【计算机网络】物理层 : 编码与调制 ( 基带信号 | 宽带信号 | 编码 | 调制 )

简介: 【计算机网络】物理层 : 编码与调制 ( 基带信号 | 宽带信号 | 编码 | 调制 )

文章目录

一、 信道

二、 基带信号

三、 宽带信号

四、 基带信号 与 宽带信号 使用场景

五、 编码 与 调制





一、 信道


"信道" 概念 : 信号的传输媒介 ;


"信道" 方向 : 一般 信道 只表示 单个方向传输信息的 介质 ; 一条完整的通信线路 , 包括 发送信道 和 接收信道 ;



信道分类 :


① 按照 传输信号 类型 分类 :


模拟信道 : 传输 模拟信号 , 如电话线 ;

数字信道 : 传输 数字信号 , 如宽带 ;

② 按照 传输介质 分类 :


无线信道 : 通过 无线电波 传输 ;

有线信道 : 通过 光纤 , 双绞线 传输 ;






二、 基带信号


基带信号 ( 基带传输 ) : 将 数字信号 0 00 和 1 11 使用不同的电压表示 , 然后再送到 数字信道 上去传输 ;



"基带信号" 来源 : 基带信号 是 来自 信源 的 信号 , 计算机输出的 文字 , 图像 等数据信号都是基带信号 ;



基带信号 直接表达要传输的信息的信号 ;


基带信号 在 数字信道上传输 , 称为 基带传输 ;






三、 宽带信号


宽带信号 ( 宽带传输 ) : 将 基带信号 进行 调制 后 , 形成 频分复用 模拟信号 , 再送到 模拟信道 上传输 ;


载波调制 : 基带信号 经过 载波调制 后 , 将 信号 频率范围 移动到 较高频段 , 以便于在 信道 中传输 ;


宽带信号 在 模拟信道上传输 , 称为 宽带传输 ;






四、 基带信号 与 宽带信号 使用场景


基带信号 与 宽带信号 使用场景 :


① 传输距离 比较近时 , 信号衰减小 , 信号内容不容易发生变化 , 采用 基带传输 ;


② 传输距离 比较远时 , 信号衰减大 , 信号变化很大 , 也能过滤出基带信号 , 采用 宽带传输 ;






五、 编码 与 调制


编码 : 将 数据 转为 数字信号 , 称为 “编码” ;


调制 : 将 数据 转为 模拟信号 , 称为 “调制” ;



数字数据 编码 : 使用 数字发送器 编码为 数字信号 ;


数字数据 调制 : 使用 调制器 调制为 模拟信号 ;


模拟数据 编码 : 是哦用 PCM 编码器 编码为 数字信号 ;


模拟数据 调制 : 使用 放大器调制器 调制为 模拟信号 ; ( 将低频信号调制成高频信号 )



示例 : 猫 称为 调制解调器 , 调制是将数据转为模拟信号 , 解调是将模拟信号转为数据 ;


目录
相关文章
|
10月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GRU网络的MQAM调制信号检测算法matlab仿真,对比LSTM
本研究基于MATLAB 2022a,使用GRU网络对QAM调制信号进行检测。QAM是一种高效调制技术,广泛应用于现代通信系统。传统方法在复杂环境下性能下降,而GRU通过门控机制有效提取时间序列特征,实现16QAM、32QAM、64QAM、128QAM的准确检测。仿真结果显示,GRU在低SNR下表现优异,且训练速度快,参数少。核心程序包括模型预测、误检率和漏检率计算,并绘制准确率图。
283 65
基于GRU网络的MQAM调制信号检测算法matlab仿真,对比LSTM
|
9月前
|
机器学习/深度学习 数据采集 算法
基于MobileNet深度学习网络的MQAM调制类型识别matlab仿真
本项目基于Matlab2022a实现MQAM调制类型识别,使用MobileNet深度学习网络。完整程序运行效果无水印,核心代码含详细中文注释和操作视频。MQAM调制在无线通信中至关重要,MobileNet以其轻量化、高效性适合资源受限环境。通过数据预处理、网络训练与优化,确保高识别准确率并降低计算复杂度,为频谱监测、信号解调等提供支持。
|
12月前
|
存储 监控 网络协议
一次读懂网络分层:应用层到物理层全解析
网络模型分为五层结构,从应用层到物理层逐层解析。应用层提供HTTP、SMTP、DNS等常见协议;传输层通过TCP和UDP确保数据可靠或高效传输;网络层利用IP和路由器实现跨网数据包路由;数据链路层通过MAC地址管理局域网设备;物理层负责比特流的物理传输。各层协同工作,使网络通信得以实现。
|
运维 监控 网络架构
|
机器学习/深度学习 算法 数据安全/隐私保护
基于CNN卷积神经网络的MQAM调制识别matlab仿真
**理论**: 利用CNN自动识别MQAM调制信号,通过学习星座图特征区分16QAM, 64QAM等。CNN从原始数据提取高级特征,优于传统方法。 - **CNN结构**: 自动特征学习机制,适配多种MQAM类型。 - **优化**: 损失函数指导网络参数调整,提升识别准确度。 - **流程**: 大量样本训练+独立测试评估,确保模型泛化能力。 - **展望**: CNN强化无线通信信号处理,未来应用前景广阔。
|
域名解析 存储 网络协议
一次读懂网络分层:应用层到物理层全解析
**网络五层模型简介:** 探索网络服务的分层结构,从应用层开始,包括HTTP(网页传输)、SMTP(邮件)、DNS(域名解析)和FTP(文件传输)协议。传输层涉及TCP(可靠数据传输)和UDP(高效但不可靠)。网络层由IP(路由数据包)、ICMP(错误报告)和路由器构成。数据链路层处理MAC地址和帧传输,物理层规定了电缆、连接器和信号标准。了解这些基础,有助于深入理解网络运作机制。
959 5
计算机网络学习记录 物理层 Day2
计算机网络学习记录 物理层 Day2
99 3
|
机器学习/深度学习 算法 数据安全/隐私保护
基于CNN卷积神经网络的MPSK调制识别matlab仿真
本项目展示一种基于CNN的MPSK调制识别算法,可在Matlab 2022a上运行。该算法能自动区分BPSK、QPSK及8PSK信号,利用卷积层捕捉相位特征并通过全连接层分类。训练过程涉及调整网络权重以最小化预测误差,最终实现对未知信号的有效识别。附带完整代码与说明视频。
|
12月前
|
SQL 安全 网络安全
网络安全与信息安全:知识分享####
【10月更文挑战第21天】 随着数字化时代的快速发展,网络安全和信息安全已成为个人和企业不可忽视的关键问题。本文将探讨网络安全漏洞、加密技术以及安全意识的重要性,并提供一些实用的建议,帮助读者提高自身的网络安全防护能力。 ####
265 17
|
12月前
|
SQL 安全 网络安全
网络安全与信息安全:关于网络安全漏洞、加密技术、安全意识等方面的知识分享
随着互联网的普及,网络安全问题日益突出。本文将从网络安全漏洞、加密技术和安全意识三个方面进行探讨,旨在提高读者对网络安全的认识和防范能力。通过分析常见的网络安全漏洞,介绍加密技术的基本原理和应用,以及强调安全意识的重要性,帮助读者更好地保护自己的网络信息安全。
226 10