多径信道模型(一)

2024-01-21 05:50
文章标签 模型 信道 多径

本文主要是介绍多径信道模型(一),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!

一、多径信道介绍

多径信道,是指的是信号多路径传播的现象,并且多径信道往往是时变信道,其特性随时间的变化而变化,这与比如作为接收器或发发射器运动(比如手机)和环境变化多有关系,所以如何对多径信道进行数学建模和分析是非常重要,这有助于我们更深刻地理解和针对多径信道设计数学方法以提高通信的靠性。接下来我将根据book-goldsmith一书介绍我对多径信道数学建模的学习和理解。

二、多径信道数学模型

1、发射信号模型

我们将信号发射模型建立

u(t):复包络(通常为调制信号,比如QAM,QPSK映射后后复数信号形式)

R(.):表示取实部

S  (.)   : 表示取虚部

fc         :表示载波频率

\phi _0:   表示载波相位

2、多径传输后的信道模型

r(t)        :是接受信号

N(t)       :是个未知参数,表示可解析的多路径分量个数

\alpha _n(t)   :表示的是某一个路径信号振幅(不同路径传播距离不一样,反射不一样,所以能量是不一样的)

\tau _n(t) :是表示多路径信号的不同的时延,这里时延与信号传播距离有关,假设传播路径距离为r_n(t),速度为c,\tau _n(t)=r_n(t)/c

\phi _{Dn} 为:多普勒相移

3、信道低通时变冲激响应模型建立

a、延迟引起相移

由时延引起相移我们定义如下,其中\lambda= c/f_c

e^{-j2\pi f_c\tau _n(t)}=e^{-j2\pi r_n(t)/\lambda }

b、多普勒引起相移\phi _{Dn} 

首先分析多普勒频移,有公式:f_D=vcos(\theta)fc/c=vcos(\theta)/ \lambda

其中c为电磁波传播速度,\theta为信号经过反射后到达接收器的一个角度,v是相对运动速度这里理解是左边小车向右边小车运动。

多普勒频移产生一句话概括理解为:在\Delta t的时间内,由于左小车的移动导致左小车提前\Delta d的距离接收到了信号,\Delta d=v\Delta t,这个距离变换引起相位偏差为\Delta \phi =2\pi v\Delta tcos(\theta )/\lambda

而相位变换转换成频率变化就有

回到求解\phi _{Dn} ,我们先根据公式f_{D_n}(t)=vcos\theta _n(t)/\lambda。反推\phi _{Dn}=\int _t 2 \pi f_{D_n}(t)dt

c、信道低通时变冲激响应模型建立。

由a、 b我们可以总结相位模型为\phi _n(t)=2\pi f_c\tau_n(t)-\phi_{D_n}-\phi_0

因为通常情况下,反射路径可以由如下多个反射和单个反射构成,通常两个路径信号的时间差大于信号带宽的倒数1/B时,就能通过比如匹配滤波的办法将多径信号分离开来。所以宽带信号往往能够将密集的多反射路径分离开来。但对于窄带信号往往具有不可分离的多路径信号叠加。

对于窄带信号我们要简化它的多反射问题为单反射问题,并且把每条路径信号都认为是多反射简化到单反射路径的结果。(事实上每个路径都是多反射)

我们可以得到接收信号的公式为

接着我们可以建立信道响应模型,一般叫做等效低通时变信道脉冲响应c(\tau ,t)

并且我们可以认为看作接收信号是输入信号s(t)c(\tau ,t)卷积后的结果

d、信道低通时变冲激响应模型的几种特殊化情况

假设多径延迟是连续的情况下,c(\tau ,t)可以看作积分形式:

考虑某t1时刻的响应是由多个反射叠加:

信道时不变情况,冲激响应简化为时延\tau的函数:

三、总结

        以上内容通过公式推导,我们初步建立低通时变冲激响应模型,但还未针对窄带和宽带信道模型的接收信号的其它一些特性(如功率谱,自相关,互相关,包络功率分布)进行分析。在下一节的内容会继续分析。

这篇关于多径信道模型(一)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/628539

相关文章

Python基于火山引擎豆包大模型搭建QQ机器人详细教程(2024年最新)

《Python基于火山引擎豆包大模型搭建QQ机器人详细教程(2024年最新)》:本文主要介绍Python基于火山引擎豆包大模型搭建QQ机器人详细的相关资料,包括开通模型、配置APIKEY鉴权和SD... 目录豆包大模型概述开通模型付费安装 SDK 环境配置 API KEY 鉴权Ark 模型接口Prompt

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者