力发展北斗卫星导航系统(BDS)，因此大力研究与设计基于BDS的北斗卫星导航接收机成为北斗卫星导航系统重要的环节。半导体集...
GNSS接收机设计：(3)MATLAB实现跟踪
Kingkingkingdom的博客
09-26 1734
很长很复杂的跟踪
GPS跟踪载波环matlab代码,GPS接收机载波跟踪环路解决方案
weixin_33893111的博客
03-18 991
0 引 言随着GPS 卫星应用产业化进程的逐步发展，对导航接收机关键技术的攻关必将缩短卫星导航终端产品的研发周期，推进卫星导航应用产业化的进程。在GPS 接收机中利用何种技术来快速跟踪卫星多普勒频偏的变化是面临的主要挑战。载波跟踪环路设计是GPS 接收机中非常重要的环节，其性能的好坏直接影响到接收机的灵敏度。本文通过GPS 接收机中载波跟踪环路的设计与研究，讨论载波跟踪环路的实现方法和需要注意的细...
【信号跟踪】基于二阶锁相环辅助三阶锁频环加码环高动态GNSS信号跟踪附Matlab代码...
Matlab_dashi的博客
06-20 574
✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。????个人主页：Matlab科研工作室????个人信条：格物致知。更多Matlab仿真内容点击????智能优化算法 神经网络预测 雷达通信 无线传感器 电力系统信号处理 ...
低轨卫星导航抗欺骗认证信号间歇跟踪SNAP算法（MATLAB跟踪代码）
weixin_53750855的博客
12-02 1514
本文针对低轨卫星动态多普勒场景下的快速认证需求，首先定量分析了低轨卫星多普勒频移及多普勒频移变化率α，然后对SANP认证方案的间歇跟踪结构进行了性能分析，并推导出间歇跟踪下的误差累积解析表达式. 结果表明，跟踪误差均值与α成正比，增加噪声带宽有助于提升跟踪环路的动态性能，但会带来更多的热噪声误差，码环受多普勒变化影响较小. 数值结果证明了理论分析的正确性. 本文的分析结果为接收机系统参数的设计提供了重要理论参考.
基于MATLAB编写的GNSS_SDR（GNSS软件接收机）——自学笔记（3）
王少靖的博客
05-22 7200
今天这个跟踪函数比之前的捕获函数更有难度，我看了整整两天，才弄明白了大部分程序的含义，以下是学习记录（程序中涉及的次重点函数将在文末展示，详见目录）。 Tracking.m跟踪函数 捕获仅能提供对频率和码相位参数的粗略估计。跟踪的主要目的是使这些估计值精确化，并保持跟踪，然后从跟踪到的卫星信号中解调出导航数据(同时提供伪距估计)。 该函数跟踪分配到每一通道中的GPS信号，此函数需要如下参数:从前端获得的一段数据，结构变量Channel，正弦函数，余弦函数和C/A码表。此函数处理采样数据并返回两个结构.
simulink和psim仿真结果不同_技术解读创新式摄像头在环仿真测试与评价系统
weixin_39949386的博客
12-04 481
▲ 摄像头在环测试-逆光案例让我们从一个摄像头在环测试的逆光案例开始。从测试案例中可以看出，在逆光和地面积水反光影响下，被测摄像头目标检测算法并不能很好的检测同车道前方车辆。不过对于摄像头仿真真实度很高的51Sim-One却很容易实现，且能够通过对天气和光照的泛化产生大量类似测试案例。实现原理1、两种系统结构可供选择摄像头在环测试和评价的总体系统包括硬件在环黑箱、仿真服务器与被测摄像头以及计算平台...
例谈相关函数理论与其在现实生活中的相关应用（信号与系统课程大作业）（二）
前排观众的博客
03-27 793
信号与系统是一门理论性和技术性都比较强的专业基础课，覆盖面广，实用性强。信号与系统不仅是电气工程及其自动化专业教学中一门非常重要的基础课程,而且也成为电气工程及其自动货专业党生在所修课程史最有得益而又引人入胜和最有思处的一门课。该课程与通信系统，图象处理、微波技术等迕多专业课有很密切的联系。它以电路分析为基础，还涉及到线性徽分方程、积分变换、复变函数等多门数学课程的内容，又是数字信号处理、通信原理、自动控制原理等课程的先修课程。在教学环节中起着承上启下的作用，其重要性是其它课程不可替代的。
GNSS接收机环路跟踪算法设计及验证 (2009年)
05-10
GNSS信号的跟踪需要2个跟踪环路,一个用来跟踪载波频率的载波跟踪环,另一个是跟踪码的码跟踪环。详细介绍了 2个跟踪环路的联合算法,并利用 Matlab在一组实测的 GPS数据下完成该跟踪算法仿真及验证。试验证明,使用该...
