OFDM同步技术

2024-04-24 21:28
文章标签 技术 同步 ofdm

本文主要是介绍OFDM同步技术，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！

文章目录

  • 前言
  • 一、OFDM 同步技术
  • 二、MATLAB 仿真
    • 1、STO 估计技术
      • ①、核心源码
      • ②、仿真结果
    • 2、CFO 估计技术
      • ①、核心源码
      • ②、仿真结果
  • 三、资源自取

前言

本文对 OFDM 同步技术以思维导图的形式呈现，有关仿真部分进行了讲解实现。

一、OFDM 同步技术

OFDM 同步技术思维导图如下图所示，如有需求请到文章末尾端自取。
在这里插入图片描述

二、MATLAB 仿真

1、STO 估计技术

①、核心源码

%基于CP，采用最大相关和最小距离算法完成STO的估计clear, figure(1), clf, figure(2), clf
nSTOs = [-3 -3 2 2];                % 对应 STO 的采样数  提前、提前、滞后、滞后
CFOs = [0 0.5 0 0.5];               % CFO 向量
SNRdB = 30;                         % SNR
MaxIter = 10;                       % 迭代次数
%CFOs = [0 0 0 0];
Nfft = 128;                         % FFT 大小
Ng = Nfft/4;                        % GI 长度
Nofdm = Nfft + Ng;                  % OFDM 符号长度
Nbps = 2;                           % 2/4 对应 QPSK/16QAM 
M = 2^Nbps;                         % 符号对应的可能性数量
Es = 1; 
A = sqrt(3/2/(M-1)*Es);             % QAM 归一化因子
N = Nfft; 
com_delay = Nofdm/2;                % 公共时延
Nsym = 100;                         % 一共有一百个 OFDM 符号
rand('seed',1);                     % 设置种子
randn('seed',1);
for i = 1:length(nSTOs)             % 对于每一个不同的 \delta STOnSTO = nSTOs(i);  CFO = CFOs(i);x = [];                          % 初始化信号块，最后 x 就是发送出来的 OFDM 模块for m = 1:Nsym % 随机位生成 msgint=randi([0 M-1], 1, N);  % 生成传输符号,1*128 个 0-3 的数Xf = A .* qammod(msgint, M, 'UnitAveragePower', true);% 调制成复数%***********************缺少了倒置的过程***********************%xt = ifft(Xf, Nfft);          % 发送x_sym = add_CP(xt, Ng);       % 加 CPx = [x x_sym];end%*********************** 信道 ************************%%%%%%在这里根据需求添加信道，先假设是没有信道y = x;  % 没有信道影响sig_pow = y*y' / length(y);          % 计算能量，sig_pow= mean(mean(y.