通信原理学习笔记6-2:数字解调——抽样和符号同步
采样
根据6-1的推导:在无ISI时,任意位置nnn上的一个符号InI_nIn,经过AWGN信道、匹配滤波器、采样后,得到符号YnY_{n}YnYn=In+nnY_{n}=I_{n}+n_{n}Yn=In+nn
- 其中,nnn_{n}nn为离散高斯白噪声,原因:
高斯白噪声n(t)n(t)n(t)经过匹配滤波器g(T−t)g(T-t)g(T−t),得到带限高斯白噪声nB(t)=∫−∞∞n(τ)g[t−(T−τ)]dτn_B(t)=\int_{-\infty}^{\infty} n(\tau) g[t-(T-\tau)] \mathrm{d} \taunB(t)=∫−∞∞n(τ)g[t−(T−τ)]dτ
带限高斯白噪声nB(t)n_B(t)nB(t)在T+nTsT+nT_sT+nTs时刻采样得到离散高斯白噪声nnn_{n}nn(自相关函数满足Rnn[n]=N02δ[n]R_{n n}[n]=\frac{N_{0}}{2} \delta[n]Rnn[n]=2N0δ[n],故噪声方差/功率谱密度N0/2N_0/2N0/2)
实际的解调链路(带有符号同步)
比上面的基础链路更加详细的解调原理框图如下
其中主要是增加了载波恢复和符号同步两个模块
实现中的问题:载波恢复和符号同步
实际中应该考虑信道延迟的问题
发射的射频信号sRF(t)=Re{s(t)ej2πfct}s_{RF}(t)=Re\{s(t)e^{j2\pi f_ct}\}sRF(t)=Re{s(t)ej2πfct}
经过了信道延迟τ\tauτ后,接收到的射频信号rRF(t)=sRF(t−τ)+nRF(t)=Re{s(t−τ)ej2πfc(t−τ)+n(t)ej2πfct}r_{RF}(t)=s_{RF}(t-\tau)+n_{RF}(t)\\=Re\{s(t-\tau)e^{j2\pi f_c(t-\tau)}+n(t)e^{j2\pi f_ct}\}rRF(t)=sRF(t−τ)+nRF(t)=Re{s(t−τ)ej2πfc(t−τ)+n(t)ej2πfct}提取其中的高频载波项rRF(t)=Re{[s(t−τ)+n(t)ej2πfcτ]ej2πfc(t−τ)}=Re{[s(t−τ)+n(t)e−jϕ]ej(2πfct+ϕ)},其中ϕ=−2πfcτr_{RF}(t)=Re\{[s(t-\tau)+n(t)e^{j2\pi f_c\tau}]e^{j2\pi f_c(t-\tau)}\}\\=Re\{[s(t-\tau)+n(t)e^{-j\phi}]e^{j(2\pi f_ct+\phi)}\},其中\phi=-2\pi f_c \taurRF(t)=Re{[s(t−τ)+n(t)ej2πfcτ]ej2πfc(t−τ)}=Re{[s(t−τ)+n(t)e−jϕ]ej(2πfct+ϕ)},其中ϕ=−2πfcτ
也就是说,信道延迟τ\tauτ的影响有两方面:
- 一方面要求下变频时,接收端的高频载波需要对准相位ϕ\phiϕ;(只需改变相位,频率不变)
这实际上就是载波恢复问题,之前在模拟系统中,已经讨论过,载波恢复由平方环和Costas环等实现 - 另一方面,恢复后的基带信号存在时延τ\tauτ,需要相应的改变抽样判决时刻为nTs+τnT_s+\taunTs+τ
我们需要估计信道的延迟τ\tauτ(未知),并且在nTs+τnT_s+\taunTs+τ时刻抽样判决,这就是符号同步问题。下面讨论符号同步的具体实现方
注意:
虽然上面说过ϕ=−2πfcτ\phi=-2\pi f_c \tauϕ=−2πfcτ,但是ϕ\phiϕ和τ\tauτ在实际中知道一个不能求另一个,是两个不同的参数,“载波恢复”和“符号同步”两个步骤不能合二为一
原因:
基带信号载波相对而言频率低,因此对ϕ\phiϕ的精度要求远高于时延τ\tauτ,知道τ\tauτ也无法推出ϕ\phiϕ;
另外,由于发射机和接收机的振荡器都存在频率漂移,振荡频率fcf_cfc无法做到一致,即使获得了高精度的τ\tauτ,带入ϕ=−2πfcτ\phi=-2\pi f_c \tauϕ=−2πfcτ求ϕ\phiϕ也没有任何意义
综上所述,“载波恢复”的步骤必须独立进行,它和符号同步是两个不同的功能
符号同步:判决反馈的符号同步方法
由上,载波恢复后的基带信号带有时延:r(t)=s(t−τ)+n(t)e−jϕr(t)=s(t-\tau)+n(t)e^{-j\phi}r(t)=s(t−τ)+n(t)e−jϕ,其中s(t−τ)=∑n=−∞∞Ing(t−nTs−τ)s(t-\tau)=\sum_{n=-\infty}^{\infty} I_{n} g\left(t-n T_{s}-\tau\right)s(t−τ)=n=−∞∑∞Ing(t−nTs−τ)
