水声多径信道下LMS仿真(Python代码)

2023-10-30 19:10
文章标签 python 代码 仿真 水声 信道 多径 lms

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

Python正则表达式语法及re模块中的常用函数详解

Python正则表达式语法及re模块中的常用函数详解

《Python正则表达式语法及re模块中的常用函数详解》这篇文章主要给大家介绍了关于Python正则表达式语法及re模块中常用函数的相关资料,正则表达式是一种强大的字符串处理工具,可以用于匹配、切分、... 目录概念、作用和步骤语法re模块中的常用函数总结 概念、作用和步骤概念： 本身也是一个字符串，其中
阅读更多...
Python使用getopt处理命令行参数示例解析(最佳实践)

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数？getopt模块基础实际应用示例与其他参数处理方式的比较常见问http
阅读更多...
python实现svg图片转换为png和gif

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展：基于Py
阅读更多...
Python中的getopt模块用法小结

Python中的getopt模块用法小结

《Python中的getopt模块用法小结》getopt.getopt()函数是Python中用于解析命令行参数的标准库函数,该函数可以从命令行中提取选项和参数,并对它们进行处理,本文详细介绍了Pyt... 目录getopt模块介绍getopt.getopt函数的介绍getopt模块的常用用法getopt模
阅读更多...
Python利用ElementTree实现快速解析XML文件

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.
阅读更多...
Python如何精准判断某个进程是否在运行

Python如何精准判断某个进程是否在运行

《Python如何精准判断某个进程是否在运行》这篇文章主要为大家详细介绍了Python如何精准判断某个进程是否在运行,本文为大家整理了3种方法并进行了对比,有需要的小伙伴可以跟随小编一起学习一下... 目录一、为什么需要判断进程是否存在二、方法1：用psutil库（推荐）三、方法2：用os.system调用
阅读更多...
Java的栈与队列实现代码解析

Java的栈与队列实现代码解析

《Java的栈与队列实现代码解析》栈是常见的线性数据结构,栈的特点是以先进后出的形式,后进先出,先进后出,分为栈底和栈顶,栈应用于内存的分配,表达式求值,存储临时的数据和方法的调用等,本文给大家介绍J... 目录栈的概念（Stack）栈的实现代码队列（Queue）模拟实现队列(双链表实现)循环队列（循环数组
阅读更多...
使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取
阅读更多...
Python实现图片分割的多种方法总结

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)
阅读更多...
一文带你搞懂Python中__init__.py到底是什么

一文带你搞懂Python中__init__.py到底是什么

《一文带你搞懂Python中__init__.py到底是什么》朋友们,今天我们来聊聊Python里一个低调却至关重要的文件——__init__.py,有些人可能听说过它是“包的标志”,也有人觉得它“没... 目录先搞懂 python 模块（module）Python 包（package）是啥？那么 __in
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2