通信系统中ZF,ML,MRC以及MMSE四种信号检测算法误码率matlab对比仿真

简介: 通信系统中ZF,ML,MRC以及MMSE四种信号检测算法误码率matlab对比仿真

1.算法运行效果图预览

ff5103e38185d921414b28e7898f26b1_82780907_202401120017070527244328_Expires=1704990427&Signature=b%2FX3nTfaC2ePZSzdaGwFS%2FaTIC4%3D&domain=8.jpeg
a97d9525f30f78a27715546c77276286_82780907_202401120017070622770691_Expires=1704990427&Signature=2J%2FLP3ZZWKqihq1CT104FHFqkHo%3D&domain=8.jpeg

2.算法运行软件版本
matlab2022a

3.算法理论概述
通信系统中ZF(Zero Forcing,零迫)、ML(Maximum Likelihood,最大似然)、MRC(Maximum Ratio Combining,最大比合并)和MMSE(Minimum Mean Square Error,最小均方误差)是四种常见的信号检测算法。这些算法在通信系统中用于从接收信号中恢复出原始发送信号。

3.1、ZF(零迫)算法
ZF算法是一种简单的信号检测算法,它的目标是在接收端完全消除干扰和噪声,从而恢复出原始的发送信号。ZF算法通过迫零接收端的干扰和噪声,使得接收信号只包含所需的信号分量。

假设接收信号为y,发送信号为s,信道矩阵为H,噪声为n,则接收信号可以表示为:

y = Hs + n

ZF算法通过左乘信道矩阵的逆矩阵H^(-1),得到:

s = H^(-1) * y

这样,就可以恢复出原始的发送信号s。

3.2、ML(最大似然)算法
ML算法是一种基于统计学的信号检测算法,它的目标是在所有可能的发送信号中,找到最有可能的那一个。ML算法通过比较接收信号与所有可能的发送信号的似然度,选择似然度最大的那个作为最终的检测结果。

    假设发送信号有M种可能,每种可能的概率为p(s|y),则ML算法的目标是找到使得p(s|y)最大的s。具体的数学表达式为:

s_ML = arg max p(s|y)

3.3、MRC(最大比合并)算法
MRC算法是一种多天线技术中的信号检测算法,它的目标是通过合并多个接收天线的信号,提高接收信号的信噪比。MRC算法通过对每个接收天线的信号进行加权合并,使得合并后的信号信噪比最大化。

   假设有N个接收天线,每个天线的接收信号为y_n,信道为h_n,噪声为n_n,则MRC算法的输出可以表示为:

y_MRC = Σ (h_n^ y_n) / Σ |h_n|^2

其中,*表示共轭运算。

3.4、MMSE(最小均方误差)算法
MMSE算法是一种考虑噪声和干扰的信号检测算法,它的目标是在抑制噪声和干扰的同时,尽可能地减小误差。MMSE算法通过最小化均方误差来衡量检测性能的优劣。

假设接收信号为y,发送信号为s,信道矩阵为H,噪声为n,则MMSE算法的输出可以表示为:

s_MMSE = (H^H H + σ^2 I)^(-1) H^H y

其中,σ^2是噪声的方差,I是单位矩阵。

   以上是ZF、ML、MRC和MMSE四种信号检测算法的原理和数学公式。这些算法在通信系统中有着广泛的应用,可以提高通信系统的性能和稳定性。

4.部分核心程序

```N = 100; %Tc/TS the ratio between symbol period
num_Source_bit = 2e6; %1000000
num_Tag_bit = num_Source_bit/N;%10000
num_Channel = num_Source_bit/f_s;%100

s_Alphabet = 1/sqrt(2)* [1+1j;-1+1j ;-1-1j ;1-1j];%4x1
c_Alphabet = [1;-1]; %2x1

s_Matrix = exp(j(randi([0 3],num_Channel,f_s)pi/2+pi/4)); %ambient signal (QPSK) %100x10000
c_Matrix = 2(randi([0 1],num_Channel,f_s/N))-1; %backscattered signal (BPSK) %100x100
noise_Matrix = 1/sqrt(2)
(normrnd(0,sqrt(varNoise),num_Channel,f_s) + 1i*normrnd(0,sqrt(varNoise),num_Channel,f_s));%100x10000

%% AWGN
for kChannel = 1:num_Channel%100
kChannel
h = 1/sqrt(2)(normrnd(0,1) + 1inormrnd(0,1)); %normalized direct-link channel
f = 1/sqrt(2)(normrnd(0,1) + 1inormrnd(0,1)); %normalized TX-Tag channel
g = sqrt(0.5); %fixed Tag-C-RX channel
s = s_Matrix(kChannel,:);%%S-matrix:100x10000 ; S:1x10000
c = c_Matrix(kChannel,:);%c-matrix:100x100 ; c:1x100
noise = noise_Matrix(kChannel,:);%noise:1x10000
c_sample = reshape(repmat(c,N,1),1,f_s);%fs=1e4 thus,repmat(c,N,1):100x100;c-sample:1x10000

for kSNR = 1:length(SNR_dB)%length=11
    p     = P(kSNR);
    y     = sqrt(p)*h*s + sqrt(p)*f*alpha*g*s.*c_sample; %1x10000 received signal
    y_std = sqrt(p)*h*s;
    y     = awgn(y,SNR_dB(kSNR),'measured');
    y_std = awgn(y_std,SNR_dB(kSNR),'measured');

    %%ML detection 
    %%fixed c=-1
    s_detection_c1     = abs( repmat(y,4,1)- sqrt(p)*(h -  alpha * g * f)* repmat(s_Alphabet,1,f_s));
    [~,s_Est_c1_index] = min(s_detection_c1);
    s_Est_c1           = exp(j*(mod(s_Est_c1_index-1,4)*pi/2+pi/4));
    %%fixed c=1
    s_detection_c2     = abs( repmat(y,4,1)- sqrt(p)*(h +  alpha * g * f)* repmat(s_Alphabet,1,f_s));
    [~,s_Est_c2_index] = min(s_detection_c2);
    s_Est_c2           = exp(j*(mod(s_Est_c2_index-1,4)*pi/2+pi/4));


    c_detection        = abs([y-sqrt(p)*(h-alpha * g * f)*s_Est_c1; y-sqrt(p)*(h+ alpha * g * f)*s_Est_c2]).^2;
    c_est_block1       = sqrt(sum(reshape(c_detection(1,:),N,f_s/N)));
    c_est_block2       = sqrt(sum(reshape(c_detection(2,:),N,f_s/N)));

    [~,c_Est_index]    = min([c_est_block1;c_est_block2]);
    c_Est              = (c_Est_index-1)*2-1;


    c_Est_sample       = reshape(repmat(c_Est,N,1),1,f_s);%1x10000
    s_detection        = abs( repmat(y,4,1)- sqrt(p)*(h*repmat(s_Alphabet,1,f_s) + s_Alphabet*alpha * g * f*c_Est_sample));

    [~,s_Est_index]    = min(s_detection);
    s_Est              = exp(j*(mod(s_Est_index-1,4)*pi/2+pi/4));


    Num_BER_s(kChannel,kSNR)     = length(find(s-s_Est~=0)); 
    Num_BER_c(kChannel,kSNR)     = length(find(c-c_Est~=0)); 
end

end

num_BER_s = sum(Num_BER_s);
num_BER_c = sum(Num_BER_c);

BER_s = num_BER_s/num_Source_bit;
BER_c = num_BER_c/num_Tag_bit;

figure;
semilogy(SNR_dB,BER_s,'b-o')
hold on
semilogy(SNR_dB,BER_c,'r-s')
grid on
xlabel('SNR (dB)')
ylabel('BER')

legend('s(n)','c(n)')

save ML_Awgn.mat SNR_dB BER_s BER_c

