计算机网络——物理层-信道的极限容量(奈奎斯特公式、香农公式)

news2024/9/22 15:17:44

目录

介绍

奈氏准则

香农公式


介绍

信号在传输过程中,会受到各种因素的影响。

如图所示,这是一个数字信号。

当它通过实际的信道后,波形会产生失真;当失真不严重时,在输出端还可根据已失真的波形还原出发送的码元。

但当失真严重时,在输出端就很难判断这个信号在什么时候是1,和在什么时候是0。

信号波形失去了码元之间的清晰界限,这种现象叫做码间串扰。

产生失真的原因主要有:

  • 码元传输速率
  • 信号传输距离
  • 噪声干扰
  • 传输媒体质量等

奈氏准则

(奈奎斯特公式)

早在1924年,奈奎斯特就推导出了著名的奈氏准则,他给出了在假定的理想条件下,为了避免码间串扰,码元传输速率的上限。

  • 理想低通信道的最高码元传输速率 =  2W Baud = 2W 码元 / 秒
  • 理想带通信道的最高码元传输速率 =  W Baud = W 码元 / 秒

W:信道带宽(单位为 Hz)

Baud: 波特 ,即 码元 / 秒

码元传输速率又称为波特率、调制速率、波形速率或符号速率。它与比特率有一定的关系:

  • 当一个码元只携带1比特的信息量时,则波特率(码元 / 秒)与比特率(比特 / 秒)在数值上是相等的;
  • 当一个码元携带n比特的信息量时,则波特率转换成比特率时,数值要乘以n。

要提高信息的传输速率(比特率),就必须设法使每一个码元能够携带更多个比特的信息量。这需要采用多元制。

还记得我们之前介绍的调幅、调频以及调相这三种基本调制方法吗?

它们属于二元调制,只能产生两种不同的码元,也就是两种不同的基本波形。因此,每个码元只能携带1比特的信息量。

而混合调制属于多元调制,例如QAM16可以调制出16种不同的码元,因此,每个码元可以携带4比特的信息量。

需要说明的是:

实际的信道所能传输的最高码元速率要明显低于奈氏准则给出的这个上限值。

这是因为,奈氏准则是在假定的理想条件下推导出来的,他不考虑其他因素,例如传输距离、噪声干扰、传输媒体质量等。

仅从公式来看,只要采用更好的调制方法,让码元可以携带更多的比特,岂不是可以无限制的提高信息的传输速率吗?

答案是否定的。信道的极限信息传输速率,还要受限于实际的信号在信道中传输时的信噪比。

因为信道中的噪声也会影响接收端对码元的识别,并且噪声功率相对信号功率越大,影响就越大。

香农公式

1948年,香农用信息论的理论,推导出了带宽受限,且有高斯白噪声干扰的信道的极限信息传输速率。

具体公式如下所示:

c = W \times {log_{2}}^{(1+\frac{S}{N})}

其中c是信道的极限信息传输速率,单位是比特每秒;W是信道带宽,单位为赫兹;S是信道内所传送信号的平均功率;N是信道内的高斯噪声功率;S/N是信噪比,使用分贝作为度量单位。

信噪比(db) = 10 \times {log_{10}}^{\frac{S}{N}}\: \: (dB)

如下所示,从相同公式可以看出:信道带宽或信道中信道比越大,信息的极限传输速率就越大。

需要说明的是:

在实际信道上,能够达到的信息传输速率,要比该公式的极限传输速率低不少。

这是因为在实际信道中,信号还要受到其他一些损伤,例如各种脉冲干扰 。信号在传输中的衰减和失真等这些因素在香农公式中并未考虑。

综合来看,奈氏准则和香农公式在信道带宽一定的情况下,要想提高信息的传输速率,就必须采用多元制(更好的调制方法)和努力提高信道中的信噪比

  • 自从香农公式发表以后,各种新的信号处理和调制方法就不断出现,其目的都是为了尽可能地接近香农公式所给出的传输速率极限

END 


学习自:湖科大——计算机网络微课堂

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1228757.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

JVM垃圾回收相关概念

目录 一、System.gc()的理解 二、内存溢出与内存泄露 (一)OOM (二)内存泄露 三、StopTheWorld 四、垃圾回收的并行与并发 五、安全点与安全区域 (一)安全点 (二)安全区域 …

数据结构【DS】树与二叉树的应用

哈夫曼树 树的带权路径长度最小的二叉树WPL 路径长度【边数】 * 结点权值n个叶结点的哈夫曼树共有 2n-1 个结点 哈夫曼树的任意非叶结点的左右子树交换后仍是哈夫曼树对同一组权值,可能存在不同构的多棵哈夫曼树,但树的带权路径长度最小且唯一哈夫曼树…

C/C++高精度

个人主页:仍有未知等待探索_C语言疑难,数据结构,小项目-CSDN博客 专题分栏:算法_仍有未知等待探索的博客-CSDN博客 为什么需要高精度算法? 由于c不能进行位数过高的数据运算,所以要通过模拟数组来进行运算,首先是加法。…

基于类电磁机制算法优化概率神经网络PNN的分类预测 - 附代码

基于类电磁机制算法优化概率神经网络PNN的分类预测 - 附代码 文章目录 基于类电磁机制算法优化概率神经网络PNN的分类预测 - 附代码1.PNN网络概述2.变压器故障诊街系统相关背景2.1 模型建立 3.基于类电磁机制优化的PNN网络5.测试结果6.参考文献7.Matlab代码 摘要:针…

使用ChatGPT进行数据分析案例——贷款数据分析

目录 数据数据 每一行是一个记录,代表着一笔贷款,每一列是一个特征,一共1万多条数据,最后一列非常重要save_loans是否成功收回

SpringBean的配置详解 --中

目录 Bean的初始化和销毁方法配置 Bean的初始化和销毁方法配置 扩展 Bean的实例化 Bean的初始化和销毁方法配置 当lazy-init设置为true时为延迟加载,也就是当Spring容器加载的时候,不会立即创建Bean实例,等待用到时再创建Bean实例并存储到单…

[AutoSar]CP autosar 面试题

目录 关键词前言面试官提问答案 关键词 嵌入式、C语言、autosar、面试题 前言 以前面试中的一些常提到的问题,在这里整理一下,希望对要去面试的道友有所帮助。 其中问题的答案后续有时间会再更新整理。 面试官提问 1.Autosar 概述: 解释 …

传输层协议-TCP协议

目录 TCP协议格式理解可靠性序号与确认序号16位窗口大小六个标志位连接管理机制三次握手四次挥手 确认应答机制(ACK)超时空重传机制流量控制滑动窗口拥塞控制延迟应答捎带应答面向字节流粘包问题TCP异常情况TCP小结基于TCP应用层协议TCP/UDP对比用UDP实现…

AD教程 (十九)PCB板框的评估和层叠设置

AD教程 (十九)PCB板框的评估和层叠设置 板子越小,层数越少,成本越低 PCB板框评估 器件摆放 CtrlA 选中全部器件点击工具,选择器件摆放,选择在矩形区域排列 框定矩形区域,器件就会摆放在框定的矩…

416. 分割等和子集问题(动态规划)

题目 题解 class Solution:def canPartition(self, nums: List[int]) -> bool:# badcaseif not nums:return True# 不能被2整除if sum(nums) % 2 ! 0:return False# 状态定义:dp[i][j]表示当背包容量为j,用前i个物品是否正好可以将背包填满&#xff…

[AutoSar]工程中的cpuload陷阱(三)测试

目录 关键词平台说明背景一、 测试结果对比1.1 不带cache1.2 带cache 二、小结 关键词 嵌入式、C语言、autosar 平台说明 项目ValueOSautosar OSautosar厂商vector芯片厂商TI编程语言C,C编译器HighTec (GCC) 背景 接着工程中的cpuload陷阱(二)中的描述…

Android Spider App逆向 Frida - 夜神模拟器安装配置 基本使用

文章目录 前言一、Frida简单介绍?1.Frida是什么2.Frida原理(建议了解一下,否则后续的安装会有些懵懂) 二、Frida下载1.pip安装frida模块2.查看本地的frida版本,需要与模拟器端/手机端的版本对应,否则会出错3.frida下载 三、Frida安…

Figma 插件学习(一)

一.插件介绍 插件在文件中运行,执行一个或多个用户操作,并允许用户自定义其体验或创建更高效的工作流程。 插件通过专用插件API与Figma的编辑器交互。还可以利用外部Web API。 1.插件API 插件API支持读写功能,允许查看、创建和修改文件的…

读像火箭科学家一样思考笔记03_第一性原理(上)

1. 思维的两种障碍 1.1. 为什么知识会成为一种缺陷而非一种美德 1.1.1. 知识是一种美德 1.1.2. 知识同样的特质也会把它变成一种缺点 1.1.3. 知识确实是个好东西,但知识的作用应该是给人们提供信息,而不是起约束作用 1.1.4. 知识应该启发智慧&#…

2024年软件测试面试必看系列,看完去面试你会感谢我的!!

朋友圈点赞的测试用例 功能测试 1点赞后是否显示结果 2.点赞后是否可以取消; 3.点赞取消后是否可以重复点赞; 4.共同好友点赞后,是否有消息提醒; 5.非共同好友点赞后,是否有消息提醒; 6.点击点赞人昵称,是否可以跳转到他/她的主页; 7.自己能…

NLP学习:深入NLP

个人博客:Sekyoro的博客小屋 个人网站:Proanimer的个人网站 之前学过一段时间NLP,因为其中涉及到一些深度学习常用的知识或者框架,但苦于不系统以及没有任务focus不能长久.这里借助微软的教程写点东西. tokenization&&representation 将一句话中的单词分割就是分词(…

如何看待人工智能行业发展

随着人工智能技术的飞速发展,这个领域的就业前景也日益广阔。人工智能在各行各业都有广泛的应用,包括医疗、金融、制造业、教育等。因此,对于想要追求高薪、高技能职业的人来说,学习人工智能是一个非常有前景的选择。 首先&#x…

Redis--字符串

基础概念 字符串、数字,都会转化为字符串来进行存储 以二进制的方式存储在内存中 key的命名规范 key不宜过长,消耗内存,且在数据查找的这类键值的计算成本高(通过hash计算来查找)不宜过短,可读性查值一…

程序员带你入门人工智能

随着人工智能技术的飞速发展,越来越多的程序员开始关注并学习人工智能。作为程序员,我们可能会对如何开始了解人工智能感到困惑。今天,我将向大家介绍一些如何通过自学了解人工智能的经验和方法,帮助大家更好地入门这个充满挑战和…

在线ws/wss调试工具

具体前往:在线webSocket(ws)调试工具