计算机网络——物理层-编码与调制(数字基带信号、模拟基带信号、码元、常用编码、基本调制方法、混合调制)二

简介: 计算机网络——物理层-编码与调制(数字基带信号、模拟基带信号、码元、常用编码、基本调制方法、混合调制)二

计算机网络——物理层-编码与调制(数字基带信号、模拟基带信号、码元、常用编码、基本调制方法、混合调制)一:https://developer.aliyun.com/article/1531272


基本调制方法

这是待传输的数字基带信号:

也就是来自信源的原始数字信号,我们要使用模拟信道来传输。

因此,需要将数字基带信号通过调制方法,调制成可以在模拟信道中传输的模拟信号。

调幅

这是调幅(AM)所产生的模拟信号:

无载波输出,表示比特0;有载波输出,表示比特一

调频

这是调频(FM)所产生的模拟信号:

频率f1的波形表示比特0,频率f2的波形表示比特1

调相

这是调向(PM)所产生的模拟信号:

初相位为0度的波形表示比特0;初相位为180度的波形表示比特1

很明显,使用基本调制方法,一个码元只能表示,或者说包含一个比特信息。

那么,如何能使一个码元包含更多的比特呢 ?


混合调制

可以采用混合调制的方法。


因为频率和相位是相关的,也就是说频率是相位随时间的变化率,所以一次只能调制频率和相位两个中的一个。



通常情况下,相位和振幅可以结合起来一起调制,称为正交振幅调制QAM。

QAM-16

我们来看属于正交振幅调制的QAM-16。


这种调制方法所调制出的波形,可以有12种相位,每种相位有一或两种振幅可选。

我们可在星座图中,画出该调制方法所产生的码元,该点就表示其中的一个码元:



它与圆心连线的距离可看作是振幅,连线与横坐标的夹角可看作是相位

这是QAM-16可调制出的16种码元:

思考两个问题:

  • 每个码元可以包含几个比特
  • 每个码元与4个比特的对应关系能否随便定义

如图所示,这是我们随便定义的每个码元所对应的4个比特:

假设A B C D E是接收端接收到的5个码元,这5个码元原本都是表示4个比特0的:


由于传输过程中产生失真,导致他们在星座图中并未落在理想的位置。

接收端可能会将码元A B C解调为0000,这是正确的;

也可能将码元D解调为0001,有一个错位;

也可能将码元E解调为1111,四位全错。

这就说明,每个码元与四个比特的对应关系,不能随便定义。

每个码元与4个比特的对应关系,应该采用格雷码,也就是任意两个相邻码元只有一个比特不同。

如图所示:


END


目录
相关文章
|
8月前
|
机器学习/深度学习 算法 调度
14种智能算法优化BP神经网络(14种方法)实现数据预测分类研究(Matlab代码实现)
14种智能算法优化BP神经网络(14种方法)实现数据预测分类研究(Matlab代码实现)
593 0
|
7月前
|
机器学习/深度学习 数据采集 边缘计算
基于灰色神经网络的预测方法
基于灰色神经网络的预测方法
447 0
|
8月前
|
算法 Python
【EI复现】考虑网络动态重构的分布式电源选址定容优化方法(Matlab代码实现)
【EI复现】考虑网络动态重构的分布式电源选址定容优化方法(Matlab代码实现)
322 0
|
10月前
|
存储 Linux 容器
【Container App】在容器中抓取网络包的方法
本文介绍在Azure Container App中安装tcpdump抓取网络包,并通过Storage Account上传抓包文件的方法。内容包括使用curl和nc测试外部接口连通性、长Ping端口、安装tcpdump、抓取网络包、以及通过crul命令上传文件至Azure Storage。适用于需要分析网络请求和排查网络问题的场景。
292 0
|
9月前
|
机器学习/深度学习 数据采集 TensorFlow
基于CNN-GRU-Attention混合神经网络的负荷预测方法(Python代码实现)
基于CNN-GRU-Attention混合神经网络的负荷预测方法(Python代码实现)
513 0
|
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。
411 65
基于GRU网络的MQAM调制信号检测算法matlab仿真,对比LSTM
|
机器学习/深度学习 计算机视觉
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
713 62
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 MobileViTv1高效的信息编码与融合模块,获取局部和全局信息
|
10月前
|
机器学习/深度学习 边缘计算 算法
基于BP神经网络的电池容量预测方法研究
基于BP神经网络的电池容量预测方法研究
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。
830 11
|
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。