基于双码时延间隔的GNSS矢量跟踪环路 (2013年)
05-25
针对传统GNSS接收机在弱信号下工作性能不理想的特点，分析了传统接收机和矢量接收机的工作原理，归纳总结了传统接收机在弱信号下的性能缺陷；在弱信号下对比传统标量接收机与矢量接收机的跟踪性能，提出用设置双码...
Python Day44 学习（日志Day12复习）
Y317429的博客
06-07 365
注：这里AI给出的“适用场景”存在问题。关于性别，为二分类问题，不需要使用独热编码。三分类以上才涉及独热编码。出现问题：忘记之前已对数据进行了独热编码，导致映射出来的值为空值。对信贷数据重新进行标签编码（回写昨日复习的代码）对信贷数据重新进行标签编码（回写昨日复习的代码）补充：对数据进行“归一化”和“标准化”的作用。补充：“独热编码”与“标签编码”的选择。
Vim 高亮命令完整学习笔记
最新发布
面朝大海
06-10 526
Vim 作为强大的文本编辑器，提供了丰富的搜索和高亮功能。掌握这些命令可以大大提高文本处理效率。本文将系统介绍 Vim 的高亮搜索命令和正则表达式的使用。
Java入门学习详细版（二）
又菜又爱写
06-10 582
本文系统介绍了Java编程中控制流和面向对象编程的核心内容。控制流部分详细讲解了条件语句（if-else、switch-case）和循环结构（for、while、do-while）的使用方法及其控制语句（break、continue、return）。面向对象部分重点阐述了类和对象的概念，包括类定义、属性、方法、构造方法，以及面向对象的四大特性：封装、继承、多态和抽象。文章还介绍了Java标准库中常用类的使用方法，如String、数组、包装类等，为Java编程提供了基础指导。
Linux驱动学习day2
weixin_71568456的博客
06-06 347
app与驱动之间，通过下面两个函数交互数据驱动和硬件之间交互。
基于HTML+CSS+JavaScript实现静态高校智慧学习平台
神仙别闹的自留地
06-10 663
高校智慧学习平台主要是为在校学生提供一个开源的专业技术课程的学生平台，该平台主要包括以下模块：1、注册页面：为新用户提供注册的入口；2、导航条：主要包括主页、慕课网、图书等子项目；3、轮播图：展示教学产品和职前规划等内容；4、阶段成长：主要跟踪学习的过程；5、资源课程的介绍；6、联系方式和合作伙伴；7、注销等功能。
苍穹外卖|学习笔记|day07
qq_56744064的博客
06-09 486
博主个人背景：双非本211硕 研一下。深知自身水平较差 算法无戏，自学java的求生之路计划每日学习，完成苍穹外卖的学习。借此博客写明学习遇到的问题以及解决方案，同大家一起交流学习。公共字段：在我们的业务表当中有创建人/时间、修改人/时间，我们经常会对这四个公共字段来进行赋值修改，这样就会存在很多重复性的代码。【如图所示：前面开发的员工、分类相关公共字段代码】从而导致代码冗余，不便于后期维护为了避免重复性的操作，需要进行相关代码的编写从而解决公共字段的自动填充。 可以通过切面来拦截持久层的相关操作，来为公共
CppCon 2015 学习:Algorithmic Differentiation C++ & Extremum Estimation
虾球
06-10 734
浮点数表示法的灵感：科学记数法浮点数的表示方法受到科学记数法的启发。x×baseexponentx×baseexponent6.022×10236.022×1023这种表示法使得我们能够处理非常大的数（如102310^{23}1023）以及非常小的数（如10−2310^{-23}10−23），并且有效地表示各种数值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值