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)
2582 0
|
7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。
426 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
|
XML JSON API
如何接入体育直播接口到移动应用中
要将体育直播接口接入移动应用,需选择可靠的数据服务商(如火星数据),阅读API文档,注册获取API密钥,开发API接口程序,集成到应用中,设计用户界面,测试优化,遵守法律法规,并持续维护更新。这样可以为用户提供实时的体育赛事直播和数据服务。
|
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
950 63
|
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。
1162 7
|
算法 数据安全/隐私保护
基于LS算法的OFDM+QPSK系统信道估计均衡matlab性能仿真
基于MATLAB 2022a的仿真展示了OFDM+QPSK系统中最小二乘(LS)算法的信道估计与均衡效果。OFDM利用多个低速率子载波提高频谱效率,通过循环前缀克服多径衰落。LS算法依据导频符号估计信道参数,进而设计均衡器以恢复数据符号。核心程序实现了OFDM信号处理流程,包括加性高斯白噪声的加入、保护间隔去除、快速傅立叶变换及信道估计与均衡等步骤,并最终计算误码率,验证了算法的有效性。
621 2
|
机器学习/深度学习 传感器 算法
【信道估计】基于LS和MMSE算法导频信道估计(误差率对比)附Matlab代码
【信道估计】基于LS和MMSE算法导频信道估计(误差率对比)附Matlab代码
|
存储 NoSQL 关系型数据库
四种类型的nosql数据库
随着互联网的发展,传统关系型数据库已经不能满足大数据时代的需求。NoSQL数据库应运而生,它们具有高可扩展性、高性能和高可用性等优点。本文将介绍四种主要类型的NoSQL数据库,分别是键值存储数据库、文档存储数据库、列存储数据库和图形数据库。这些数据库在不同的场景下有着不同的应用,可以满足不同的需求。
2103 0
|
PyTorch 算法框架/工具 Python
PyTorch中的forward的理解
PyTorch中的forward的理解
756 0