【计算机网络】物理层 : 调制 ( 数字数据 调制 模拟信号 | 调幅 | 调频 | 调相 | 调幅 + 调相 QAM | 计算示例 | 模拟信号 调制为 模拟信号 )

简介: 【计算机网络】物理层 : 调制 ( 数字数据 调制 模拟信号 | 调幅 | 调频 | 调相 | 调幅 + 调相 QAM | 计算示例 | 模拟信号 调制为 模拟信号 )

文章目录

一、 数字数据调制技术

二、 调幅

三、 调频

四、 调相

五、 QAM 调制 和 计算示例

六、模拟信号 调制为 模拟信号





一、 数字数据调制技术


数字数据调制 技术 :


① 调制 : 发送端 将 数字信号 转为 模拟信号 ;


② 解调 : 接收端 将 模拟信号 转为 数字信号 ;



调制 技术 :


调幅

调频

调相





二、 调幅


调幅 ( ASK ) : 0 00 对应没有幅度 , 1 11 对应有幅度 ;



image.png





三、 调频


调频 ( FSK ) : 0 00 对应较低的频率 , 1 11 对应较高的频率 ;


image.png


调频示例说明 : 上图示例说明 ;


低频波形 : 0 00 对应着 一个时钟周期内震动两个波形 , 波形比较稀疏 , 频率较低 ;

高频波形 : 1 11 对应着 一个时钟周期内震动四个波形 , 波形比较稠密 , 频率较高 ;





四、 调相


调相 ( PSK ) : 对于相位的调制 , 0 00 对应余弦波 , 1 11 对应正弦波 ;





image.png



五、 QAM 调制 和 计算示例


调幅 + 调相 结合在一起使用的调制方法 是 QAM 调制 ;



QAM 调制示例 :


信道波特率 : 1200 12001200 Baud ;

相位个数 : 4 44 个

振幅个数 : 4 44 种

计算信息传输速率 ? ??


先计算每个码元携带的信息量 : 调相 + 调幅 结合使用 ; 有以下两种理解方式 ;


每个码元有 4 44 个相位 , 每个相位可以有 4 44 种振幅 , 那么每个码元有 4 × 4 = 16 4 \times 4 = 164×4=16 种不同的取值 ;

每个码元有 4 44 个振幅 , 每个振幅可以有 4 44 种相位 , 那么每个码元有 4 × 4 = 16 4 \times 4 = 164×4=16 种不同的取值 ;


使用奈氏准则计算信息传输速率 :


奈氏准则计算公式为 : 理 想 低 通 信 道 信 息 极 限 传 输 速 率 = 2 W l o g 2 V   比 特 / 秒 理想低通信道信息极限传输速率 = 2 W log_2V \ 比特/秒理想低通信道信息极限传输速率=2Wlog

2


V 比特/秒


2 W 2W2W 是码元速率 , W WW 是带宽 , 其中码元速率已经给出 , 是 1200 波特 , 直接使用即可 , 这里计算下每个源码携带的信息量 , 是 l o g 2 16 = 4 log_216 = 4log

2


16=4 比特 ;


计算过程 : 2 W l o g 2 V = 1200 × l o g 2 16 = 4800 b / s 2W log_2V = 1200 \times log_216 = 4800 b/s2Wlog

2


V=1200×log

2


16=4800b/s



信息传输速率是 4800 b / s 4800 b/s4800b/s ;






六、模拟信号 调制为 模拟信号


模拟信号 调制为 模拟信号 :


为了 实现 信号传输 的 有效性 , 可能需要以 较高的频率 传输信号 ;


提高 信号频率 的同时 , 还可以使用 频分复用技术 , 充分利用 带宽 资源 ;




"模拟信号 调制为 模拟信号" 示例 :


电话机 与 本地交换机 之间传输的信号 , 就是 将 模拟信号 调制后的 模拟信号 ;


前者是 模拟的声音信号 ( 低频信号 ) , 后者是 模拟的载波信号 ( 高频信号 ) ;



人说话的声音 , 声带振动的频率很低 , 几十到几百赫兹 ; 电磁波的信号 都是百万赫 , 吉赫兹 级别的 ;


