✨ 长期致力于全球导航卫星系统、GNSS接收机、捕获、矢量跟踪、相位噪声、锁相环、伪卫星研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于弹道先验信息辅助的Chirp-Z快速捕获提出一种利用炮弹发射前初始位置和速度信息缩小码相位和载波多普勒搜索范围的方法。先验信息将码相位不确定性从1023个码片压缩至±10个码片多普勒不确定性从±10kHz压缩至±500Hz。采用降采样相干积分将采样率从16.3676MHz降至1MHz运算量减少256倍。在降采样后使用Chirp-Z变换细化频率变换点数M2048频率分辨率达到0.5Hz。实验表明对于载噪比25dB-Hz的信号捕获时间从传统方法的2.3秒缩短至0.12秒频率估计误差5.9Hz。增加相干积分时间至10ms后可捕获低至22dB-Hz的信号。该方法在DSPFPGA平台上实现捕获单元消耗FPGA资源仅12%。2矢量跟踪环与期望弹道辅助的频率跟踪建立基于扩展卡尔曼滤波的矢量跟踪环路状态向量为三维位置、速度、钟差和钟漂共8维。观测量为各通道的码相位和载波频率。传统标量环在动态应力下易失锁矢量环通过融合所有卫星信息提高鲁棒性。在15g加速度、5g/s加加速度的弹道环境下矢量环的频率跟踪误差均方根为4.2Hz而标量环在5秒后失锁。针对信号短时中断(如弹体翻滚)引入期望弹道作为模型预测值在中断期间用弹道积分外推位置保持滤波器递推。中断2秒后信号恢复矢量环在0.3秒内重锁比无辅助情况快5倍。3温补晶振相位噪声测量与对环路影响分析提出一种基于伪卫星自闭环的低成本相位噪声测量方法。发射已知PN码信号接收端解调后提取载波相位通过高阶差分去除多普勒剩余相位即为振荡器相位噪声。测量时间短至1ms频率稳定度 Allan偏差为2.2e-101ms。将实测相位噪声注入仿真接收机分析环路性能。在环路带宽15Hz时相位噪声引起的载波相位误差均方根为3.8度导致解调损失0.7dB。当PCB温度从25℃升至65℃晶振频率漂移达2.3ppm锁相环需增加带宽至30Hz以跟踪漂移但噪声相应增大。提出温度补偿方法通过测温芯片反馈调整NCO使频率漂移降低80%。import numpy as np from scipy.signal import chirp, fft, ifft from scipy.linalg import solve_discrete_are import pyfftw class ChirpZFastAcquisition: def __init__(self, fs16.368e6, code_len1023, doppler_range500): self.fs fs self.code_len code_len self.doppler_range doppler_range def decimate(self, signal, decim_factor16): from scipy.signal import decimate return decimate(signal, decim_factor, ftypefir) def chirp_z_transform(self, x, A1.0, Wnp.exp(-1j*2*np.pi/2048), M2048): N len(x) n np.arange(N) k np.arange(M) A_pow A ** (-n) W_pow W ** (n**2 / 2) y x * A_pow * W_pow h np.zeros(2*N-1, dtypecomplex) for i in range(N): h[i] W ** (-i**2 / 2) y_padded np.zeros(2*N-1, dtypecomplex) y_padded[:N] y g fft(y_padded) * fft(h) v ifft(g)[:M] result v * (W ** (k**2 / 2)) return result def acquire(self, signal, local_code, prior_code_phase0, prior_doppler0): dec_sig self.decimate(signal, 16) dec_code self.decimate(local_code, 16) # search range reduced by prior code_shifts np.arange(prior_code_phase-10, prior_code_phase10, dtypeint) dopplers np.linspace(prior_doppler-500, prior_doppler500, 21) max_corr 0 best_phase 0 best_freq 0 for cp in code_shifts: code_shifted np.roll(dec_code, cp) for fd in dopplers: rotated dec_sig * np.exp(-1j*2*np.pi*fd/self.fs*np.arange(len(dec_sig))) corr np.abs(np.sum(rotated * np.conj(code_shifted))) if corr max_corr: max_corr corr best_phase cp best_freq fd # refine frequency with Chirp-Z if max_corr 0.5*len(dec_sig): refined self.chirp_z_transform(rotated[:2048]) peak_idx np.argmax(np.abs(refined)) best_freq best_freq (peak_idx - 1024) * (self.doppler_range/2048) return best_phase, best_freq class VectorTrackingLoop: def __init__(self, dt0.01): self.dt dt self.F, self.Q, self.H, self.R self._init_matrices() self.P np.eye(8) * 10 self.x np.zeros(8) def _init_matrices(self): F np.eye(8) for i in range(3): F[i, i3] self.dt Q np.diag([0.1,0.1,0.1, 1,1,1, 0.01, 0.001]) * self.dt H np.zeros((2,8)) H[0,0] 1 # code phase H[1,3] 1 # frequency R np.diag([1.0, 1.0]) return F, Q, H, R def predict(self): self.x self.F self.x self.P self.F self.P self.F.T self.Q def update(self, z, sv_pos, user_pos_est): # compute line-of-sight