水声多径信道下LMS仿真(Python代码)

2023-10-30 19:10

本文主要是介绍水声多径信道下LMS仿真(Python代码),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1. 模块的导入

做仿真,numpy应该都知道
arlpy是水声通信工具箱,不仅可以产生信道的冲激响应,还有一些通信相关的函数
bokeh是用来画图的,配合jupyter notebook使用很爽!!(Matplotlib是常用的绘图工具包,个人感觉bokeh更舒服…)

# 数组运算工具包
import numpy as np
# 水声通信工具包
import arlpy.uwa as au
import arlpy.uwapm as aup
import arlpy.comms as ac
# 绘图工具包
from bokeh.plotting import show, figure
from bokeh.layouts import gridplot
from bokeh.io import output_notebook
output_notebook()
import warnings
warnings.filterwarnings('ignore') 

2. 准备工作

2.1 水声信道的冲激响应

如何设置参数,得到冲激响应、衰减、时延等等在arlpy的官方文档中,都有介绍,可自行查阅
https://arlpy.readthedocs.io/en/latest/

# 设置环境参数
env = aup.create_env2d()
env['bottom_soundspeed'] = 1800
env['bottom_absorption'] = 0
env['depth'] = 100
env['max_angle'] = 30
env['min_angle'] = -30
env['frequency'] = 100
env['nbeams'] = 10
env['tx_depth'] = 20
env['rx_depth'] = 20
env['rx_range'] = 1000
# 假设声速在浅海环境下是递增的
sound_speed = np.zeros(shape=[6, 2])
for i in range(6):sound_speed[i, 0] = 20 * isound_speed[i, 1] = au.soundspeed(depth=20 * i)
env['soundspeed'] = sound_speedarrivals_sd = aup.compute_arrivals(env) # 声线到达的时间
delay_sd = min(arrivals_sd.time_of_arrival) # 端到端的传输时延
multidelay_sd = max(arrivals_sd.time_of_arrival) - \min(arrivals_sd.time_of_arrival) # 多径时延
fs = 100  # 信道的采样频率
cir_sd = aup.arrivals_to_impulse_response(arrivals_sd, fs=fs)
cir_sd = np.real(cir_sd)
cir_sd[(cir_sd < 0)] *= -1 # 信道的冲激响应

2.2 归一化及均衡代码

考虑到信道衰减比较大,在对信号进行处理的时候,需要考虑归一化的问题

def nor(x):'''param x: 带归一化信号return: 已归一化信号'''alpha = np.sum(np.square(x))/x.sizereturn x/np.sqrt(alpha)def equlization(sig_input, sig_expect, mu, M):'''param sig_input: 输入待均衡信号param sig_expect: 期望信号param mu: 均衡器步长param M: 均衡器长度return: (均衡后信号, 均方误差)'''n = sig_expect.sizeW = np.zeros(M)error = np.zeros(n)sig_output = np.zeros(n)if sig_input.size < n + M:sig_input = np.pad(sig_input, (0, n+M-sig_input.size))for i in range(n):input1 = sig_input[i:i+M]output = np.dot(W.T, input1)sig_output[i] = outputerror[i] = sig_expect[i] - outputW = W + mu * error[i] * input1J = np.square(error)return sig_output, J