我们希望估计出τ\tauτ,并在nTs+τnT_s+\taunTs+τ时刻抽样判决
思路是:不在意如何得到τ\tauτ,而是假设已经进行了最佳的符号同步,并从统计角度推导此时的约束
复习:
对于模型Y=H{s(X)}+n\boldsymbol{Y}=H\{\boldsymbol{s}(\boldsymbol{X})\}+\boldsymbol{n}Y=H{s(X)}+n,当噪声n\boldsymbol{n}n为高斯分布时,最大似然准则ML等价于最小二乘准则LS
也就是说,条件概率pY∣X(Y∣X)=(12πσ)Ne−∣Y−H{s(X)}∣2/2σ2p_{\boldsymbol{Y} \mid \boldsymbol{X}}(\boldsymbol{Y} \mid \boldsymbol{X})=\left(\frac{1}{\sqrt{2 \pi} \sigma}\right)^{N} \mathrm{e}^{-|\boldsymbol{Y}-H\{s(\boldsymbol{X})\}|^{2} / 2 \sigma^{2}}pY∣X(Y∣X)=(2πσ1)Ne−∣Y−H{s(X)}∣2/2σ2最大,
等价于似然函数Λ(X)=exp{−∣Y−H{s(X)}∣2/2σ2}\Lambda(\boldsymbol{X})=\exp \left\{-|\boldsymbol{Y}-H\{s(\boldsymbol{X})\}|^{2} / 2 \sigma^{2}\right\}Λ(X)=exp{−∣Y−H{s(X)}∣2/2σ2}最大,
也等价于损失函数L(X)=∣Y−H{s(X)}∣2L(\boldsymbol{X})=|\boldsymbol{Y}-H\{s(\boldsymbol{X})\}|^{2}L(X)=∣Y−H{s(X)}∣2最小,即最小二乘准则
对于这里的模型r(t)=s(t−τ)+n(t)e−jϕr(t)=s(t-\tau)+n(t)e^{-j\phi}r(t)=s(t−τ)+n(t)e−jϕ,
最大似然准则,要使似然函数Λ(τ)=exp{−1N0∫T0∣r(t)−s(t−τ)∣2dt}\Lambda(\tau)=\exp \left\{-\frac{1}{N_{0}} \int_{T_{0}}|r(t)-s(t-\tau)|^{2} \mathrm{~d} t\right\}Λ(τ)=exp{−N01∫T0∣r(t)−s(t−τ)∣2 dt}最大
在高斯噪声夏,等价为最小二乘准则,要使损失函数L(τ)=∫T0∣r(t)−s(t−τ)∣2dtL(\tau)=\int_{T_{0}}|r(t)-s(t -\tau)|^{2} \mathrm{~d} tL(τ)=∫T0∣r(t)−s(t−τ)∣2 dt最小
展开损失函数得到L(τ)=∫T0[r(t)−s(t−τ)][r∗(t)−s∗(t−τ)]dt=∫T0∣r(t)∣2+∣s(t−τ)∣2−[r(t)s∗(t−τ)+r∗(t)s(t−τ)]dt=∫T0∣r(t)∣2+∣s(t−τ)∣2−ℜ[r(t)]ℜ[s(t−τ)]−ℑ[r(t)]ℑ[s(t−τ)]dt\begin{aligned} L(\tau)=& \int_{T_{0}}[r(t)-s(t - \tau)]\left[r^{*}(t)-s^{*}(t - \tau)\right] \mathrm{d} t \\ =& \int_{T_{0}}|r(t)|^{2}+|s(t - \tau)|^{2}-\left[r(t) s^{*}(t - \tau)+r^{*}(t) s(t - \tau)\right] \mathrm{d} t \\ =& \int_{T_{0}}|r(t)|^{2}+|s(t - \tau)|^{2}-\Re[r(t)]\Re[s(t-\tau)]-\Im[r(t)]\Im[s(t-\tau)] \mathrm{d} t \\ \end{aligned}L(τ)===∫T0[r(t)−s(t−τ)][r∗(t)−s∗(t−τ)]dt∫T0∣r(t)∣2+∣s(t−τ)∣2−[r(t)s∗(t−τ)+r∗(t)s(t−τ)]dt∫T0∣r(t)∣2+∣s(t−τ)∣2−ℜ[r(t)]ℜ[s(t−τ)]−ℑ[r(t)]ℑ[s(t−τ)]dt
