容辉信息科技:TX-B33.6X7北斗短报文手持机天线规格详解

需积分: 50 9 下载量 160 浏览量 更新于2024-09-05 1 收藏 524KB PDF 举报
标题《北斗短报文手持机天线TX-B33.6X7规格书_V11》介绍了容辉信息科技有限公司生产的一款专为北斗短报文通信设计的手持设备天线。这款天线具备多项关键特性: 1. **功能与应用**: - 该天线支持GPS L1和北斗二代B1信号的接收,以及北斗一代L+S的收发,适用于各类手持设备,如手持机,由于其广泛兼容性,使得通信更为便捷。 2. **技术特点**: - 多馈点设计优化了天线性能,包括改善相位中心、低仰角增益和天线的形状一致性,提高了信号接收的稳定性和效率。 - 天线具有良好的极化方式(右旋圆极化和左旋圆极化),以及与L频段的隔离度,确保了信号的纯净。 3. **规格参数**: - 工作频率覆盖L1/B1、L/S频段,提供高增益(如顶点增益、仰角增益)。 - 输出阻抗为50欧姆,适应标准通信接口。 - 天线尺寸小巧,便于集成,33.6mmx33.6mmx7mm,且具有宽广的水平面覆盖角度和低驻波比,保证信号传输质量。 - 工作温度范围广,-45℃至+75℃,存储温度可达-55℃至+85℃,适应各种环境条件。 4. **机械特性与安装**: - 通过3个引脚焊接在电路板上,背面附有3M胶,便于固定,设计灵活。 - 提供了一个示例应用原理图,说明了天线与电路板的连接方式,以及使用RCP1500Q03混频器和CLA4603-085LF射频限幅器(尽管实际应用可能无需后者)的保护措施。 5. **PCB封装与调试**: - PCB封装设计考虑到了实际使用中的阻抗匹配和介电常数等因素,用户可能需要根据实际情况进行微调,如电容和电感的选取。 总结来说,这款TX-B33.6X7北斗短报文手持机天线是一款高性能、易集成的解决方案,适合需要在GPS和北斗系统间切换或同时使用的设备,提供了良好的信号接收和稳定性,为手持设备的定位和通信功能提供了强大支持。

plt.boxplot(x=train_data.values,labels=train_data.columns) 3 plt.hlines([-7.5, 7.5], 0, 40, colors='r') 4 plt.show() 5 6 train_data = train_data[train_data['V9']>-7.5] 7 train_data.describe() 8 9 from sklearn import preprocessing 10 11 features_columns = [col for col in train_data.columns if col not in ['target']] 12 13 min_max_scaler = preprocessing.MinMaxScaler() 14 15 min_max_scaler = min_max_scaler.fit(train_data[features_columns]) 16 17 train_data_scaler = min_max_scaler.transform(train_data[features_columns]) 18 test_data_scaler = min_max_scaler.transform(test_data[features_columns]) 19 20 train_data_scaler = pd.DataFrame(train_data_scaler) 21 train_data_scaler.columns = features_columns 22 23 test_data_scaler = pd.DataFrame(test_data_scaler) 24 test_data_scaler.columns = features_columns 25 26 train_data_scaler['target'] = train_data['target'] 27 28 train_data 29 30 mcorr=mcorr.abs() 31 numerical_corr=mcorr[mcorr['target']>0.1]['target'] 32 print(numerical_corr.sort_values(ascending=False)) 33 34 index0 = numerical_corr.sort_values(ascending=False).index 35 print(train_data_scaler[index0].corr('spearman')) 36 37 new_numerical=['V0', 'V2', 'V3', 'V4', 'V5', 'V6', 'V10','V11', 38 'V13', 'V15', 'V16', 'V18', 'V19', 'V20', 'V22','V24','V30', 'V31', 'V37'] 39 X=np.matrix(train_data_scaler[new_numerical]) 40 VIF_list=[variance_inflation_factor(X, i) for i in range(X.shape[1])] 41 VIF_list 42 43 44 pca = PCA(n_components=0.9) 45 new_train_pca_90 = pca.fit_transform(train_data_scaler.iloc[:,0:-1]) 46 new_test_pca_90 = pca.transform(test_data_scaler) 47 new_train_pca_90 = pd.DataFrame(new_train_pca_90) 48 new_test_pca_90 = pd.DataFrame(new_test_pca_90) 49 new_train_pca_90['target'] = train_data_scaler['target'] 50 new_train_pca_90.describe()

2023-06-16 上传