3. 仿真

仿真的具体参数在调试时,有稍微改动,可自行调试

3.1 发射端

发射端使用了根升余弦滤波器进行滤波

N = 10000  # 数据点数
span = 4  # 升余弦滤波器范围
sps = 6  # 每符号采样率
rrc = ac.rcosfir(beta=0.5, sps=sps, span=span)
delay_rrc = int((rrc.size-1)/2)  # 经过滤波器之后,需要考虑滤波器的延迟sig_ori = ac.random_data(size=N, m=2) * 2 - 1
sig_exp = ac.upconvert(x=sig_ori, sps=sps, fs=0, fc=0)
sig_exp = nor(np.real(sig_exp))  # 使用ac.upconvert产生虚部为0的部分,为方便发图,取其实部
sig_tra = np.convolve(sig_exp, rrc)  # 发射滤波器的输出信号TOOLS = 'pan,box_zoom,xwheel_zoom,ywheel_zoom,crosshair,save,reset'  # 使用bokeh绘图时使用的交互工具
p1 = figure(tools=TOOLS, plot_width=800, plot_height=500,toolbar_location='above', toolbar_sticky=False)
p1.line(np.linspace(0, sig_exp.size-1, sig_exp.size),np.real(sig_exp), legend='sig_exp', line_color='red')
p1.line(np.linspace(0, sig_tra.size-1, sig_tra.size),np.real(sig_tra), legend='sig_tra-未考虑滤波器延迟',line_color='blue', line_dash='dashed')
p1.line(np.linspace(0, sig_tra.size-1-delay_rrc, sig_tra.size-delay_rrc),np.real(sig_tra[delay_rrc:]), legend='sig_tra-考虑滤波器延迟',line_color='green')
show(p1)

这个图是可以动的!

这个图是可以动的,横着拉,竖着拉,局部放大…(下面的图也是…)

3.2 多径信道

这里设置了三个不同的采样频率分别为100Hz,500Hz,1000Hz,得到的信道抽头个数分别为12,56,110,由仿真图可观察到采样频率越大,失真越严重

# fs = 100,信道长度为12
sig_isi1 = np.convolve(cir_sd, sig_tra)
sig_isi1 = nor(sig_isi1)p2 = figure(tools=TOOLS, plot_width=800, plot_height=300, title='信道长度为12',toolbar_location='left', toolbar_sticky=False)
p2.line(np.linspace(0, sig_exp.size-1, sig_exp.size),np.real(sig_exp), legend='sig_exp', line_color='red')
p2.line(np.linspace(0, sig_isi1.size-1-delay_rrc, sig_isi1.size-delay_rrc),np.real(sig_isi1[delay_rrc:]), legend='sig_isi-考虑滤波器延迟',line_color='green')fs = 500  # 信道的采样频率
cir_sd2 = aup.arrivals_to_impulse_response(arrivals_sd, fs=fs)
cir_sd2 = np.real(cir_sd2)
cir_sd2[(cir_sd2 < 0)] *= -1  # 信道的冲激响应
sig_isi2 = np.convolve(cir_sd2, sig_tra)
sig_isi2 = nor(sig_isi2)
p3 = figure(tools=TOOLS, plot_width=800, plot_height=300, title='信道长度为56',toolbar_location='left', toolbar_sticky=False)
p3.line(np.linspace(0, sig_exp.size-1, sig_exp.size),np.real(sig_exp), legend='sig_exp', line_color='red')
p3.line(np.linspace(0, sig_isi2.size-1-delay_rrc, sig_isi2.size-delay_rrc),np.real(sig_isi2[delay_rrc:]), legend='sig_isi-考虑滤波器延迟',line_color='green')fs = 1000  # 信道的采样频率
cir_sd3 = aup.arrivals_to_impulse_response(arrivals_sd, fs=fs)
cir_sd3 = np.real(cir_sd3)
cir_sd3[(cir_sd3 < 0)] *= -1  # 信道的冲激响应
sig_isi3 = np.convolve(cir_sd3, sig_tra)
sig_isi3 = nor(sig_isi3)
p4 = figure(tools=TOOLS, plot_width=800, plot_height=300, title='信道长度为110',toolbar_location='left', toolbar_sticky=False)
p4.line(np.linspace(0, sig_exp.size-1, sig_exp.size),np.real(sig_exp), legend='sig_exp', line_color='red')
p4.line(np.linspace(0, sig_isi3.size-1-delay_rrc, sig_isi3.size-delay_rrc),np.real(sig_isi3[delay_rrc:]), legend='sig_isi-考虑滤波器延迟',line_color='green')
show(p2)
show(p3)
show(p4)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