前两项是确定值,因此使L(τ)L(\tau)L(τ)最小,等价于使ΛL(τ)=∫T0ℜ[r(t)]ℜ[s(t−τ)]+ℑ[r(t)]ℑ[s(t−τ)]dt\Lambda_{L}(\tau)= \int_{T_{0}}\Re[r(t)]\Re[s(t-\tau)]+\Im[r(t)]\Im[s(t-\tau)] \mathrm{d} tΛL(τ)=∫T0ℜ[r(t)]ℜ[s(t−τ)]+ℑ[r(t)]ℑ[s(t−τ)]dt最大
带入s(t−τ)=∑n=−∞∞Ing(t−nTs−τ)s(t-\tau)=\sum_{n=-\infty}^{\infty} I_{n} g\left(t-n T_{s}-\tau\right)s(t−τ)=∑n=−∞∞Ing(t−nTs−τ)得到ΛL(τ)=∫T0ℜ[r(t)]∑nℜ[In]g(t−nTs−τ)dt+∫T0ℑ[r(t)]∑nℑ[In]g(t−nTs−τ)dt=∑nℜ[In]∫T0ℜ[r(t)]g(t−nTs−τ)dt+∑nℑ[In]∫T0ℑ[r(t)]g(t−nTs−τ)dt=∑n[ℜ[In]ynℜ(τ)+ℑ[In]ynℑ(τ)]其中,ynℜ(τ)=∫T0ℜ[r(t)]g(t−nTs−τ)dtynℑ(τ)=∫T0ℑ[r(t)]g(t−nTs−τ)dt\begin{aligned} \Lambda_{L}(\tau) &=\int_{T_{0}} \Re[r(t)] \sum_{n} \Re\left[I_{n}\right] g\left(t-n T_{s}-\tau\right) \mathrm{d} t+\int_{T_{0}} \Im[r(t)] \sum_{n} \Im\left[I_{n}\right] g\left(t-n T_{s}-\tau\right) \mathrm{d} t \\ &=\sum_{n} \Re\left[I_{n}\right] \int_{T_{0}} \Re[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} t+\sum_{n} \Im\left[I_{n}\right] \int_{T_{0}} \Im[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} t \\ &=\sum_{n}\left[\Re\left[I_{n}\right] y_{n \Re}(\tau)+\Im\left[I_{n}\right] y_{n \Im}(\tau)\right] \\ 其中,y_{n \Re}(\tau) &=\int_{T_{0}} \Re[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} t \\y_{n \Im}(\tau) &=\int_{T_{0}} \Im[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} t \end{aligned}ΛL(τ)其中,ynℜ(τ)ynℑ(τ)=∫T0ℜ[r(t)]n∑ℜ[In]g(t−nTs−τ)dt+∫T0ℑ[r(t)]n∑ℑ[In]g(t−nTs−τ)dt=n∑ℜ[In]∫T0ℜ[r(t)]g(t−nTs−τ)dt+n∑ℑ[In]∫T0ℑ[r(t)]g(t−nTs−τ)dt=n∑[ℜ[In]ynℜ(τ)+ℑ[In]ynℑ(τ)]=∫T0ℜ[r(t)]g(t−nTs−τ)dt=∫T0ℑ[r(t)]g(t−nTs−τ)dt
ΛL(τ)\Lambda_{L}(\tau)ΛL(τ)取最大的充分条件为:dΛL(τ)dτ=∑n[ℜ[In]dynℜ(τ)dτ+ℑ[In]dynℑ(τ)dτ]=0\frac{d \Lambda_{L}(\tau)}{\mathrm{d} \tau}=\sum_{n}\left[\Re\left[I_{n}\right] \frac{\mathrm{d} y_{n \Re}(\tau)}{\mathrm{d} \tau}+\Im\left[I_{n}\right] \frac{\mathrm{d} y_{n \Im}(\tau)}{\mathrm{d} \tau}\right]=0dτdΛL(τ)=∑n[ℜ[In]dτdynℜ(τ)+ℑ[In]dτdynℑ(τ)]=0
由上述推导,得到判决反馈的符号同步原理框图:
