抽头延迟线信道模型

简介: 抽头延迟线信道模型

本专栏包含信息论与编码的核心知识,按知识点组织,可作为教学或学习的参考。markdown版本已归档至【Github仓库:https://github.com/timerring/information-theory 】或者公众号【AIShareLab】回复 信息论 获取。

第一代移动通信系统的关键技术有 ABCD

A. 蜂窝网

B. FDMA

C. 模拟调制

D. 主要有AMPS和TACS两种制式

第二代移动通信系统的关键技术有 ABCD

A. 数字调制(GMSK)

B. TDMA/CDMA

C. 开始支持数据业务(GPRS)

D. 主要有GSM和CDMA1X (IS-95)两种制式

第三代移动通信系统的关键技术有 ABCD

A. 直接序列扩频

B. CDMA

C. 全面支持数据业务,语音和数据分开

D. 有WCDMA、CDMA2000和TD-SCDMA三种制式

第四代移动通信系统(LTE)的关键技术有 ABCD

A. OFDMA

B. MIMO

C. 支持数据业务,语音加载在数据网上(VoLTE)

D. 智能天线、软件定义的无线电(SDR)

第五代移动通信系统(NR)的主要技术 ABCD

A. NOMA/FBMC

B. Massive MIMO

C. 波束分割多址技术(BDMA)

D. D2D通信(D: device)

  • 复习多径信道模型;
  • 定义正交码,能够构造哈达马矩阵并写出沃尔什序列,并画出对应的沃尔什函数波形;
  • 定义伪随机码,给定移位寄存器的结构,能够写出其所产生的伪随机序列;
  • 识记m序列的定义;
  • 能够根据要求,设计m序列的产生器。

时变多径信道的信道模型

抽头延迟线信道模型

W信道传输信号带宽, 1 / W 为时间分辨率, 抽头 $\{c_{n}(t)\}$ 为互不相关的高斯随机过程。延迟线长度与多径信道中的时间弥散量相对应。多径扩展可以表示为 $T_{\mathrm{m}}=\mathrm{L} / \mathrm{W}$ , 其中 $\mathrm{L}$ 为多径信号分量的最大数目。

例:试确定一个适用于飞机间通信的信道模型, 其中包括一条直接信号传输路径和由周围地面地形对信号散射而引起的二次传输路径。 二次传输路径相对于直接路径有 $\tau=\mathbf{1 0} \mu \mathrm{s}$ 的传输时延, 信号带宽为 $\mathrm{W}=\mathbf{1 0 0} \mathrm{kHz}$ 。

解: $100 \mathrm{kHz}$ 信号可提供 $1 / \mathrm{W}=10 \mu \mathrm{s}$ 的时间分辨率。因为 2 条路径的相对时延是 $10 \mu \mathrm{s}$ , 所以二次信号路径是可分辨的。信道为 2 抽头模型。

试确定一个适用于飞机间通信的信道模型, 其中包括一条直接信号传输路径和由周围地面地形对信号 散射而引起的二次传输路径。二次传输路径相对于直接路径有 $\tau=10 \mu \mathrm{s}$ 的传输时延, 若传输信号带宽为 $10 \mathrm{kHz}$ ,信道模型如何?单径信道

参考文献:

