✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）多相非均匀滤波器组与奇型子带交叠信道化：
为实现3.2GHz带宽内信号的高分辨率频谱监测，采用奇型子带交叠结构的信道化设计。将6.4GSPS采样数据通过8路多相分解后，每路数据率为800MSPS，利用多相离散傅里叶变换滤波器组将宽带频谱均匀划分为2048个子带，每个子带宽约1.56MHz。为了获得双精度频谱，第一路信道化数据再经过一级快速傅里叶变换得到18.75MHz分辨率谱；同时，将原始数据进行重采样后送入第二信道化，划分更窄的子带并使用2048点FFT，最终实现150kHz分辨率频谱。信道化滤波器原型为1024阶的根升余弦，阻带衰减80dB，利用多相分解后硬件仅需128个乘法器。子带交叠设计采用奇下标调制，避免了子带间保护频带浪费，实现了均匀无缝覆盖。
（2）重叠保留FFT功率谱估计与频谱聚焦模块：
在每个子带内，采用重叠保留50%的快速傅里叶变换进行功率谱估计，每次处理2048点，频率分辨率与分析带宽匹配。功率谱计算采用Welch方法，对多帧谱进行指数平均，时间常数可配置。为支持频谱聚焦功能，设计了一个频带合成与聚焦控制模块：用户可在上位机指定中心频率和监视带宽，FPGA实时根据配置重新排列子带数据，通过多相内插合成聚焦频段的时域信号再进行高分辨率FFT，等效于在对感兴趣频段进行局部精细分析而不损失整体监测功能。聚焦模式下等效频率分辨率可达1.5kHz，整体频谱更新率100Hz。
（3）JESD204B高速接口与双网口数据流输出：
中频模块输入数据由ADC采样后经JESD204B接口协议接收，采用Xilinx JESD IP核配置为8 lane、12.5Gbps线速率。数据预处理阶段完成JESD解帧、通道重排序和直流偏移消除。处理完毕的频谱数据通过独立双路千兆以太网口输出，支持UDP包封装和自定义帧头，传输速率合计1.8Gbps。上位机接收后实时绘制频谱图和瀑布图。系统整体逻辑资源消耗LUT 18万，时序通过约束满足250MHz运行，实测动态范围48dB，平坦度±2.5dB，优于设计指标。
import numpy as np from scipy.signal import firwin, freqz import matplotlib.pyplot as plt # 多相滤波器组信道化 class PolyphaseChannelizer: def __init__(self, num_channels=2048, taps_per_ch=128): self.M = num_channels self.L = taps_per_ch # 原型滤波器设计 self.prototype = firwin(self.M*self.L, 1/(2*self.M), window='hann') # 多相分解 self.poly_filt = self.prototype.reshape((self.M, self.L), order='F') def analysis(self, x): # x 为串行输入，先多相分解 x_poly = x.reshape((-1, self.M)).T # (M, N/M) output = np.zeros_like(x_poly) for m in range(self.M): # 多相滤波 for l in range(self.L): output[m] += self.poly_filt[m, l] * np.roll(x_poly[m], -l) # 调制（奇型子带） phase = np.exp(-1j * 2*np.pi * (m-0.5) * np.arange(output.shape[1]) / self.M) output[m] *= phase return output # 重叠保留Welch谱估计 def welch_psd(data_segment, fft_size=2048, overlap=0.5, fs=1.0): step = int(fft_size * (1-overlap)) psd_accum = np.zeros(fft_size) count = 0 for i in range(0, len(data_segment)-fft_size, step): frame = data_segment[i:i+fft_size] * np.hanning(fft_size) spectrum = np.fft.fft(frame, fft_size) psd_accum += np.abs(spectrum)**2 count += 1 psd = psd_accum / count psd = 10*np.log10(psd / fs) return psd # 频谱聚焦重合成 def spectrum_focus_reassembly(subband_data, center_freq, bandwidth, chan_bw): start_chan = int((center_freq - bandwidth/2) / chan_bw) end_chan = int((center_freq + bandwidth/2) / chan_bw) # 重排子带 focused = subband_data[start_chan:end_chan, :] # 多相内插合成 up_rate = 16 output_len = focused.shape[1] * up_rate synthetic = np.zeros(output_len, dtype=complex) for ch in range(focused.shape[0]): upsampled = np.zeros(output_len) upsampled[::up_rate] = focused[ch] # 低通插值 synthetic += np.convolve(upsampled, firwin(64, 1/up_rate), 'same') return synthetic # JESD解帧简化 def jesd_frame_unpack(raw_data, lane_count=8): samples = [] for word in raw_data: for lane in range(lane_count): sample = (word >> (lane*12)) & 0xFFF # 12bit ADC samples.append(sample) return np.array(samples)