为了方便观察,使用抽头长度为12的信道

3.3 接收端

接收方式:(做以下两种方式的测试)
(1)先滤波再均衡
(2)先均衡再滤波

M = int(cir_sd3.size)
mu = 0.0001
sig_rec1 = np.convolve(rrc, sig_isi3)
[sig_equ1, temp] = equlization(sig_rec1[delay_rrc*2:], sig_exp, mu, M)p5 = figure(tools=TOOLS, plot_width=800, plot_height=300,toolbar_location='above', toolbar_sticky=False)
p5.line(np.linspace(0, sig_exp.size-1, sig_exp.size),np.real(sig_exp), legend='sig_exp', line_color='red')
p5.line(np.linspace(0, sig_equ1.size-1, sig_equ1.size),np.real(sig_equ1), legend='sig-先滤波再均衡',line_color='green')[sig_equ2, temp] = equlization(sig_isi3[delay_rrc:], sig_exp, mu, M)
sig_rec2 = np.convolve(sig_equ2, rrc)[delay_rrc:]
p5.line(np.linspace(0, sig_rec2.size-1, sig_rec2.size),np.real(sig_rec2), legend='sig-先均衡再滤波',line_color='blue')
show(p5)

在这里插入图片描述

3.4 判决并得到误码率

3.4 判决并得到误码率

1、只与原序列进行比较判决
2、在下采样之前就进行判决

def decision1(sig_ori, sig_res, sps):err = 0for i in range(sig_ori.size):if sig_res[i*sps+int(sps/2)] < 0:temp = -1else:temp = 1if temp != sig_ori[i]:err += 1return errdef decision2(sig_exp,sig_res):err = 0for i in range(sig_exp.size):if sig_res[i] < 0:temp = -1else:temp = 1if temp != sig_exp[i]:err  += 1return errprint(decision1(sig_ori,sig_equ1,sps)/N,decision1(sig_ori,sig_rec2,sps)/N)
print(decision2(sig_exp,sig_equ1)/N/sps,decision2(sig_ori,sig_rec2)/N/sps)
0.0298 0.0699
1.0 0.08368333333333333

在不同的采样频率下,得到的信道抽头个数就不同,具体均衡器的步长需要进一步设定。
经测试,调整步长的之后,误码率的结果还看的过去(比上面好看!)…

一花

第一次发博,关于Python、仿真或者其他地方有不好的地方,请批评我!!!

这篇关于水声多径信道下LMS仿真(Python代码)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/309984

相关文章

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》:本文主要介绍在C#中调用Python代码的两种实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调

Python下载Pandas包的步骤

《Python下载Pandas包的步骤》:本文主要介绍Python下载Pandas包的步骤,在python中安装pandas库,我采取的方法是用PIP的方法在Python目标位置进行安装,本文给大... 目录安装步骤1、首先找到我们安装python的目录2、使用命令行到Python安装目录下3、我们回到Py

Python GUI框架中的PyQt详解

《PythonGUI框架中的PyQt详解》PyQt是Python语言中最强大且广泛应用的GUI框架之一,基于Qt库的Python绑定实现,本文将深入解析PyQt的核心模块,并通过代码示例展示其应用场... 目录一、PyQt核心模块概览二、核心模块详解与示例1. QtCore - 核心基础模块2. QtWid

Python实现自动化接收与处理手机验证码

《Python实现自动化接收与处理手机验证码》在移动互联网时代,短信验证码已成为身份验证、账号注册等环节的重要安全手段,本文将介绍如何利用Python实现验证码的自动接收,识别与转发,需要的可以参考下... 目录引言一、准备工作1.1 硬件与软件需求1.2 环境配置二、核心功能实现2.1 短信监听与获取2.

使用Python实现获取网页指定内容

《使用Python实现获取网页指定内容》在当今互联网时代,网页数据抓取是一项非常重要的技能,本文将带你从零开始学习如何使用Python获取网页中的指定内容,希望对大家有所帮助... 目录引言1. 网页抓取的基本概念2. python中的网页抓取库3. 安装必要的库4. 发送HTTP请求并获取网页内容5. 解

利用Python开发Markdown表格结构转换为Excel工具

《利用Python开发Markdown表格结构转换为Excel工具》在数据管理和文档编写过程中,我们经常使用Markdown来记录表格数据,但它没有Excel使用方便,所以本文将使用Python编写一... 目录1.完整代码2. 项目概述3. 代码解析3.1 依赖库3.2 GUI 设计3.3 解析 Mark