  1. Proakis, John G., et al. Communication systems engineering. Vol. 2. New Jersey: Prentice Hall, 1994.
  2. Proakis, John G., et al. SOLUTIONS MANUAL Communication Systems Engineering. Vol. 2. New Jersey: Prentice Hall, 1994.
  3. 周炯槃. 通信原理(第3版)[M]. 北京:北京邮电大学出版社, 2008.
  4. 樊昌信, 曹丽娜. 通信原理(第7版) [M]. 北京:国防工业出版社, 2012.
目录
相关文章
|
5G 数据处理 UED
超密集网络UDN的核心特点 | 带你读《5G UDN(超密集网络)技术详解》之一
本书全面深入地阐述了 UDN 技术的发展历史、当今的现状及未来趋势,内容 涵盖上层业务应用、部署组网、系统架构、无线接入侧高层和物理层关键技术等方 面。本书从 5G 移动业界大背景为切入点,紧密结合了当前 5G 在 3GPP 的标准化 进展,系统化地梳理和诠释了 5G UDN 的诸多相关技术,从宏观到微观,从高层 到低层。通过本书,读者不仅可以全面丰富地了解目前 5G 在 3GPP 的标准化状况 和未来趋势,系统化地学习 UDN 技术体系的相关知识,还可以体察标准制定背后 的诸多缘由和规律。
超密集网络UDN的核心特点 | 带你读《5G UDN(超密集网络)技术详解》之一
|
数据采集 PyTorch 算法框架/工具
PyTorch基础之数据模块Dataset、DataLoader用法详解(附源码)
PyTorch基础之数据模块Dataset、DataLoader用法详解(附源码)
2635 0
|
8月前
|
存储 机器学习/深度学习 编解码
双选择性信道下正交啁啾分复用(OCDM)的低复杂度均衡算法研究——论文阅读
本文提出统一相位正交啁啾分复用(UP-OCDM)方案,利用循环矩阵特性设计两种低复杂度均衡算法:基于带状近似的LDL^H分解和基于BEM的迭代LSQR,将复杂度由$O(N^3)$降至$O(NQ^2)$或$O(iNM\log N)$,在双选择性信道下显著提升高频谱效率与抗多普勒性能。
476 0
双选择性信道下正交啁啾分复用(OCDM)的低复杂度均衡算法研究——论文阅读
|
机器学习/深度学习 网络架构
PINN应用案例:神经网络求解热扩散方程高质量近似解
本文探讨了物理信息神经网络(PINN)在求解一维热扩散方程中的应用,对比分析了多层感知器(MLP)、残差网络(ResNet)和Wang2020架构的性能。PINN通过构建损失函数整合偏微分方程残差、边界条件和初始条件,实现对物理系统的近似求解。实验结果表明,传统架构如MLP和ResNet虽能大致还原解析解,但在部分区域存在显著偏差;而Wang2020架构因专门设计以应对PINN训练挑战,表现更为优越,与解析解高度一致。研究还揭示了PINN训练中“平台期后突变”的优化特性,并提出通过构造满足约束条件的网络架构以简化多目标优化问题,为未来研究提供了新方向。
1272 3
PINN应用案例:神经网络求解热扩散方程高质量近似解
|
5G UED
频谱效率的奥秘与5G的提升之道
频谱效率的奥秘与5G的提升之道
993 63
|
机器学习/深度学习 人工智能 自然语言处理
《Attention LSTM:解锁关键信息捕捉的强大引擎》
Attention LSTM将注意力机制融入长短期记忆网络(LSTM),显著提升对关键信息的捕捉能力。通过计算注意力分数、生成权重、加权求和及最终预测,模型能动态调整关注度,突出重要信息,广泛应用于自然语言处理、语音识别等领域,为复杂序列数据处理提供有力支持。
745 13
|
机器学习/深度学习 人工智能 自然语言处理
深度学习中的卷积神经网络(CNN): 从理论到实践
本文将深入浅出地介绍卷积神经网络(CNN)的工作原理,并带领读者通过一个简单的图像分类项目,实现从理论到代码的转变。我们将探索CNN如何识别和处理图像数据,并通过实例展示如何训练一个有效的CNN模型。无论你是深度学习领域的新手还是希望扩展你的技术栈,这篇文章都将为你提供宝贵的知识和技能。
1187 7
|
PyTorch 算法框架/工具 Python
PyTorch中的forward的理解
PyTorch中的forward的理解
810 0
|
算法 异构计算
m基于FPGA的OFDM调制解调系统verilog实现,包括IFFT,FFT以及成型滤波器,包含testbench
m基于FPGA的OFDM调制解调系统verilog实现,包括IFFT,FFT以及成型滤波器,包含testbench
728 3
带你读《5G大规模天线增强技术》——2.3.2 信道模型介绍
带你读《5G大规模天线增强技术》——2.3.2 信道模型介绍
带你读《5G大规模天线增强技术》——2.3.2 信道模型介绍