vector los (sv_pos - user_pos_est) / np.linalg.norm(sv_pos - user_pos_est) H_los np.zeros((1,8)) H_los[0, :3] los H np.vstack([H_los, self.H[1:2]]) S H self.P H.T self.R K self.P H.T np.linalg.inv(S) self.x self.x K (z - H self.x) self.P (np.eye(8) - K H) self.P def get_carrier_nco(self): return self.x[3] # velocity derived doppler class TCXOPhaseNoise: def __init__(self, f010e6): self.f0 f0 def measure_using_pseudolite(self, tx_signal, rx_signal): # simple cross-correlation phase extraction corr np.correlate(rx_signal, tx_signal, modesame) phase np.angle(corr) phase_diff np.diff(phase) phase_noise phase_diff - np.mean(phase_diff) return phase_noise def allan_deviation(self, phase_data, tau): N len(phase_data) adev np.zeros(len(tau)) for i, t in enumerate(tau): m int(t / 0.001) if m 1: continue sum_sq 0 for k in range(N - 2*m): sum_sq (phase_data[k2*m] - 2*phase_data[km] phase_data[k])**2 adev[i] np.sqrt(sum_sq / (2 * m**2 * (N-2*m))) return adev def temperature_drift_comp(self, temp_sensor, nominal_temp25, ppm_per_deg0.1): dt temp_sensor - nominal_temp freq_error_hz self.f0 * ppm_per_deg * dt * 1e-6 return freq_error_hz class PLLwithCompensation: def __init__(self, bandwidth15, damping0.707): self.bw bandwidth self.zeta damping self.theta_hat 0 self.freq_hat 0 self.Kp 2*bandwidth self.Ki bandwidth**2 def update(self, phase_error, dt, temp_comp_hz0): self.freq_hat self.Ki * phase_error * dt temp_comp_hz self.theta_hat (self.Kp * phase_error self.freq_hat) * dt return self.theta_hat, self.freq_hat
弹载GNSS软件接收机基带信号处理关键技术解析【附代码】
✨ 长期致力于全球导航卫星系统、GNSS接收机、捕获、矢量跟踪、相位噪声、锁相环、伪卫星研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1基于弹道先验信息辅助的Chirp-Z快速捕获提出一种利用炮弹发射前初始位置和速度信息缩小码相位和载波多普勒搜索范围的方法。先验信息将码相位不确定性从1023个码片压缩至±10个码片多普勒不确定性从±10kHz压缩至±500Hz。采用降采样相干积分将采样率从16.3676MHz降至1MHz运算量减少256倍。在降采样后使用Chirp-Z变换细化频率变换点数M2048频率分辨率达到0.5Hz。实验表明对于载噪比25dB-Hz的信号捕获时间从传统方法的2.3秒缩短至0.12秒频率估计误差5.9Hz。增加相干积分时间至10ms后可捕获低至22dB-Hz的信号。该方法在DSPFPGA平台上实现捕获单元消耗FPGA资源仅12%。2矢量跟踪环与期望弹道辅助的频率跟踪建立基于扩展卡尔曼滤波的矢量跟踪环路状态向量为三维位置、速度、钟差和钟漂共8维。观测量为各通道的码相位和载波频率。传统标量环在动态应力下易失锁矢量环通过融合所有卫星信息提高鲁棒性。在15g加速度、5g/s加加速度的弹道环境下矢量环的频率跟踪误差均方根为4.2Hz而标量环在5秒后失锁。针对信号短时中断(如弹体翻滚)引入期望弹道作为模型预测值在中断期间用弹道积分外推位置保持滤波器递推。中断2秒后信号恢复矢量环在0.3秒内重锁比无辅助情况快5倍。3温补晶振相位噪声测量与对环路影响分析提出一种基于伪卫星自闭环的低成本相位噪声测量方法。发射已知PN码信号接收端解调后提取载波相位通过高阶差分去除多普勒剩余相位即为振荡器相位噪声。测量时间短至1ms频率稳定度 Allan偏差为2.2e-101ms。将实测相位噪声注入仿真接收机分析环路性能。在环路带宽15Hz时相位噪声引起的载波相位误差均方根为3.8度导致解调损失0.7dB。当PCB温度从25℃升至65℃晶振频率漂移达2.3ppm锁相环需增加带宽至30Hz以跟踪漂移但噪声相应增大。提出温度补偿方法通过测温芯片反馈调整NCO使频率漂移降低80%。import numpy as np from scipy.signal import chirp, fft, ifft from scipy.linalg import solve_discrete_are import pyfftw class ChirpZFastAcquisition: def __init__(self, fs16.368e6, code_len1023, doppler_range500): self.fs fs self.code_len code_len self.doppler_range doppler_range def decimate(self, signal, decim_factor16): from scipy.signal import decimate return decimate(signal, decim_factor, ftypefir) def chirp_z_transform(self, x, A1.0, Wnp.exp(-1j*2*np.pi/2048), M2048): N len(x) n np.arange(N) k np.arange(M) A_pow A ** (-n) W_pow W ** (n**2 / 2) y x * A_pow * W_pow h np.zeros(2*N-1, dtypecomplex) for