```

相关文章
|
2天前
|
算法
基于小波变换和峰值搜索的光谱检测matlab仿真,带GUI界面
本程序基于小波变换和峰值搜索技术,实现光谱检测的MATLAB仿真,带有GUI界面。它能够对CO2、SO2、CO和CH4四种成分的比例进行分析和提取。程序在MATLAB 2022A版本下运行,通过小波分解、特征提取和峰值检测等步骤,有效识别光谱中的关键特征点。核心代码展示了光谱数据的处理流程,包括绘制原始光谱、导数光谱及标注峰值位置,并保存结果。该方法结合了小波变换的时频分析能力和峰值检测的敏锐性,适用于复杂信号的非平稳特性分析。
|
3天前
|
算法
基于SOA海鸥优化算法的三维曲面最高点搜索matlab仿真
本程序基于海鸥优化算法(SOA)进行三维曲面最高点搜索的MATLAB仿真,输出收敛曲线和搜索结果。使用MATLAB2022A版本运行,核心代码实现种群初始化、适应度计算、交叉变异等操作。SOA模拟海鸥觅食行为,通过搜索飞行、跟随飞行和掠食飞行三种策略高效探索解空间,找到全局最优解。
|
4天前
|
算法
基于电导增量MPPT控制算法的光伏发电系统simulink建模与仿真
本课题基于电导增量MPPT控制算法,使用MATLAB2022a的Simulink进行光伏发电系统的建模与仿真,输出系统电流、电压及功率。电导增量调制(IC)算法通过检测电压和电流变化率,实时调整光伏阵列工作点,确保其在不同光照和温度条件下始终处于最大功率输出状态。仿真结果展示了该算法的有效性,并结合PWM技术调节逆变流器占空比,提高系统效率和稳定性。
|
1天前
|
传感器 算法
基于GA遗传算法的多机无源定位系统GDOP优化matlab仿真
本项目基于遗传算法(GA)优化多机无源定位系统的GDOP,使用MATLAB2022A进行仿真。通过遗传算法的选择、交叉和变异操作,迭代优化传感器配置,最小化GDOP值,提高定位精度。仿真输出包括GDOP优化结果、遗传算法收敛曲线及三维空间坐标点分布图。核心程序实现了染色体编码、适应度评估、遗传操作等关键步骤,最终展示优化后的传感器布局及其性能。
|
3天前
|
算法 数据可视化 数据安全/隐私保护
一级倒立摆平衡控制系统MATLAB仿真,可显示倒立摆平衡动画,对比极点配置,线性二次型,PID,PI及PD五种算法
本课题基于MATLAB对一级倒立摆控制系统进行升级仿真,增加了PI、PD控制器,并对比了极点配置、线性二次型、PID、PI及PD五种算法的控制效果。通过GUI界面显示倒立摆动画和控制输出曲线,展示了不同控制器在偏转角和小车位移变化上的性能差异。理论部分介绍了倒立摆系统的力学模型,包括小车和杆的动力学方程。核心程序实现了不同控制算法的选择与仿真结果的可视化。
31 15
|
1天前
|
监控 算法 数据安全/隐私保护
基于扩频解扩+turbo译码的QPSK图传通信系统matlab误码率仿真,扩频参数可设置
本项目基于MATLAB 2022a实现图像传输通信系统的仿真,涵盖QPSK调制解调、扩频技术和Turbo译码。系统适用于无人机图像传输等高要求场景,确保图像质量和传输稳定性。通过仿真,验证了系统在不同信噪比下的性能,展示了图像的接收与恢复效果。核心代码实现了二进制数据到RGB图像的转换与显示,并保存不同条件下的结果。
16 6
|
2天前
|
机器学习/深度学习 算法 安全
基于深度学习的路面裂缝检测算法matlab仿真
本项目基于YOLOv2算法实现高效的路面裂缝检测,使用Matlab 2022a开发。完整程序运行效果无水印,核心代码配有详细中文注释及操作视频。通过深度学习技术,将目标检测转化为回归问题,直接预测裂缝位置和类别,大幅提升检测效率与准确性。适用于实时检测任务,确保道路安全维护。 简介涵盖了算法理论、数据集准备、网络训练及检测过程,采用Darknet-19卷积神经网络结构,结合随机梯度下降算法进行训练。
|
6月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
272 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
6月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
162 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
|
6月前
|
数据采集 存储 移动开发
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
138 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码

热门文章

最新文章