ZC序列理论学习及仿真(二)

简介: ZC序列理论学习及仿真

ZC序列理论学习及仿真(一)https://developer.aliyun.com/article/1472381


②、复平面散点图

对应的复平面上的散点图见下图,为单位圆:

③、模值

对应的模值如下图,恒定为 1

2、ZC 序列循环移位

在对某一个 ZC 序列进行循环移位时,可使用 MATLAB 自带 circshift() 函数

语法:

Y = circshift(A,K)
Y = circshift(A,K,dim)

说明:

  • Y = circshift(A,K) 循环将 A 中的元素平移 K 个位置。如果 K 为整数,则 circshift 沿大小不等于 1 的第一个 A 维度进行平移。如果 K 为整数向量,则每个 K 元素指示 A 的对应维度中的平移量。
  • Y = circshift(A,K,dim) 循环将 A 中的值沿维度 dim 平移 K 个位置。输入 K 和 dim 必须为标量。

生成长度为 11,根序列号为 1 的 Zadoff-Chu 序列,循环移位长度为 3

Seq1 = zadoffChuSeq(1,11);
Seq2 = circshift(Seq1,3);

仿真运行时打断点可以看到原 Seq1 和移位后的 Seq2

3、ZC 序列自相关函数

我们还是使用上面生成长度为 139,根序列号为 25 的 Zadoff-Chu 序列,绘制 ZC 序列的自相关函数

seq = zadoffChuSeq(25,139);
[r,lags] = xcorr(seq);
plot(lags, abs(r));
xlabel('滞后索引');
ylabel('自相关');
title('ZC序列自相关');

仿真结果如下:

可以看到 ZC 序列具有集中的主瓣。

自相关的结果为 2N-1 个点,即 2 * 139 - 1 = 277 个点,关于 N=139 对称(这里从 -138 开始,因此关于 0 对称)。

有关 MATLAB 中自相关函数可以参考这个博客:一个例子学会自相关互相关的计算

4、ZC 序列循环自相关

seq1 = zadoffChuSeq(25,139);
corr = fftshift(fft(seq1)) .* conj(fftshift(fft(seq1)));
subplot(2,1,1);
plot(abs(ifft(ifftshift(corr))));
xlabel('滞后索引');
ylabel('自相关');
title('ZC序列自相关');
seq2 = circshift(seq1, 10); % 循环移位 10
corr = fftshift(fft(seq2)) .* conj(fftshift(fft(seq1)));
subplot(2,1,2);
plot(abs(ifft(ifftshift(corr))));
xlabel('滞后索引');
ylabel('循环自相关');
title('ZC序列循环自相关');

仿真结果如下:

从仿真结果可以看出,ZC 序列具有良好的循环自相关特性且自相关峰值尖锐,对于任意 ZC 序列与其循环移位 a 位后的序列互不相关 a ≠ 0 a\neq 0a=0

从图中可以看到 ZC 序列循环移位后,原序列和移位后的相关峰值出现在移位大小的位置。

由此可得下面结论:

ZC 序列循环移位 N 后,原序列只与移位后的序列得良好的相关峰值且峰值在N处,其它位置的相关峰值为 0,这也是 preamble 检测的理论依据。


ZC序列理论学习及仿真(三)https://developer.aliyun.com/article/1472384

目录
相关文章
|
1月前
|
机器学习/深度学习 移动开发 JavaScript
ZC序列理论学习及仿真(一)
ZC序列理论学习及仿真
256 0
|
9月前
|
机器学习/深度学习 传感器 算法
matlab改进鲸鱼算法GSWOA 基准函数对比与检验
matlab改进鲸鱼算法GSWOA 基准函数对比与检验
|
1月前
|
机器学习/深度学习
ZC序列理论学习及仿真(三)
ZC序列理论学习及仿真
77 0
|
1月前
|
算法 计算机视觉
基于WTMM算法的图像多重分形谱计算matlab仿真
基于WTMM算法的图像多重分形谱计算matlab仿真
|
1月前
|
数据采集 算法 前端开发
【MATLAB】 稳健的经验模式分解REMD信号分解算法
【MATLAB】 稳健的经验模式分解REMD信号分解算法
75 0
|
11月前
|
机器学习/深度学习 存储 算法
【MATLAB第31期】基于MATLAB的降维/全局敏感性分析/特征排序/数据处理回归问题MATLAB代码实现(持续更新)
【MATLAB第31期】基于MATLAB的降维/全局敏感性分析/特征排序/数据处理回归问题MATLAB代码实现(持续更新)
|
11月前
|
机器学习/深度学习 算法 数据处理
【MATLAB第32期】基于MATLAB的降维/全局敏感性分析/特征排序/数据处理分类问题MATLAB代码实现(持续更新)
【MATLAB第32期】基于MATLAB的降维/全局敏感性分析/特征排序/数据处理分类问题MATLAB代码实现(持续更新)
|
11月前
|
机器学习/深度学习 算法
【MATLAB第35期】基于MATLAB的2023年改进的进化算法优化LSTM时间序列预测模型思路
【MATLAB第35期】基于MATLAB的2023年改进的进化算法优化LSTM时间序列预测模型思路
MATLAB 之 优劣解距离法(TOPSIS )-1
TOPSIS 是一种常用的综合评价方法,可以充分利用 原始数据 的信息,其结果可以精确地反映各评价方案之间的差距。
|
人工智能
MATLAB 之 优劣解距离法(TOPSIS )-2
1. TOPSIS 法的优点 避免了数据的主观性,不需要目标函数,不用通过检验,而且能够很好的刻画多个影响指标的综合影响力度。 对于数据分布及样本量、指标多少无严格限制,既适于小样本资料,也适于多评价单元、多指标的大系统,较为灵活、方便

热门文章

最新文章