*conj(y),2))% 频率偏移 + 符号定时偏移 y_CFO = add_CFO(y, CFO, Nfft);       % 加 CFOy_CFO_STO = add_STO(y_CFO, -nSTO);   % 加STO，这是加在整个信号上的，因此头尾补零就行了；但是取-是因为：δ<0 是提前，δ>0是滞后v_ML = zeros(1, Ng);                 % 初始化v_Cl = zeros(1, Ng);Mag_cor = 0;                         % arg的结果Mag_dif = 0;%%添加加性高斯白噪声for iter = 1:MaxIter% 加噪声y_aw = awgn(y_CFO_STO, SNRdB, 'measured');%%%%%%%符号定时获取[STO_cor, mag_cor] = STO_by_correlation(y_aw, Nfft, Ng, com_delay);               % 书中自带[STO_cor_temp,mag_cor_temp] = STO_by_correlation_sim1(y_aw,Nfft,Ng,com_delay);    % 我自己编写%%%%%经验证，以上两者函数结果一致[STO_dif,mag_dif] = STO_by_difference(y_aw,Nfft,Ng,com_delay); %书中自带[STO_dif_temp,mag_dif_temp] = STO_by_difference_sim1(y_aw,Nfft,Ng,com_delay); %我自己编写%%%%%经验证，以上两者函数结果一致% 计数% 这里取反了，返回了符合"左加右减"的直觉的STOv_ML(-STO_cor+Ng/2)= v_ML(-STO_cor+Ng/2)+1;v_Cl(-STO_dif+Ng/2)= v_Cl(-STO_dif+Ng/2)+1;Mag_cor= Mag_cor + mag_cor;Mag_dif= Mag_dif + mag_dif;end % End of for loop of iter%%%%%%% Probabilityv_ML_v_Cl = [v_ML; v_Cl]*(100/MaxIter);      % 取百分数figure(1+i-1); set(gca,'fontsize',9);   % 将当前坐标轴的字体大小设置为9
%    subplot(220+i)bar(-Ng/2+1:Ng/2,v_ML_v_Cl');hold on, grid onstr = sprintf('nSTO Estimation: nSTO=%d, CQFO=%1.2f, SNR=%3d[dB]',nSTO,CFO,SNRdB);           title(str); xlabel('Sample'), ylabel('Probability');legend('ML','Classen'); axis([-Ng/2-1 Ng/2+1 0 100])%%%%%%% Time metricMag_cor = Mag_cor/MaxIter; [Mag_cor_max,ind_max] = max(Mag_cor);nc= ind_max-1-com_delay;Mag_dif = Mag_dif/MaxIter; [Mag_dif_min,ind_min] = min(Mag_dif);nd= ind_min-1-com_delaynn= -Nofdm/2 + [0:length(Mag_cor)-1];  % -80~79
%   nt= nSTO;
%    figure(2);
%    subplot(220+i);figure(5+i-1); plot(nn,Mag_cor,nn,1.5*Mag_dif,'r:','markersize',1);hold onstem(nc,Mag_cor_max,'b','markersize',5);stem(nSTO,Mag_cor(nSTO+com_delay+1),'k.','markersize',5); % Estimated/True Maximum valuestr1 = sprintf('STO Estimation - ML(b-)/Classen(r:) for nSTO=%d, CFO=%1.2f',nSTO,CFO); %,SNRdB);title(str1); xlabel('Sample'), ylabel('Magnitude'); %stem(n1,Mag_dif_min,'r','markersize',5)stem(nd,Mag_dif(nd+com_delay+1),'r','markersize',5);stem(nSTO,Mag_dif(nSTO+com_delay+1),'k.','markersize',5); % Estimated/True Minimum valueset(gca,'fontsize',9, 'XLim',[-32 32], 'XTick',[-10 -3 0 2 10]); %, xlim([-50 50]),legend('基于相关的','基于差值最小的'); 
end % End of for loop of i

