• 제목/요약/키워드: Normalized Envelop Detection

검색결과 3건 처리시간 0.017초

정규화 포락선 검파기와 얼리-레이트 필터를 적용한 새로운 홉 타이밍 예측기 (A New Hop-Timing Estimator with a Normalized Envelop Detector and an Early-Late Filter)

  • 이주형
    • 한국통신학회논문지
    • /
    • 제32권4C호
    • /
    • pp.355-361
    • /
    • 2007
  • 본 논문에서 정규화 포락선 검파 기법(NED ; Normalized Envelop Detection)과 얼리-레이트 필터(ELF ; Early-Late Filter)가 적용된 새로운 홉 타이밍 예측기를 제안하였다. 제안한 구조의 성능 검증을 위해 컴퓨터 시뮬레이션으로 제안한 시스템과 기존 시스템의 동기 오차 측정 결과를 비교하였다. 시뮬레이션 결과를 통해서 부분 대역 재밍 환경에서 제안 구조가 기존 구조보다 정확하게 동기오차를 예측하는 것을 확인할 수 있었으며, 이러한 경향은 $E_b/N_j$와 재밍점유대역비(rho)가 낮을수록 더욱 뚜렷하였다.

부분 대역 재밍 환경에서 SFH(Slow Frequency Hopping) 위성 통신 방식을 사용하는 A-NED(Adaptive NED) 알고리즘 항재밍 성능 분석 (A Study of Anti-Jamming Performance using A-NED(Adaptive NED) Algorithm of SFH(Slow Frequency Hopping) Satellite Communication Systems in PBNJ)

  • 김성호;신관호;김희중;김영재
    • 한국군사과학기술학회지
    • /
    • 제13권1호
    • /
    • pp.30-35
    • /
    • 2010
  • As of today, Frequency Hopping techniques are widely used for over-channel interference and anti-jamming communication systems. In this paper, analysis the performance of robustness on the focus of some general jamming channel. In FH/SS systems, usually SFH(Slow Frequency Hopping) and FFH(Fast Frequency Hopping) are took up on many special communication systems, the SFH, FFH are also combined with a channel diversity algorithm likes NED(Normalized Envelop Detection), EGC(Equal Gain Combines) and Clipped Combines to overcome jammer's attack. This paper propose Adaptive-NED and shows A-NED will be worked well than the others in the some general jamming environments.

음향 방출 신호와 히스토그램 모델링을 이용한 유도전동기의 베어링 결함 검출 (Bearing Faults Identification of an Induction Motor using Acoustic Emission Signals and Histogram Modeling)

  • 장원철;서준상;김종면
    • 한국컴퓨터정보학회논문지
    • /
    • 제19권11호
    • /
    • pp.17-24
    • /
    • 2014
  • 본 논문에서는 저속으로 회전하는 유도 전동기의 베어링 결함을 검출하기 위해 음향 방출 신호와 히스토그램 모델링을 이용하는 방법을 제안한다. 제안한 방법은 정규화된 결함 신호가 구성하는 히스토그램의 포락선을 모델링하여, 부분 상관 계수와 DET(Distance Evaluation Technique) 기법을 이용하여 결함 유형별 고유한 특징을 추출 및 선택한다. 추출된 특징을 SVR(Support Vector Regression) 분류기의 입력으로 사용하여 베어링의 내륜, 외륜 및 롤러 결함을 분류한다. 최적의 분류 성능을 위해 SVR 커널함수의 매개변수를 0.01에서 1.0까지 변화시키고, 특징 개수는 2에서 150까지 변화시키면서 실험한 결과, 0.64-0.65의 매개변수와 75개의 특징 개수에서 제안한 방법은 약 91%의 분류 성능을 보였고, 또한 기존의 결함 분류 알고리즘보다 높은 분류 성능을 보였다.