gr-dsd 项目技术文档
2024-12-28 15:17:58作者:韦蓉瑛
1. 安装指南
系统要求
- 操作系统:建议使用Ubuntu
- 依赖库:
- GNU Radio 3.7, 3.8, 3.9, 或 3.10
- libsndfile (在Ubuntu中为libsndfile1-dev包)
- BOOST C++源库 (在Ubuntu中为libboost-all-dev包)
- libcppunit-dev
- libitpp-dev
- liblog4cpp5-dev
- swig
安装步骤
- 在项目目录下创建一个构建目录:
mkdir build - 切换到构建目录:
cd build - 运行CMake:
cmake .. - 编译项目:
make - 安装项目:
sudo make install - 更新动态链接库:
sudo ldconfig
安装完成后,在GNU Radio Companion中,“DSD Block”应出现在“DSD”类别下,且“block_ff”会在“dsd”Python包中可用。
2. 项目使用说明
gr-dsd模块是一个将数字语音解码器(DSD)包装为GNU Radio模块的项目,可以方便地与软件无线电外围设备如Ettus Research USRP或基于RTL2832U的USB电视调谐器一起使用。
该模块期望输入48000样本每秒的信号,并输出8000样本每秒的声音。输入信号应该是FM解调的(例如,使用GNU Radio的Quadrature Demod模块),并且接收数字信号时应在-1到1之间。对于EDACS Provoice,一个1.6的Quadrature Demod增益效果较好。输入信号还应无直流偏置,因此确保准确调谐或滤除直流成分是必要的。
为了节省CPU周期,当输入信号为零时,模块会检测并避免通过DSD发送。因此,在使用gr-dsd前放置一个静噪模块特别有用,尤其是在并行使用多个gr-dsd实例时。
3. 项目API使用文档
由于项目是基于GNU Radio的,用户可以通过GNU Radio Companion来添加和使用gr-dsd模块。具体的使用方式涉及以下步骤:
- 打开GNU Radio Companion。
- 在“DSD”类别下查找并添加“DSD Block”。
- 配置相应的输入和输出参数,确保输入信号满足模块要求。
关于Python包“dsd”中的“block_ff”的具体API使用,需要查看生成的Python绑定文档或源代码。
4. 项目安装方式
项目的安装方式已在“安装指南”中详细说明。简要步骤如下:
- 确保所有依赖库已安装。
- 创建构建目录并运行CMake。
- 编译并安装项目。
- 更新系统动态链接库。
按照以上步骤操作后,即可完成gr-dsd项目的安装。
登录后查看全文
热门项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
jiuwenclawJiuwenClaw 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。Python0213- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
AtomGit城市坐标计划AtomGit 城市坐标计划开启!让开源有坐标,让城市有星火。致力于与城市合伙人共同构建并长期运营一个健康、活跃的本地开发者生态。01
MarkFlowy一款 AI Markdown 编辑器TSX01
项目优选
收起
deepin linux kernel
C
27
13
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
619
4.09 K
Ascend Extension for PyTorch
Python
454
540
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
69
21
暂无简介
Dart
861
206
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
928
785
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.49 K
842
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
114
178
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
377
256
昇腾LLM分布式训练框架
Python
134
160