הבנה של FSK Modulation במערכות בזמן אמת

(הופנה מהדף FSK) היא תוכנית מודולציה דיגיטלית בסיסית, אשר מעבירה נתונים על ידי שינוי תדירות המוביל בין ערכים דיסקרטיים. in binary FSK (BFSK), שני תדרים מייצגים לוגיקה 0 ו-1, בעוד M-ary FSK משתמש בתדרים מרובים עבור מהימנות גבוהה יותר של נתונים.

מערכות בזמן אמת לכפות מועדים נוקשים לעיבוד אותות.A פספס או מעקב זיהוי יכול לגרום לאובדן החבילה, רנסנסרים, או כישלון תקשורתי מוחלט. לכן, אופטימיזציה של אלגוריתמים לזיהוי FSK אינה רק שיפור ביצועים - זה הכרחי להפעלה אמינה בסביבות קריטיות בזמן.מהנדסים חייבים לאזן דיוק, שקיפות, ויעילות חישובית, לעתים קרובות בתוך הכוח הדוק וזיכרון של חומרה מוטבעת.

התפקיד הקריטי של אופטימיזציה ביישומים בזמן אמת

ביישומים כמו FLT:0 (FLT:0) ניטור ניטור ניטור FSK נושא הוראות חיוניות או נתוני חיישן:2autonomous רחפנים שליטה FLT 3, אותות FSK נושאים פקודות חיוניות או נתוני חיישן.כל עיכוב במחיקת השינויים בתדירות יכול להוביל לזיהוי מוקדם של נקודות זמן (למשל עיכובים של 1K במערכת בקרה סגורה עשויים לגרום לפתרון יתר או חנקן באופן דומה של סימנים רפואיים מדויקים).

יתר על כן, ככל שמספר המכשירים המחוברים גדל, טווח הרדיו הופך צפוף.הפרעה מ משדרים אחרים של FSK או מקורות רעשים צרים גורם לזיהוי קשה יותר.אלגוריתם מותאם לשינויים בתנאי רעש יכול לשמור על שלמות התקשורת מבלי לדרוש הגנה יקרה או שידור גבוה יותר כוח.

אתגרים מרכזיים ב-Time FSK

מכשולים רבים מסבך את גילוי FSK במערכות בזמן אמת:

  • (FLT:0) רעש ו InterferenceveFLT:1: רעש גאוסי לבן (AWGN), ריבוי זעזועים והתערבות משותפת מחלחלת ליחס האות-לרעש (SNR) הגלאי חייב להבחין בין שינויים וספי רעש אקראיים.
  • (FLT:0) עיבוד PowerFLT:1: מיקרו-בקרים משובצים רבים חסרים יחידות צף או מהירויות שעון גבוהות הדרושים לאלגוריתמים מורכבים כמו FFT מהיר (FFT) בשיעורי דגימות מעל 100 kHz.
  • (FLT:0)Low Latency Constraintsvesph:1 ; מערכות בזמן אמת דורשות לעתים קרובות זיהוי בתוך חלק מתקופה סמל.
  • (FLT:0) דיוקיות לעומת מורכבות המסחר-offtureFLT:1: שיטות זיהוי סופיסטיות (למשל, סבירות מקסימלית) מציעים BER נמוך יותר, אבל לצרוך יותר מדי מחזורי CPU. פתרון מעשי חייב למצוא את הנקודה המתוקה שבה זיהוי מהיר מספיק אך אמין.
  • (ב) ב[[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]], [[1924]]]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]]

אסטרטגיות אופטימיזציה לגילוי Algorithms

להתגבר על אתגרים אלה דורש גישה רב-מכוונת המשלבת יעילות אלגוריתמית, האצה חומרה וטכניקות הסתגלות.אסטרטגיות הבאות הוכחו לשיפור ביצועים בזמן אמת FSK.

1. ארכיטקטורת עיבוד אותות יעילה

(ה) שיטות זיהוי FSK הנפוצות ביותר הן FLT:0non-coherentFLT:1 (ללא התייחסות שלב) ו- FLT:2coherental: 3 גלאי לא-קוהרנטיות, כגון מעטפה או גילוי אנרגיה, הם פשוטים יותר מתאימים לסביבות נמוכות של NR.

גישה יעילה נוספת היא שימוש באלגוריתם DFT:0 אלגוריתם Goertzel veFLT:1 כדי לזהות תדרים ספציפיים.אלגוריתם Goertzel קובע אלגוריתם DFT יחיד עם פעולות מינימליות, מה שהופך אותו אידיאלי עבור זיהוי שני (או יותר) FSK טון ללא FSK מלא FFT. זה דורש רק שתי משוואות תיקון לדגימה, אשר מתאים באופן מסודר ל-Dpoints או ל-FSK הוא בשימוש נרחב עם סמלים.

