一、接收机灵敏度
灵敏度是来自天线的最小信号电平的特定值,在该特定值处接收器可以提供足够的输出信噪比(SNR)。最小可辨别信号(MDS)是0dB射频信噪比(RFSNR)的信号电平。MDS通常以dBm表示。


二、接收机动态范围
以dB为单位的接收器的动态范围,可以定义为在不改变波形(由于饱和引起的失真)的情况下可以接收的最大可能信号电平,和最小可辨别信号,两者都以dBm为单位。

当前文章被以下社区和专栏收录:
本文介绍了接收机的两个关键参数:灵敏度和动态范围。灵敏度是指接收器在提供足够输出信噪比(SNR)时,能够接收到的来自天线的最小信号电平,通常以dBm衡量。动态范围则表示接收器能处理的信号最大和最小电平的差距,以dB为单位,不引起失真的条件下。
灵敏度是来自天线的最小信号电平的特定值,在该特定值处接收器可以提供足够的输出信噪比(SNR)。最小可辨别信号(MDS)是0dB射频信噪比(RFSNR)的信号电平。MDS通常以dBm表示。


以dB为单位的接收器的动态范围,可以定义为在不改变波形(由于饱和引起的失真)的情况下可以接收的最大可能信号电平,和最小可辨别信号,两者都以dBm为单位。

天线基础知识(四)接收灵敏度
接收灵敏度是指无线设备正常工作所需的天线口最小信号接收功率。系统间的干扰会导致无线设备灵敏度的下降,影响信号的正常接收,因此通常以无线设备灵敏度准则作为被干扰系统的保护准则。 无线传输的接收灵敏度类似于人类的听力,在日常环境下,听力越好的人捕捉声音的能力越敏捷。同理,无线设备接收灵敏度越高可捕获弱信号的能力越强,若接收的信号能量小于它的接收灵敏度时,无线设备将不会接收到任何数据。
通信与雷达灵敏度:解调与检测的工程差异解析
灵敏度是衡量接收机微弱信号处理能力的核心指标,但在通信与雷达系统中,其定义与计算路径截然不同。通信灵敏度以解调门限和噪声系数为基准,通过链路预算确定满足误码率所需的最小输入功率;雷达灵敏度则依托雷达方程与积累增益,在给定虚警概率和检测概率下反推可检测回波功率,进而锁定作用距离。理解这种差异,对评估射频系统性能、优化接收机设计至关重要。随着雷达通信一体化设备的兴起,如何在同一套硬件上权衡两套灵敏度体系,成为工程实践中的关键挑战。本文从公式推导到实测校验,系统对比两者的边界与取舍逻辑。
模拟接收机与SDR对比:从超外差原理到软件定义无线电实战选型
在无线电接收领域,超外差接收机作为经典架构,通过混频、中频放大等模拟电路实现信号解调,其设计体现了专用硬件的高可靠性与直接操控感。而软件定义无线电(SDR)则代表了现代射频数字化趋势,其核心原理在于将模数转换(ADC)前置,通过软件算法灵活处理信号,实现了从滤波、解调到频谱显示的全功能可编程。从技术价值看,SDR的核心优势在于其强大的灵活性与扩展性,支持多种调制方式与实时频谱分析,极大降低了多模式通信与信号监测的门槛。在业余无线电、广播收听、信号监测等应用场景中,设备选型需权衡动态范围、抗干扰能力与操作体验
ADS2023实战:2.4GHz超外差接收机从设计到链路预算全流程解析
本文以ADS 2023软件为平台,详细解析了2.4GHz超外差接收机从核心指标定义、架构原理到完整链路搭建与仿真的全流程。通过实战演练,重点阐述了如何利用ADS进行谐波平衡仿真和链路预算分析,以量化评估系统增益、噪声系数等关键性能,为射频工程师提供了一套从理论到仿真的系统级设计方法。
雷达接收机架构设计与核心性能指标解析
雷达接收机作为现代雷达系统的核心部件,其架构设计直接影响系统性能。从高频信号处理到数字信号转换,接收机通过低噪声放大器(LNA)、混频器、中频处理等模块实现信号链路的优化。关键技术指标如噪声系数、动态范围和相位噪声决定了接收机的灵敏度与稳定性,这些参数在气象雷达、合成孔径雷达等应用场景中具有关键作用。随着软件定义无线电(SDR)和光子技术的发展,现代接收机正朝着可重构架构和大带宽方向演进,同时人工智能技术为接收机设计带来了新的优化手段。
深入解析SFDR:射频与混合信号系统的无杂散动态范围核心概念与应用
在射频与混合信号系统设计中,动态范围是衡量系统性能的核心指标之一,它决定了系统在存在干扰时分辨微弱信号的能力。其原理源于系统的非线性特性,如谐波失真和交调失真,这些非线性效应会引入确定性杂散,限制系统的有效工作范围。SFDR(无杂散动态范围)的技术价值在于,它量化了系统在强干扰背景下可用的纯净信号范围,是保障接收机灵敏度、评估频谱纯净度和进行系统级联分析的关键参数。在工程实践中,SFDR的应用场景广泛,包括通信链路预算、数据转换器选型以及雷达等微弱信号检测系统。理解其相对于基波、满量程及噪声本底的不同定义,
雷达接收机噪声系数与灵敏度:从底噪到探测距离的核心指标解析
噪声系数与灵敏度是射频接收链路设计的核心参数。噪声系数衡量器件引入的噪声恶化程度,通过级联公式可知第一级低噪声放大器的增益与噪声特性对整体性能起决定性作用。灵敏度则定义了在噪声背景下可检测的最小信号功率,由噪声系数、带宽和所需信噪比共同决定。理解这些原理有助于在弱信号探测、强信号抗饱和及宽带波形等场景中合理权衡噪声系数、线性度与动态范围,从而优化接收机链路预算与探测距离。
雷达接收机噪声系数与灵敏度:从级联公式到工程权衡
噪声系数与灵敏度是射频接收链路的核心指标,决定了系统能检测到多弱的信号。噪声系数衡量信噪比劣化程度,级联公式表明第一级低噪声放大器几乎主导整体性能;灵敏度则由热噪声底、带宽、噪声因子和所需信噪比共同决定。理解这些原理有助于在远距离弱目标检测、强信号抗饱和、带宽受限系统等场景中做出合理设计权衡。本文深入解析雷达接收机中噪声系数与灵敏度的定义、计算及工程应用,结合GaAs/GaN低噪声放大器与AESA阵列实例,提供链路预算的实用方法。
雷达接收机噪声系数与灵敏度:从热噪声到探测极限的工程解析
雷达接收机的噪声系数(NF)是衡量其信噪比恶化能力的关键指标,本质反映前端器件对微弱信号分辨力的损伤程度;而灵敏度则是在特定带宽、检测门限和噪声因子约束下,系统可可靠捕获的最小输入功率(单位dBm)。二者共同锚定雷达探测下限——由热噪声基底(-174 dBm/Hz)出发,经噪声因子F放大,并叠加信号处理所需的最小信噪比(SNR_min),最终决定实际探测能力。在S波段至X波段雷达设计中,第一级LNA的NF与增益直接主导系统总噪声性能,GaAs/GaN工艺因其低NF与高线性度平衡成为主流选择。该原理广泛应用于
雷达接收机噪声系数与灵敏度:从级联公式到工程预算的完整拆解
噪声系数与灵敏度是射频接收链路设计的核心参数。噪声因子衡量信噪比恶化程度,级联公式揭示第一级增益对系统噪声的压制作用;灵敏度则通过热噪声底、带宽与所需信噪比的预算关系,定义最小可检测信号功率。理解这些概念有助于在低噪声放大器选型、链路增益分配与动态范围之间做出工程权衡,广泛应用于雷达、通信等接收机链路预算与方案评估。本文深入拆解噪声系数与灵敏度的定义、计算及易混概念,结合级联公式与工程实例,帮助读者掌握链路预算的核心方法。
雷达接收机噪声系数与灵敏度计算:级联公式、LNA与链路预算
在射频接收链路中,噪声系数与灵敏度是衡量微弱信号检测能力的两个基础指标。噪声系数描述器件或链路对输入信噪比的恶化程度,级联系统中后级超额噪声会被前级增益压缩,因此低噪声放大器(LNA)的位置与增益分配往往决定整机噪声表现;灵敏度则以热噪声底−174 dBm/Hz为起点,结合带宽、噪声系数和所需信噪比折算到输入端最小可检测功率。做好链路预算,可在雷达、电子侦察、通信接收等场景中平衡作用距离、动态范围与成本。相参积累、脉冲压缩和架构演进,则进一步影响灵敏度的实际收益。围绕雷达接收机,噪声系数、级联公式与灵敏度计
FPGA编译加速实战:6大可落地的Vivado优化策略
FPGA编译本质上是NP-hard约束满足问题求解,而非传统软件编译;Vivado作为时序驱动的硬件实现工具链,其耗时瓶颈集中在Implementation阶段的布局布线(PnR)与逻辑优化。理解这一原理,才能跳出‘加线程’‘升版本’等表面优化,转向精准时序约束、增量编译、物理锚点控制、IP配置精简等工程级干预。这些技术手段直接作用于Vivado的Tcl执行流与底层求解空间,显著压缩搜索范围、减少无效迭代——尤其适用于Zynq/UltraScale等中大型项目(LUT > 80K、多时钟域、DDR/PCIe
基于SSM的足浴管理系统(源码+开题)
研究内容: 本研究的内容主要包括以下几个方面:首先,我们需要对现有的足浴管理系统进行深入的研究和分析,了解其优缺点;最后,我们需要对新设计的系统进行评估和优化,以满足用户的需求和提升系统的使用体验。因此,开发一种基于SSM的足浴管理系统,能够有效地解决这些问题,提高足浴服务的质量和效率。研究目的: 本研究的主要目的是设计和实现一个功能完善、操作简便、用户体验良好的基于SSM的足浴管理系统。通过对系统的研究和设计,我们希望能够为足浴服务行业提供一个高效、便捷的工具,从而推动足浴服务行业的发展。
Adams软件安装与配置全攻略:从入门到机器人仿真
机械系统动力学仿真软件Adams是工业机器人开发的重要工具,其安装过程涉及许可证配置、环境变量设置等关键技术环节。专业仿真软件安装通常需要处理系统兼容性、组件依赖和授权验证等工程问题,特别是在机器人控制仿真等场景中,还需集成MATLAB/Simulink等第三方工具。本文以Windows平台为例,详解Adams安装的核心步骤,包括系统环境检查、许可证服务器配置、工业机器人专项模块安装等实践要点,并针对NVIDIA Quadro显卡优化、27500端口通信等常见问题提供解决方案,帮助用户快速搭建可靠的仿真环境
【origin】负载牵引的Smith圆图
export导出为txt,得到的是幅相值,复制到excel如下图,有多根类似格式的线,只需要复制DE列到origin中。回到sheet,发现新增了选中的一组值,就是解释过后的值。笔者没找到把所有线一起画出的方法,只能蠢一点,一组一组画。而且,箭头所指的位置都变成了Y轴(应该要为X轴)以此类推,把之后的曲线都画完,可以汇总到一个图中。显示以下界面,点击右上圆图,选择解释。会生成新的graph,再重新解释一次。选择第二组线,同样画smith圆图。选中第一组线,选smith圆图。复制到origin,如下图。
C++构建量化回测框架:从雪球组合信号到策略验证实战
量化回测是策略研发的核心环节,它通过历史数据模拟交易,评估策略的收益风险特征。其原理在于构建一个包含数据获取、信号生成、交易模拟和绩效评估的闭环系统,以检验策略逻辑在历史市场环境中的表现。这项技术的核心价值在于将主观投资思路客观化、系统化,帮助开发者识别策略的有效性与潜在缺陷。在应用场景上,量化回测广泛应用于股票、期货、数字货币等金融市场的策略研发与优化。本文聚焦于使用C++实现一个本地化、自动化的回测框架,重点解析如何高效抓取雪球组合持仓数据,并构建严谨的**回测引擎**以模拟真实交易环境,同时深入探讨了
常用元器件使用方法3:电平转换芯片74LVC1T45的使用方法
介绍: 74LVC1T45是一个单位双向可控电平转换芯片。 芯片特性: 1、宽供给电压范围:1.65V到5.5V; 2、3.3V时,可输出24mA电流; 3、最大16uA电能损耗; 4、高噪音抑制; 型号: 引脚: VCC(A) 1 A端和DIR电源 GND 2 地 A 3 数据输入/输出 B 4 ...
FISCO BCOS(十二)——— 区块链关键概念
1、什么是区块链 区块链(blockchain)是在比特币之后提出的一个概念,在中本聪关于比特币的论文中没有直接引入blockchain的概念,而是以chain of block来描述一种数据结构,比特币采用区块链技术,但是区块链并不等同于比特币。 Chain of block是指由多个区块通过哈希(hash)串联成一条链式结构的数据组织方式。区块链则是采用多项技术交叉组合,维护管理这个chain of block数据结构,形成一个不可篡改的分布式账本的综合技术领域。 区块链已经应用于数字货币、金融、司法、
【软考】高项论文写作常见模板
本文主要介绍了YYYY年MM月DD日,我所在公司承接了XXXX项目的建设过程,包括了XXX,XXX,XXX内容,涉及到XXX,XXX,XXX技术。本人在项目中承载着项目经理的角色,主要负责了XXX,XXX,XXX方面事宜。此项目时间紧,任务重,实施过程中,我们特别注重了1、XXX 2、XXX 3、XXX几个方面,经过团队的一致努力,本项目按时交付,运行至今,客户反馈良好。但是在实施过程中,也曝露除了一些问题,包括了XXX,XXX等,通过应急处理和协调,这些问题都得到了妥善解决,没有影响到项目进度。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包
213
370

被折叠的 条评论
为什么被折叠?