使用电磁波传输声音 , 需要将频率提高 几百到几万倍不等 ;


目录
相关文章
|
7月前
|
算法 JavaScript 数据安全/隐私保护
基于GA遗传优化的最优阈值计算认知异构网络(CHN)能量检测算法matlab仿真
本内容介绍了一种基于GA遗传优化的阈值计算方法在认知异构网络(CHN)中的应用。通过Matlab2022a实现算法,完整代码含中文注释与操作视频。能量检测算法用于感知主用户信号,其性能依赖检测阈值。传统固定阈值方法易受噪声影响,而GA算法通过模拟生物进化,在复杂环境中自动优化阈值,提高频谱感知准确性,增强CHN的通信效率与资源利用率。预览效果无水印,核心程序部分展示,适合研究频谱感知与优化算法的学者参考。
|
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
|
7月前
|
存储 消息中间件 弹性计算
阿里云服务器ECS计算型c7和通用算力型u1在适用场景、计算性能、网络与存储性能等方面的对比
阿里云ECS服务器u1和c7实例在适用场景、性能、处理器特性等方面存在显著差异。u1为通用算力型,性价比高,适合中小企业及对性能要求不高的场景;c7为企业级计算型,采用最新Intel处理器,性能稳定且强大,适用于高性能计算需求。u1支持多种CPU内存配比,但性能一致性可能受底层平台影响;c7固定调度模式,确保高性能与稳定性。选择时可根据预算与性能需求决定。
363 23
|
7月前
计算网络号的直接方法
子网掩码用于区分IP地址中的网络部分和主机部分,连续的“1”表示网络位,“0”表示主机位。例如,255.255.255.0 的二进制为 11111111.11111111.11111111.00000000,前24位是网络部分。通过子网掩码可提取网络号,如 IP 192.168.1.10 与子网掩码 255.255.255.0 的网络号为 192.168.1.0。此外,文档还介绍了十进制与二进制间的转换方法,帮助理解IP地址的组成与计算。
456 11
|
机器学习/深度学习
神经网络各种层的输入输出尺寸计算
神经网络各种层的输入输出尺寸计算
841 1
|
12月前
|
机器学习/深度学习 数据采集 人工智能
基于Huffman树的层次化Softmax:面向大规模神经网络的高效概率计算方法
层次化Softmax算法通过引入Huffman树结构,将传统Softmax的计算复杂度从线性降至对数级别,显著提升了大规模词汇表的训练效率。该算法不仅优化了计算效率,还在处理大规模离散分布问题上提供了新的思路。文章详细介绍了Huffman树的构建、节点编码、概率计算及基于Gensim的实现方法,并讨论了工程实现中的优化策略与应用实践。
282 15
基于Huffman树的层次化Softmax:面向大规模神经网络的高效概率计算方法
|
云安全 安全 网络安全
云端防御战线:融合云计算与网络安全的未来策略
【7月更文挑战第47天】 在数字化时代,云计算已成为企业运营不可或缺的部分,而网络安全则是维护这些服务正常运行的基石。随着技术不断进步,传统的安全措施已不足以应对新兴的威胁。本文将探讨云计算环境中的安全挑战,并提出一种融合云服务与网络安全的综合防御策略。我们将分析云服务模式、网络威胁类型以及信息安全实践,并讨论如何构建一个既灵活又强大的安全体系,确保数据和服务的完整性、可用性与机密性。
|
机器学习/深度学习 存储 自然语言处理
天啊!深度神经网络中 BNN 和 DNN 基于存内计算的传奇之旅,改写能量效率的历史!
【8月更文挑战第12天】深度神经网络(DNN)近年在图像识别等多领域取得重大突破。二进制神经网络(BNN)作为DNN的轻量化版本,通过使用二进制权重和激活值极大地降低了计算复杂度与存储需求。存内计算技术进一步提升了BNN和DNN的能效比,通过在存储单元直接进行计算减少数据传输带来的能耗。尽管面临精度和硬件实现等挑战,BNN结合存内计算代表了深度学习未来高效节能的发展方向。
307 1