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

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

Java利用JSONPath操作JSON数据的技术指南

《Java利用JSONPath操作JSON数据的技术指南》JSONPath是一种强大的工具,用于查询和操作JSON数据,类似于SQL的语法,它为处理复杂的JSON数据结构提供了简单且高效... 目录1、简述2、什么是 jsONPath?3、Java 示例3.1 基本查询3.2 过滤查询3.3 递归搜索3.4

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

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

Linux搭建Mysql主从同步的教程

《Linux搭建Mysql主从同步的教程》:本文主要介绍Linux搭建Mysql主从同步的教程,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linux搭建mysql主从同步1.启动mysql服务2.修改Mysql主库配置文件/etc/my.cnf3.重启主库my

Java中将异步调用转为同步的五种实现方法

《Java中将异步调用转为同步的五种实现方法》本文介绍了将异步调用转为同步阻塞模式的五种方法:wait/notify、ReentrantLock+Condition、Future、CountDownL... 目录异步与同步的核心区别方法一:使用wait/notify + synchronized代码示例关键

详谈redis跟数据库的数据同步问题

《详谈redis跟数据库的数据同步问题》文章讨论了在Redis和数据库数据一致性问题上的解决方案,主要比较了先更新Redis缓存再更新数据库和先更新数据库再更新Redis缓存两种方案,文章指出,删除R... 目录一、Redis 数据库数据一致性的解决方案1.1、更新Redis缓存、删除Redis缓存的区别二

Nacos集群数据同步方式

《Nacos集群数据同步方式》文章主要介绍了Nacos集群中服务注册信息的同步机制,涉及到负责节点和非负责节点之间的数据同步过程,以及DistroProtocol协议在同步中的应用... 目录引言负责节点(发起同步)DistroProtocolDistroSyncChangeTask获取同步数据getDis

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

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