- 上面推导中的ynℜ(τ)=∫T0ℜ[r(t)]g(t−nTs−τ)dty_{n \Re}(\tau) =\int_{T_{0}} \Re[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} tynℜ(τ)=∫T0ℜ[r(t)]g(t−nTs−τ)dt和ynℑ(τ)=∫T0ℑ[r(t)]g(t−nTs−τ)dty_{n \Im}(\tau) =\int_{T_{0}} \Im[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} tynℑ(τ)=∫T0ℑ[r(t)]g(t−nTs−τ)dt,从表达式可见,分别对应基带信号r(t)r(t)r(t)的I路/Q路经过匹配滤波器g(T−τ)g(T-\tau)g(T−τ)后的结果
- 图中存在一个类似于锁相环的环路,保证了dΛL(τ)dτ=∑n[ℜ[In]dynℜ(τ)dτ+ℑ[In]dynℑ(τ)dτ]=0\frac{d \Lambda_{L}(\tau)}{\mathrm{d} \tau}=\sum_{n}\left[\Re\left[I_{n}\right] \frac{\mathrm{d} y_{n \Re}(\tau)}{\mathrm{d} \tau}+\Im\left[I_{n}\right] \frac{\mathrm{d} y_{n \Im}(\tau)}{\mathrm{d} \tau}\right]=0dτdΛL(τ)=∑n[ℜ[In]dτdynℜ(τ)+ℑ[In]dτdynℑ(τ)]=0条件成立
当采样时刻正确,加法器输出接近于0;否则,加法器的非零输出控制压控时钟VCC,从而调制采样时刻(直到加法器输出接近于0)
要注意,这里用到了符号InI_nIn,因此需要将解调出来的符号InI_nIn反馈给符号同步模块,故称为“判决反馈的符号同步方法”,当然,在判决存在错误时本方法性能下降。 - 压控时钟VCC:就是在VCO输出正弦信号的基础上,将其整形为同频同相的方波,并用于控制抽样时刻
- 加法器实际上用LPF实现
符号同步:无判决反馈的符号同步方法
为了摆脱对于信息符号的依赖,将似然函数对将信息符号做统计评价,得到平均的似然函数,并经过一系列处理得到简洁的似然函数Λ~L(τ)≈∑nyn′2(τ)\tilde{\Lambda}_{L}(\tau) \approx \sum_{n} y_{n}^{\prime 2}(\tau)Λ~L(τ)≈n∑yn′2(τ)其中,y2n′(τ)=2ynℜ(τ),n=0,1,⋯,N−1,y2n+1′(τ)=2ynℑ(τ),n=0,1,⋯,N−1y_{2 n}^{\prime}(\tau)=2 y_{n \Re}(\tau), n=0,1, \cdots, N-1 ,\quad y_{2 n+1}^{\prime}(\tau)=2 y_{n \Im}(\tau), n=0,1, \cdots, N-1y2n′(τ)=2ynℜ(τ),n=0,1,⋯,N−1,y2n+1′(τ)=2ynℑ(τ),n=0,1,⋯,N−1
上式取得极大值的充分条件:dΛ~L(τ)dτ=0\frac{d \tilde{\Lambda}_{L}(\tau)}{\mathrm{d} \tau}=0dτdΛ~L(τ)=0
实现时,又可以写为两种形式:
- ∑ndyn′2(τ)dτ=0\sum_{n} \frac{\mathrm{d} y_{n}^{\prime 2}(\tau)}{\mathrm{d} \tau}=0∑ndτdyn′2(τ)=0,原理框图如下
- ∑nyn′(τ)dyn′(τ)dτ=0\sum_{n} y_{n}^{\prime}(\tau) \frac{\mathrm{d} y_{n}^{\prime}(\tau)}{\mathrm{d} \tau}=0∑nyn′(τ)dτdyn′(τ)=0,原理框图如下
ps. 图中只画出了I路信号,Q路处理方式与之相同
与载波恢复技术对比:
第一种类似于载波恢复中的平方环
第而种类似于载波恢复中的Costas环
区别是,载波恢复中,微分的结果是相移π/2\pi/2π/2,而这里用了显式的微分表达;另外,这里的加法器起到了环路滤波器的作用
通信原理学习笔记6-2:数字解调——抽样和符号同步相关推荐
- 通信原理学习笔记6-4:数字解调——抽样判决的译码准则(最大后验概率准则MAP、最大似然准则ML、最小二乘/最小平方准则LS、最小距离准则)
判决译码 在无ISI时,任意位置nnn上的一个符号InI_nIn,经过AWGN信道.匹配滤波器.采样后,得到符号YnY_{n}YnYn=In+nnY_{n}=I_{n}+n_{n}Yn=In+ ...