i in range(N): h[i] W ** (-i**2 / 2) y_padded np.zeros(2*N-1, dtypecomplex) y_padded[:N] y g fft(y_padded) * fft(h) v ifft(g)[:M] result v * (W ** (k**2 / 2)) return result def acquire(self, signal, local_code, prior_code_phase0, prior_doppler0): dec_sig self.decimate(signal, 16) dec_code self.decimate(local_code, 16) # search range reduced by prior code_shifts np.arange(prior_code_phase-10, prior_code_phase10, dtypeint) dopplers np.linspace(prior_doppler-500, prior_doppler500, 21) max_corr 0 best_phase 0 best_freq 0 for cp in code_shifts: code_shifted np.roll(dec_code, cp) for fd in dopplers: rotated dec_sig * np.exp(-1j*2*np.pi*fd/self.fs*np.arange(len(dec_sig))) corr np.abs(np.sum(rotated * np.conj(code_shifted))) if corr max_corr: max_corr corr best_phase cp best_freq fd # refine frequency with Chirp-Z if max_corr 0.5*len(dec_sig): refined self.chirp_z_transform(rotated[:2048]) peak_idx np.argmax(np.abs(refined)) best_freq best_freq (peak_idx - 1024) * (self.doppler_range/2048) return best_phase, best_freq class VectorTrackingLoop: def __init__(self, dt0.01): self.dt dt self.F, self.Q, self.H, self.R self._init_matrices() self.P np.eye(8) * 10 self.x np.zeros(8) def _init_matrices(self): F np.eye(8) for i in range(3): F[i, i3] self.dt Q np.diag([0.1,0.1,0.1, 1,1,1, 0.01, 0.001]) * self.dt H np.zeros((2,8)) H[0,0] 1 # code phase H[1,3] 1 # frequency R np.diag([1.0, 1.0]) return F, Q, H, R def predict(self): self.x self.F self.x self.P self.F self.P self.F.T self.Q def update(self, z, sv_pos, user_pos_est): # compute line-of-sight vector los (sv_pos - user_pos_est) / np.linalg.norm(sv_pos - user_pos_est) H_los np.zeros((1,8)) H_los[0, :3] los H np.vstack([H_los, self.H[1:2]]) S H self.P H.T self.R K self.P H.T np.linalg.inv(S) self.x self.x K (z - H self.x) self.P (np.eye(8) - K H) self.P def get_carrier_nco(self): return self.x[3] # velocity derived doppler class TCXOPhaseNoise: def __init__(self, f010e6): self.f0 f0 def measure_using_pseudolite(self, tx_signal, rx_signal): # simple cross-correlation phase extraction corr np.correlate(rx_signal, tx_signal, modesame) phase np.angle(corr) phase_diff np.diff(phase) phase_noise phase_diff - np.mean(phase_diff) return phase_noise def allan_deviation(self, phase_data, tau): N len(phase_data) adev np.zeros(len(tau)) for i, t in enumerate(tau): m int(t / 0.001) if m 1: continue sum_sq 0 for k in range(N - 2*m): sum_sq (phase_data[k2*m] - 2*phase_data[km] phase_data[k])**2 adev[i] np.sqrt(sum_sq / (2 * m**2 * (N-2*m))) return adev def temperature_drift_comp(self, temp_sensor, nominal_temp25, ppm_per_deg0.1): dt temp_sensor - nominal_temp freq_error_hz self.f0 * ppm_per_deg * dt * 1e-6 return freq_error_hz class PLLwithCompensation: def __init__(self, bandwidth15, damping0.707): self.bw bandwidth self.zeta damping self.theta_hat 0 self.freq_hat 0 self.Kp 2*bandwidth self.Ki bandwidth**2 def update(self, phase_error, dt, temp_comp_hz0): self.freq_hat self.Ki * phase_error * dt temp_comp_hz self.theta_hat (self.Kp * phase_error self.freq_hat) * dt return self.theta_hat, self.freq_hat