完整源码文末自取

②、仿真结果

在这里插入图片描述
在这里插入图片描述

由上两个图所示，当 STO = -3，CFO = 0时，可以看到基于差值最小的方法估计的 STO 更为准确。
在这里插入图片描述
在这里插入图片描述
由上两个图所示，当 STO = -3，CFO = 0.5时，可以看到基于差值最小的方法和基于相关估计的 STO 都很准确。
在这里插入图片描述
在这里插入图片描述
由上两个图所示，当 STO = 2，CFO = 0 时，可以看到基于差值最小的方法和基于相关估计的 STO 都很准确。
在这里插入图片描述
在这里插入图片描述
由上两个图所示，当 STO = 2，CFO = 0.5 时，可以看到基于差值最小的方法估计的 STO 更为准确。

2、CFO 估计技术

①、核心源码

%完成时域基于CP的方法和频域的Moose/Classen方法，用于后续CFO补偿
clear, clf
CFO = 0.15;                     % CFO（载波频率偏移）大小
% CFO = 0;
Nfft=128;                       % FFT采样数  
Nbps=2;                         % QPSK或QAM
M=2^Nbps;                       % 每个符号代表几比特
Es=1;                           % 能量
A=sqrt(3/2/(M-1)*Es);           % QAM归一化
N=Nfft;                         % 发送的符号长度，为了方便，和Nfft保持一致
Ng=Nfft/4;                      % GI长度
Nofdm=Nfft+Ng;                  % 一个OFDM符号的长度
Nsym=3;                         % 一共发送了3个OFDM符号，前两个是导频，最后一个是真正发送的数据符号
% h=complex(randn,randn)/sqrt(2);
% %h=[1 zeros(1,5)]; 
% channel(h,0);  
%Transmit signal
x=[];
for m=1:Nsym                    % 前两个是导频，最后一个是真正发送的数据符号msgint=randi([0 M-1],1,N);   % 生成要发送的符号if m<=2                      % Xp = add_pilot(zeros(1,Nfft),Nfft,4);    % 生成导频Xf=Xp; % add_pilotelse  %Xf= QAM(msgint((i-1)*N+1:i*N),Nbps);  % constellation mapping. average power=1        Xf = A.*qammod(msgint,M,'UnitAveragePower',true);end                                      xt = ifft(Xf,Nfft);          % ifft  x_sym = add_CP(xt,Ng);       % 加CPx= [x x_sym];                % 将三个OFDM符号依次拼接
end    %channel 可添加所需信道
y=x; % No channel effect%Signal power calculation
sig_pow= y*y'/length(y); % Signal power calculation%%%%
SNRdBs= 0:3:30;  
% SNRdBs= 100; 设100是为调试程序  
MaxIter = 100;  
for i=1:length(SNRdBs)SNRdB = SNRdBs(i);MSE_CFO_CP = 0; MSE_CFO_Moose = 0; MSE_CFO_Classen = 0;rand('seed',1);              % 设置种子来保证每次仿真结果一致randn('seed',1);y_CFO= add_CFO(y,CFO,Nfft);  % 增加CFO，此处是在时域添加的，因此是×相位% 多次迭代取平均for iter=1:MaxIter%y_aw=add_AWGN(y_CFO,sig_pow,SNRdB,'SNR',Nbps);  % AWGN added, signal power=1y_aw = awgn(y_CFO,SNRdB,'measured');              % 增加高斯白噪声Est_CFO_CP = CFO_CP(y_aw,Nfft,Ng); % CP-based     % 根据CP测算CFOMSE_CFO_CP = MSE_CFO_CP + (Est_CFO_CP-CFO)^2;     % 平方累计Est_CFO_Moose = CFO_Moose(y_aw,Nfft);             % Moose估计MSE_CFO_Moose = MSE_CFO_Moose + (Est_CFO_Moose-CFO)^2;% 平方累计Est_CFO_Classen = CFO_Classen(y_aw,Nfft,Ng,Xp); % Classen (Pilot-based)MSE_CFO_Classen = MSE_CFO_Classen + (Est_CFO_Classen-CFO)^2;end % the end of for (iter) loopMSE_CP(i) = MSE_CFO_CP/MaxIter; MSE_Moose(i) = MSE_CFO_Moose/MaxIter;  MSE_Classen(i) = MSE_CFO_Classen/MaxIter;
end%ebn0 end    
semilogy(SNRdBs, MSE_CP,'-+');
grid on, hold on
semilogy(SNRdBs, MSE_Moose,'-x'); semilogy(SNRdBs, MSE_Classen,'-*');
xlabel('SNR[dB]'), ylabel('MSE'); title('CFO Estimation'); %axis([0 30 10e-8 10e-2])
% str=sprintf('CFO = %1.2f',CFO);
legend('CP-based technique','Moose (Preamble-based)','Classen (Pilot-based)');
% legend(str);

完整源码文末自取

②、仿真结果

在这里插入图片描述
可以观察到，随着接收信号的 SNR 增大，CFO 估计的 MSE 减小。估计技术的性能取决于用于 CFO 估计的 CP 中的采样数、前导数和导频数。

三、资源自取

链接：OFDM同步技术

在这里插入图片描述

我的qq：2442391036，欢迎交流！

这篇关于OFDM同步技术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/932883。

相关文章

基于MySQL Binlog的Elasticsearch数据同步实践

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展，我们的业务数据越来越多，单纯使用 MySQL 已经不能满足我们的数据查询需求，例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后，随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步，我们目前的解决方案是建立数据中间表。把需要检索的业务数据，统一放到一张M
阅读更多...
服务器集群同步时间手记

