[信息论与编码理论专题-4]:信道、信道模型与信道容量

2024-03-06 08:59

本文主要是介绍[信息论与编码理论专题-4]:信道、信道模型与信道容量,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!

作者主页(文火冰糖的硅基工坊):https://blog.csdn.net/HiWangWenBing

本文网址:https://blog.csdn.net/HiWangWenBing/article/details/118559972


目录

第1部分 信道的数学模型与分类

第2部分 信道与信道容量

第3部分 离散无记忆信道的信道容量

第4部分 组合信道的信道容量

第5部分 时间离散的连续信道的信道容量

第6部分 波形信道的信道容量

附录:


第1部分 信道的数学模型与分类

 备注:

信息论的传输规律是指:

(1)关系1:输出与输入的数值的对应关系(转换特性)

(2)关系2:输出与输入的数字对应关系的概率(统计特性)

  • 如果输出与输入的关系是完全确定的,那这种信道就是无损信道,是无干扰信道,是确定性信道,信道本身是无信息量的。
  • 如果输出与输入的关系不是完全确定的,那这种信道就是有损信道,是有干扰信道,是不确定性信道,信道就存在一定的误码率,信道本身是包含了一定的信息量。这是信息研究的重点,
  • 对于二进制数字信道而言,输出和输入都是0或1。输出与输入的关系是1-》1,概率为大概率;1-》0,概率为小概率; 0-》0,大概率;0-》1小概率。而小概率事件,实际上就是误码率。

备注:

  • 在上图中,输出与输入,不 仅仅是0和1,而是X1, X2.......Xn中,n钟输入与输出
  • 在上图中,当Xi的值都是0和1时,Yi的值都是0和1时,这样的信道就是二进制数字信道。
  • 这里的概率称为转移概率。 
  • 所有的输出与输入的概率关系,构成了一个概率矩阵。又称为概率转移矩阵。

 备注:信道的分离是根据信道的模型来进行分类的。

 

备注:

这里的参数关系,并不是输出与输人数值的函数关系,而是只数值的概率关系,或称为统计关系。

因此,信息论关注的是概率关系!!!而不是输出与输人数值转换的函数关系。这需要引起注意。

恒参信道:意味着信道的转移概率不随着时间的变化而变化 。

 

备注:

  • 行数:输入序列中符号的种类,第一行表示输入是Ai时,输出为b1,b2......bn的概率。
  • 列数:输出序列中符号的种类

 

备注:

  • 二元对称信道,就是我们常说的二进制数据传输信道
  • p就是误码率
  • 1-》0和0-》1这两种情况的出错的概率是等同的。

 

备注:

  • 二元删除信道中的数字2,相当于数字通信中的无效数据,相同于二进制数据中数据丢失的情形,而不是出错的情形。 
  • 上图中的p不是出错率,而是丢失率。所谓称为"删除”

第2部分 信道与信道容量

 

 

 

 

 

 

 

 

备注:

  • 以输出的维度为基准

 

 备注:

  • 以输入的维度为基准

第3部分 离散无记忆信道的信道容量

 

 

第4部分 组合信道的信道容量

第5部分 时间离散的连续信道的信道容量

第6部分 波形信道的信道容量


附录:

作者主页(文火冰糖的硅基工坊):https://blog.csdn.net/HiWangWenBing

本文网址:https://blog.csdn.net/HiWangWenBing/article/details/118559972

这篇关于[信息论与编码理论专题-4]:信道、信道模型与信道容量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/779513

相关文章

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

2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题

题库来源:安全生产模拟考试一点通公众号小程序 2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题是由安全生产模拟考试一点通提供,流动式起重机司机证模拟考试题库是根据流动式起重机司机最新版教材,流动式起重机司机大纲整理而成(含2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题参考答案和部分工种参考解析),掌握本资料和学校方法,考试容易。流动式起重机司机考试技

【专题】2024飞行汽车技术全景报告合集PDF分享(附原数据表)

原文链接: https://tecdat.cn/?p=37628 6月16日,小鹏汇天旅航者X2在北京大兴国际机场临空经济区完成首飞,这也是小鹏汇天的产品在京津冀地区进行的首次飞行。小鹏汇天方面还表示,公司准备量产,并计划今年四季度开启预售小鹏汇天分体式飞行汽车,探索分体式飞行汽车城际通勤。阅读原文,获取专题报告合集全文,解锁文末271份飞行汽车相关行业研究报告。 据悉,业内人士对飞行汽车行业

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

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识