- 通信原理学习笔记6-5:数字解调——译码的硬判决与软判决
卷积码的Viterbi译码.LDPC的译码,都有两种方式:硬判决(hard decision)与软判决(soft decision) 硬判决 硬判决就是将信号波形与判决门限比较,数字解调器的输出(即后 ...
- 通信原理学习笔记5-2:数字调制——连续相位和恒包络问题(非线性功放、连续相位CP FSK信号、最小频移键控MSK、GMSK)
为了最大程度利用非线性功放,需要降低信号PAPR,这要求信号具有恒包络特性 信道带宽有限,需要降低信号带外泄露(进而传输失真小),要求信号具有连续相位特性(从而高频成分少) 波形连续和恒包络之间存在矛 ...
- 通信原理学习笔记:通信系统
文章目录 通信原理 通信系统基本概念和组成 通信 消息 信号 信息 信息量 离散信息 通信系统的主要性能指标 模拟通信系统 数字通信系统 有效性指标 可靠性指标 信道和噪声 无线信道 视线传播 自由传 ...
- 通信原理学习笔记2-1:模拟调制——相干解调的载波恢复、锁相环(平方环/Costas环)、变频/混频技术
原始信号为基带模拟信号,要想在空气中传播信号,必须使用频带信号(频率高则天线长度降低,且可能进行频分复用等) 要产生频带信号,需要频谱搬移,这就是调制:基带信号经过调制,得到已调信号/调制信号/频带信 ...
- 通信原理学习笔记1:模拟与数字通信系统、通信系统性能指标
通信系统的演变 有线模拟模拟通信系统:最早的有线电话,话音直接由话筒到电流信号再到听筒 有线电话,线路架设不便,引入无线信道,传输空间电磁波 无线模拟通信系统:无线电话通信系统,加入了调制器/解调器和 ...
- 通信原理学习笔记3-3:数字通信系统概述(数字调制、IQ调制与PSK / QAM)
我们将数字通信系统分为三个主要模块: 信源默认为数字信源,但是如果是模拟信源,还需要模数转换(包含采样.量化.编码,未画出) 数字信源经过信源编码.信道编码和交织处理,提高了有效性和可靠性 然后进行数 ...
- 【深入浅出通信原理-学习笔记】频带信号的发送和接收
频带信号的发送和接收在通信系统模型中的位置如图所示 基带信号通过调制转换成频带信号,基本思路是发送端产生高频载波信号,让高频载波的幅度.频率或相位随着调制信号变化,接收端收到后,从中将调制信号恢复出来 ...
- 通信原理学习笔记3-2:数字通信系统概述(信源编码/压缩编码、信道编码FEC和交织、HARQ)
我们将数字通信系统分为三个主要模块: 信源默认为数字信源,但是如果是模拟信源,还需要模数转换(包含采样.量化.编码,未画出) 数字信源经过信源编码.信道编码和交织处理,提高了有效性和可靠性 然后进行数 ...
最新文章
- shell eval命令
- 安全研究 | Jenkins 任意文件读取漏洞分析
- python有哪些作用-python是什么 特点及功能
- 互联网公司之外,银联等大型企业是如何玩转软件研发的?
- 池化层对神经网络的运算速度有什么影响
- 数学建模c语言仿真软件,数学建模十五大经典数学模型
- LL-verilog卡诺图sop和pos
- FlashCache初体验
- 发送方波_室内设备发送器
- CSDN前200名博主
- 【一周头条盘点】中国软件网(2018.1.15~2018.1.19)
- js在wap端获取定位_两款JS脚本判断手机浏览器类型跳转WAP手机网站
- 计算机网络自顶向下 1
- cdrx8如何批量导出jpg_cdr超级伴侣批量导图v8.0 免费版
- python .txt文件转.csv文件-ok
- [Render] Arm Graphics Analyzer 用户指南 [4] - 分析你的捕获
- tar 慢 加快_加快慢的Outlook 2007
- c++ 如何用一个函数实现两个字符串的比较
- 【机器学习笔记】——决策树(Decision Tree)
- 从画面质量看国产3D网游的技术性崛起