服务器集群同步时间手记

1.时间服务器配置（必须root用户） （1）检查ntp是否安装 [root@node1 桌面]# rpm -qa|grep ntpntp-4.2.6p5-10.el6.centos.x86_64fontpackages-filesystem-1.41-1.1.el6.noarchntpdate-4.2.6p5-10.el6.centos.x86_64 （2）修改ntp配置文件 [r
阅读更多...
【专题】2024飞行汽车技术全景报告合集PDF分享（附原数据表）

【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
阅读更多...
金融业开源技术 术语

金融业开源技术 术语

金融业开源技术  术语 1  范围 本文件界定了金融业开源技术的常用术语。 本文件适用于金融业中涉及开源技术的相关标准及规范性文件制定和信息沟通等活动。
阅读更多...
AI(文生语音)-TTS 技术线路探索学习:从拼接式参数化方法到Tacotron端到端输出

AI(文生语音)-TTS 技术线路探索学习:从拼接式参数化方法到Tacotron端到端输出

AI(文生语音)-TTS 技术线路探索学习:从拼接式参数化方法到Tacotron端到端输出 在数字化时代，文本到语音（Text-to-Speech, TTS）技术已成为人机交互的关键桥梁，无论是为视障人士提供辅助阅读，还是为智能助手注入声音的灵魂，TTS 技术都扮演着至关重要的角色。从最初的拼接式方法到参数化技术，再到现今的深度学习解决方案，TTS 技术经历了一段长足的进步。这篇文章将带您穿越时
阅读更多...
系统架构设计师： 信息安全技术

系统架构设计师： 信息安全技术

简简单单 Online zuozuo： 简简单单 Online zuozuo 简简单单 Online zuozuo 简简单单 Online zuozuo 简简单单 Online zuozuo ：本心、输入输出、结果 简简单单 Online zuozuo ： 文章目录 系统架构设计师： 信息安全技术前言信息安全的基本要素：信息安全的范围：安全措施的目标：访问控制技术要素：访问控制包括：等保
阅读更多...
前端技术(七)——less 教程

前端技术(七)——less 教程

一、less简介 1. less是什么？ less是一种动态样式语言，属于css预处理器的范畴，它扩展了CSS语言，增加了变量、Mixin、函数等特性，使CSS 更易维护和扩展LESS 既可以在 客户端 上运行 ，也可以借助Node.js在服务端运行。 less的中文官网:https://lesscss.cn/ 2. less编译工具 koala 官网 http://koala-app.
阅读更多...
Spring的设计⽬标——《Spring技术内幕》

Spring的设计⽬标——《Spring技术内幕》

读《Spring技术内幕》第二版，计文柯著。 如果我们要简要地描述Spring的设计⽬标，可以这么说，Spring为开发者提供的是⼀个⼀站式的轻量级应⽤开发框架（平台）。 作为平台，Spring抽象了我们在 许多应⽤开发中遇到的共性问题；同时，作为⼀个轻量级的应⽤开发框架，Spring和传统的J2EE开发相⽐，有其⾃⾝的特点。 通过这些⾃⾝的特点，Spring充分体现了它的设计理念：在
阅读更多...
java线程深度解析（六）——线程池技术

java线程深度解析（六）——线程池技术

http://blog.csdn.net/Daybreak1209/article/details/51382604 一种最为简单的线程创建和回收的方法： [html]  view plain copy new Thread(new Runnable(){                @Override               public voi
阅读更多...
java线程深度解析（二）——线程互斥技术与线程间通信

java线程深度解析（二）——线程互斥技术与线程间通信

http://blog.csdn.net/daybreak1209/article/details/51307679      在java多线程——线程同步问题中，对于多线程下程序启动时出现的线程安全问题的背景和初步解决方案已经有了详细的介绍。本文将再度深入解析对线程代码块和方法的同步控制和多线程间通信的实例。 一、再现多线程下安全问题 先看开启两条线程，分别按序打印字符串的
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2