在高动态情况下北斗通信终端还能不能发送短消息?

双向数据通信是北斗卫星导航系统的一大特色。地面上的两个北斗终端能够以北斗卫星作为中继,实现双向数据通信,为沙漠、戈壁、海洋、山区等地面网络信号无法完全覆盖的地区提供了一种非常重要的通信手段。

北斗卫星通信系统的信号流程采用的是“终端 - 卫星 - 信关站 - 卫星 - 终端”的模式,具体信号流程如下所示:

北斗通信信号流程图

北斗通信信号流程图

北斗终端1要给北斗终端2发送短消息。

终端1将业务数据进行编码、调制之后通过天线发射出去,北斗卫星接收到信号后对其进行放大、变频等处理,然后转发至地面信关站。信关站接收信号后,进行解调、解析、处理,并生成新的数据帧,重新调制后再次将信号发回卫星。卫星再次对其放大、变频、转发,终端2接收到信号后将其转换为业务数据,输出给用户设备。

我们常用的北斗通信终端一般用于地面、车载、船载、无人机等应用场景,这些场景下的运动速度较低,北斗双向通信没有问题。


如果北斗终端1安装在高速运动的载体上,而北斗终端2放置在地面,需要实现的功能是:将高速载体上的关键信息传输到地面。那么在这种高速运动的场景下,北斗终端1发送的信息,北斗终端2还能正常接收吗?如果不能,如何保证终端2能正常接收信息?

在高速运动的场景下,必须考虑多普勒频移的影响。

多普勒频移的原理

当发射端向接收端发射信号时,若两者之间不存在相对运动,则接收频率等于发射频率。但若两者之间存在相对运动,接收信号的频率就会发生变化。

其中:

  • • fr:接收频率;

  • • ft:发射频率;

  • • v:发射端与接收端之间的相对速度;

  • • c:光速,约为 3×10⁸ m/s。

当发射端和接收端相互靠近时,取“+”号,接收频率大于发射频;远离时取“-”号,接收频率小于发射频率。

示例计算:

已知:

  • • 发射频率 ft = 2.5 GHz = 2.5×10⁹ Hz;

  • • 相对速度 v = 2000 m/s;

  • • 光速 c = 3×10⁸ m/s;

  • • 发射端和接收端两者相互靠近。


北斗入站信号的频偏范围

正如前面所述,在北斗通信流程中,终端1发射的信号经卫星转发至地面信关站,信关站需对接收信号进行解调处理。因此,解调器能容忍的最大频偏是一个关键参数。

北斗区域RDSS通信使用的卫星为地球同步轨道(GEO)卫星,其相对于地面基本静止。因此,地面固定设备(如信关站、终端2)因卫星运动引起的多普勒频移很小。

例如,北斗GEO卫星存在轨道定点漂移(约±0.1°),导致与地面站之间产生 ±50 m/s 的相对速度。对应的多普勒频移为:

因此,引起多普勒频移的主要因素是高速运动下终端1与卫星之间的相对速度。

根据《航空辅助监视北斗机载设备规范》《北斗卫星导航系统用户终端通用技术要求》《北斗三号民用RDSS模组产品规范》等文档的规定,RDSS终端发射的入站申请信号中心频率与标称频率的频偏应满足以下条件:

然而,高速运动产生的多普勒频移往往超过这一限制。因此,若北斗终端1按标称频率1.6 GHz发射信号,地面信关站可能无法正常解调。


解决方案:发射频率补偿机制

北斗终端1在发射信号的同时也接收卫星信号。北斗卫星下行发射频率约为2.5 GHz,假设终端1与卫星之间存在相对速度 v,且二者不断靠近。

此时终端1接收到的卫星信号多普勒频移为:

该频移值可在北斗接收机基带信号处理的PLL环路中测量得到。

由此可得终端与卫星的相对速度:

要想终端发射的信号到达卫星的时候,接收频率 fr 等于标准频率1.6GHz,终端实际应该发射信号的频率 ft,a 是多少?

上式中的V用v = fd,d/8.34代入。

我们发现 fr = 1.6 GHz 是已知量,接收多普勒频移fd,d是测量值,即可求得实际发射频率ft,a。


测量和补偿的时间差

在高速运动的场景下,多普勒频偏也是不断变化的,接收通道得到了多普勒频偏,然后计算相对速度,再计算实际发射信号频率,中间存在计算延迟。在时间差时段内,多普勒频偏已经发生变化,导致补偿不充分,影响补偿效果。

但在工程实践中,并不需要单独计算相对速度 v,而是直接利用基带信号处理模块(一般在FPGA内实现),接收PLL环路跟踪获取的fd,d来实时计算发射信号频率,然后实时调整发射频率,从而最大程度减少测量与补偿之间的时间差,确保补偿的时效性和准确性。


总结

北斗 RDSS 短报文通信在高动态环境下面临的主要挑战是多普勒频移过大,超出卫星接收模块的容忍范围。通过对接收信号的多普勒频移进行测量,并据此对发射频率进行实时补偿,可以有效提升北斗终端在高速、高加速度场景下的适应性。

码字不易,大家觉得文章不错,就安排一下一键三连吧:点赞、分享、推荐。

推荐阅读:

GNSS接收机的定位合集:定位原理,误差来源,定位精度分析

用于点对点数传通信的天通卫星终端

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数正则化** CNN中使用非线性激活函数来引非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
内容概要:本文介绍了一种基于CEEMDAN-BiLSTM的中短期天气预测模型,通过将完全集合经验模态分解自适应噪声(CEEMDAN)双向长短期记忆网络(BiLSTM)相结合,实现对复杂气象时间序列的精度预测。首先利用CEEMDAN对原始气象数据进行多尺度分解,获得多个本征模态函数(IMF)分量和残差,有效解决模式混叠噪声干扰问题;随后对各IMF分量分别构建BiLSTM模型进行独立预测,充分发挥其对前后时序依赖的建模能力;最后通过集成重构输出最终预测结果。文中还包含了数据预处理、特征提取、模型评估可视化等完整流程,并提供了MATLAB实现的部分代码示例。该方法显著提升了天气预测的准确性鲁棒性,适用于多类气象要素的中短期趋势预测。; 适合人群:具备一定机器学习和时间序列分析基础,从事气象、环境、能源等领域研究或工程应用的研发人员、校研究生及数据科学家。; 使用场景及目标:①应用于温度、风速、降水等气象变量的中短期精准预测;②解决传统模型在非线性、多尺度气象信号建模中的局限性;③构建智能气象预测系统,服务于电力调度、灾害预警、智慧农业等实际业务场景。; 阅读建议:建议结合MATLAB代码实践操作,深理解CEEMDAN分解机制BiLSTM建模细节,重点关注数据预处理、模型参数调优结果集成策略,同时可扩展至多变量联合预测以提升应用价值。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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