(ב) גם אם רוחב הפס FSK הוא צר הרבה יותר מאשר קצב הדגימה, מה שמכתיב את האות לאחר מסנן נגד הפליטה מקטין את מספר הדגימות לתהליך.

אזהרת חומרה עם DSPs ו- FPGAs

(ה) כאשר אופטימיזציה של תוכנה אינם מספיקים, האצה חומרה הופכת להכרחית:0Digital Signal Processors (DSPs) ההרחבה 1 (DSPs) תכלול יחידות מתכפלות, buffers מעגליים, והוראות מחזור יחיד לסינון ולתאם.

(FLT:0)Field-Programmable Gate Arrays (FPGAs) מציע ביצועים גדולים יותר על ידי יישום צינור זיהוי שלם בלוגיקה במקביל, בנק מסנן מותאם יכול לעבד כל דגימה במחזור שעון אחד, ומכונה המדינה מטפלת בהחלטות סמל.FPGAs משמשים בדרך כלל ב-FLT:2 Software-oriented radios (SDRs) 3.

עבור צרכים בינוניים, (FLT:0)ARM Cortex-M4/M7 מיקרובקרסמברליסFLT:1 עם הרחבות DSP לספק בסיס ביניים טוב.שימוש בספריית CMSIS-DSP, מפתחים יכולים ליישם גילוי מבוסס FFT עם ספירות נמוכות מספיק עבור אודיו-range FSK (למשל, 1200ud Bell 202).

3.התאמת פסיקה והגיון החלטות

סף גילוי סטטי נכשל בהחלפת סביבות רעש.סף הסתגלותי ההערכות שרצפה הרעש משפרת באופן רציף את אמינות הגילוי.לדוגמה, קונסול:0sliding Windowphphphph1 יכול לחשב את אנרגיית האות הממוצעת על דגימות N האחרונות.הסף מוגדר כמספר של ממוצע זה (למשל, 3 פעמים רצפת הרעש).

שיטות מתקדמות יותר להשתמש בתדירות מיידית:0 (PLL) יכול להרוס FSK על ידי נעילה על המוביל ופלט שיעור מתח בקנה מידה מיידי של לולאה שנשלטת בשלב (PLL) יכול להרוס FSK על ידי נעילה על נושאת ופלט של פרופורציה מגובה לתדירות.

שילוב בין השניים (FLT:0 Energy Detection איתורFLT:1 ו-(FLT:2 ⁇ אפליה FLT 3: 3 בתכנית הצבעה משפר את העוצמה.לדוגמה, אם גלאי האנרגיה ומפלי התדר מצביעים על שינוי טון, הסמל מתקבל.

אופטימיזציה אלגוריתמית ו-Point Math

מערכות בזמן אמת לעיתים קרובות חסרות חומרה צף-נקודות. המרת אלגוריתמים ל-FLT:0 (קודמת נקודה ⁇ FLT:1) באופן משמעותי מאיץ את ביצועה.לדוגמה, אלגוריתם Goertzel יכול להיות מיושם עם 16 סיביות קבוע-point coefficients, באמצעות דרוג כדי למנוע זרימות יתר. בדומה, פילטרים מתאימים ניתן לסווג באמצעות פעולות חד-טר באמצעות הפניה ל-צורה של ±1 להפחתה של פחת או ביטולים.

אופטימיזציה נוספת היא ל-FLT:0 (precompute Lookupטבלאותsss.com ; עבור פונקציות trigonometric, יומניתמים, או שורשים רבועים המשמשים לזיהוי מדדים.אפילו עבור גלאי אנרגיה פשוט, המחשוב את השורש הריבועי להיקף הוא יקר; באמצעות גודל משוער (למשל, מקס(I) + min (I) ⁇ ) / ⁇ ) עם שגיאות מינימליות עם מחזורים.

(ב) ,0) ,WINOwingFLT:1 ו- (FLT:2) טכניקות שונות-save-saveve-saveve save save save-save-save-save-save-save , ללא קידוד של כל מדגם.

יישום אמיתי-Time FSK Detector

בניית גלאי FSK בזמן אמת כרוך בעיצוב מערכת זהירה מעבר לאלגוריתם עצמו.הצעדים הבאים נפוצים בביצועים מוטבעים:

  1. (FLT:0) תנאי המחייה 1:1: האות האנלוגי הגולמי חייב להיות מפוספס מצורף להסיר רעש מחוץ לפס ולאחר מכן דיגיטציה בקצב מדגם לפחות פעמיים את תדירות FSK הגבוהה ביותר (Nyquist). לעתים קרובות יחס oversampling של 4-8 משמש לפתרון תזמון טוב יותר.
  2. (ב) (ב) ב[[1924]], [[1924]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]], [[1924]]]]]]]], [[1924]], [[1924]]]], [[1924]]]]]]]]]] [[1924]]]]]]]] [[1924]]]]]]]] [[1924]]]]]]]], [[1924]]]]]] [[1924]]]]]]]]]] [[1924]] [[1924]] [[[[19[[1924]]]]
  3. (FLT:0) הכחשה של לולאה 1:1: זיהוי הליבה פועל בלולאה הדוקה או שגרה בשירות (ISR) שימוש ב- DMA (גישה זיכרון עקיף) כדי להפחית את עומס CPU.
  4. (ב) [ה]: [ה], לאחר ש[ה], [ה], ההשוואה בין האנרגיות של שני תדרי טון], התקבלה החלטה.
  5. (ב) אם לא ניתן לזהות אות תקף לתקופה של זמן, המערכת עלולה ליפול למצב חיפוש או לדווח על אובדן של נושא.

עבור מערכת טיפוסי 1200 baud FSK (Bell 202 סטנדרטי), קורטקס-M3 מיקרובקר עם שעון 72 MHz יכול להפעיל גלאי מבוסס Goertzel תחת 20 מיקרומטר לסמל, משאיר זמן רב עבור משימות אחרות.שימוש שגרות עם הרכבה או פונקציות CMS-DSP יכול לחתוך את זה מתחת ל 5 מיקרומטר.

מחקר: FSK Detection in Wireless Sensor Networks

שקול חיישן לחות קרקע אלחוטית המשדר נתונים כל 10 שניות באמצעות BFSK ב 433 מ"ר חיישן נודה משתמש מיקרובקר בעל כוח נמוך (למשל, Texas Instruments MSP430) עם ליבה של 16 סיביות RISC פועל ב 16 מ"ר הרץ שיעור הסמל הוא 9.6 kbaud, ואת פיזור FS הוא ± 50 k.

בתחילה, הגלאי השתמש ב-FFT של אורך 256, המחייב חמאה של 256 נקודות כל תקופת סמל.זה נצרך כמעט 70% מהזמן CPU ומנע את הצומת להיכנס למצב שינה נמוך כוח, על ידי מעבר לאלגוריתם Goertzel עבור שתי תדרי הטון (כל אחד מהם דחוס מעל חלון 32-sample), העומס CPU ירד ל-8%.

במקרה זה, אופטימיזציה אלגוריתמית היא לעתים קרובות יותר השפעה מאשר שדרוגים חומרה. אותו חיישן יכול גם ליהנות ממדריך ייעודי:0FSK דמודור ICirFLT:1 (למשל, MAX7032), אבל הפתרון רק תוכנה מופחת BOM עלות וזמן עיצוב.

טכניקות מתקדמות: Machine Learning for FSK Detection

בסביבות רועשות מאוד או לא-סטריון, גישות מסורתיות עלולות להיכשל.מחקר עדכני חל על רשתות LT:0neuralrated NetworkFLT:1 כדי לסווג את סמלי FSK מדגימות IQ גולמיות. רשת קטנה המחוברת לחלוטין או רשת קונבנציונאלית קלה ניתן לאמן לזהות שינויים ללא תכנון מסונן מפורש. אי-התאמה יכולה לרוץ בזמן אמת על מיקרו-בקר באמצעות מסגרות כמו TensFlow, אך לא ניתן לסווגן, אך ורק עבור מערכת חישובית בלבד, אך ורק עבור מערכת חישובית היא לא מוגדרת, אך אינה מבוססת מיקרו-חשמלית.

טכניקה מתקדמת נוספת היא (FLT:0) זיהוי עיוור של 1IRFLT (FLT:103) באמצעות ניתוח מחזורי, אשר מנצל את התכונות המחזוריות של אותות FSK. זה יכול לזהות ולסווג FSK ללא ידע קודם של פרמטרים מודולציה, שימושי עבור ניטור ספקטרום ורדיו קוגניטיבי.

מסקנה

אופטימיזציה של אלגוריתמים לזיהוי אותות עבור יישומים בזמן אמת חיוני לתקשורת אמינה בסביבות מחוספס. על ידי התמקדות ארכיטקטורות עיבוד אותות יעילה כמו אלגוריתם GoertK או מסננים מתאימים, מינוף חומרה באמצעות DSPs או FPGAs, וליישם טכניקות סף הסתגלות, מהנדסים יכולים להשיג את האיזון הדרוש בין מהירות ודיוק.

(ב) לקריאה נוספת, יש לבחון את המאמר (FLT:0) על מנת להתאים את FSKIDFSKIDFLT:1 או את ה-FLT:2Analog מכשירים הדרכה על טכניקות זיהוי FSK 3 (עבור יישום הידיים, FLT:4bedd.com מאמר על FSK בזמן אמת הדגמה על ARMx-MLT מספק דוגמאות מעשיות: