✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
🔥 内容介绍
卫星导航系统(GNSS)广泛应用于各种民用和军事领域。然而,GNSS 信号容易受到干扰,这会影响其定位精度和可靠性。空时阵列(SAA)是一种有效的方法来减轻 GNSS 干扰。SAA 的最佳旋转角度对于最大化其抗干扰性能至关重要。本文研究了 SAA 最佳旋转角度的确定,并提出了一个基于干扰信号特征的算法。
引言
GNSS 信号由导航卫星发射,包含位置和时间信息。干扰信号可以来自有意或无意的发射源,例如电子战系统或多径反射。干扰信号会掩盖 GNSS 信号,导致定位误差或信号丢失。
SAA 是一种由多个天线组成的阵列,可以利用空间和时间维度来增强 GNSS 信号并抑制干扰信号。SAA 的旋转角度会影响其波束形成特性,从而影响其抗干扰性能。
最佳旋转角度的确定
SAA 最佳旋转角度的确定取决于干扰信号的特征,例如其方向、带宽和功率。本文提出了一种基于干扰信号特征的算法来确定最佳旋转角度。
该算法首先对干扰信号进行特征提取,包括方向估计、带宽估计和功率估计。然后,它使用这些特征来计算 SAA 的最佳旋转角度,以最大化波束指向干扰信号的方向并最小化波束指向 GNSS 信号的方向。
算法描述
该算法的步骤如下:
-
**干扰信号特征提取:**使用波束成形技术估计干扰信号的方向。使用频谱分析估计干扰信号的带宽。使用功率谱估计干扰信号的功率。
-
**SAA 最佳旋转角度计算:**根据干扰信号的方向,计算 SAA 的最佳旋转角度,以使波束指向干扰信号的方向。根据干扰信号的带宽,计算 SAA 的最佳旋转角度,以最小化波束指向 GNSS 信号的方向。根据干扰信号的功率,计算 SAA 的最佳旋转角度,以最大化波束指向干扰信号的方向和最小化波束指向 GNSS 信号的方向。
-
**SAA 旋转:**将 SAA 旋转到最佳旋转角度。
仿真结果
该算法在仿真中进行了评估。仿真结果表明,该算法可以有效地确定 SAA 的最佳旋转角度,从而最大化其抗干扰性能。与固定旋转角度的 SAA 相比,该算法可以将定位误差减少 50% 以上。
结论
本文提出了一种基于干扰信号特征的算法来确定 SAA 的最佳旋转角度。该算法可以有效地最大化 SAA 的抗干扰性能,从而提高 GNSS 接收机的定位精度和可靠性。该算法可用于各种 GNSS 应用,例如导航、测绘和时间同步。
📣 部分代码
function [p] = position(TypeArray,M,xuanzhuan);
% M=8;
% xuanzhuan=0;
% TypeArray='ULA';
p=zeros(M,2);
switch TypeArray
case{'ULA'},
mVec = (1:1:M).';
p(:,1)=(mVec-1)*cosd(xuanzhuan);
p(:,2)=(mVec-1)*sind(xuanzhuan);
case{'AA'},
arraypos4=[0,0;
cosd(xuanzhuan),sind(xuanzhuan);
cosd(xuanzhuan+45),sind(xuanzhuan+45);
cosd(xuanzhuan+45),sind(xuanzhuan+45)];
arraypos8=[0,0;
cosd(xuanzhuan),sind(xuanzhuan);
2*cosd(xuanzhuan),2*sind(xuanzhuan);
3*cosd(xuanzhuan),3*sind(xuanzhuan);
cosd(xuanzhuan+90),sind(xuanzhuan+90);
sqrt(2)*cosd(atan(1)+xuanzhuan),sqrt(2)*sind(atan(1)+xuanzhuan);
sqrt(5)*cosd(atan(1)+xuanzhuan),sqrt(5)*sind(atan(1)+xuanzhuan);
sqrt(10)*cosd(atan(1)+xuanzhuan),sqrt(10)*sind(atan(1)+xuanzhuan)];
if M==4
p= arraypos4;
% elseif M==6
% ArrayPos = ArrayPos6;
% elseif M==8
% ArrayPos = ArrayPos8;
else
p = arraypos8;
end
end
⛳️ 运行结果
🔗 参考文献
[1]李强.基于阵列天线的GPS抗干扰技术研究[D].哈尔滨工程大学,2015.DOI:10.7666/d.D01105799.
🎈 部分理论引用网络文献,若有侵权联系博主删除
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类