24年9月通信基础知识补充1

news2024/11/24 3:51:24

看文献过程中不断发现有太多不懂的基础知识,故长期更新这类blog不断补充在这过程中学到的知识。由于这些内容与我的研究方向并不一定强相关,故记录不会很深入请见谅。

【通信基础知识补充2】9月通信基础知识补充1

一、Zadoff-Chu 序列

Zadoff-Chu序列(Zadoff-Chu sequence)是一种复指数序列,由于该序列具备恒定包络、理想自相关和互相关特性,它在现代无线通信系统中被广泛采用,特别是在同步、信道估计和随机接入等场景中。其优异的抗干扰能力和对多用户信号的有效区分能力,使其成为提高系统性能的关键技术之一。

1.1 Zadoff-Chu 序列的定义

Zadoff-Chu序列是一种复数序列,通常可以表示为以下形式:
x ( n ) = exp ⁡ ( − j π r n ( n + 1 ) N ) , n = 0 , 1 , 2 , . . . , N − 1 x(n) = \exp \left( -j \frac{\pi r n(n+1)}{N} \right), \quad n = 0, 1, 2, ..., N-1 x(n)=exp(jNπrn(n+1)),n=0,1,2,...,N1
其中:

  • x ( n ) x(n) x(n) 是Zadoff-Chu序列的第 n n n 个元素。
  • j j j 是虚数单位,即 j = − 1 j = \sqrt{-1} j=1
  • r r r 是序列的根序数(root index),可以是任意与 N N N 互质的整数(即 gcd ⁡ ( r , N ) = 1 \gcd(r, N) = 1 gcd(r,N)=1)。
  • N N N 是序列的长度。

1.1.1 如何理解根序数 r r r(root index)

根序数 r r r 是用于控制Zadoff-Chu序列调制的整数参数。每一个不同的 r r r 值都会产生不同的Zadoff-Chu序列,根序数影响了序列的相位变化模式。这种特性保证了多用户系统中的序列正交性,即不同用户的序列互相关为零或接近零。

1.1.1.1 为什么 r r r N N N 需要互质?

只有当 r r r N N N 互质(即最大公约数为1)时,Zadoff-Chu序列才能保证其良好的自相关和互相关特性。如果 r r r N N N 不是互质的,序列可能会出现周期性重复,导致相关特性变差,影响通信中的性能。

1.1.1.2 举例说明

在这里插入图片描述
在这里插入图片描述

1.2 Zadoff-Chu 序列的特性

  1. 恒定包络
    Zadoff-Chu序列的每一个元素的幅度都相同,通常为1。也就是说,对于所有 ( n ) 都满足 ( |x(n)| = 1 )。这种恒定包络的特性在无线通信中非常重要,因为它有助于降低信号的峰均功率比(PAPR)。
  2. 理想自相关
    Zadoff-Chu序列具有理想的自相关特性,即当序列与其自身进行循环移位的相关时,除非移位为零,相关结果总是为零:
    R x x ( τ ) = ∑ n = 0 N − 1 x ( n ) x ∗ ( n − τ ) = δ ( τ ) R_{xx}(\tau) = \sum_{n=0}^{N-1} x(n) x^*(n-\tau) = \delta(\tau) Rxx(τ)=n=0N1x(n)x(nτ)=δ(τ)
    这意味着Zadoff-Chu序列对时延具有良好的抗干扰能力,非常适合用于同步和检测任务。
  3. 理想互相关
    不同根序数 (r) 生成的Zadoff-Chu序列在循环移位时具有理想的互相关特性,即两个不同的Zadoff-Chu序列的互相关为零或接近零。该特性使其能够在多用户环境中有效地区分不同的用户信号。

1.3 Zadoff-Chu 序列的应用

  1. 随机接入
    在LTE和5G中,Zadoff-Chu序列被用作随机接入前导序列(preamble),帮助用户设备(UE)与基站(eNodeB或gNodeB)同步并进行连接。
  2. 信道估计
    由于Zadoff-Chu序列的理想相关特性,它们也被用于信道估计过程,有助于提高估计的精度。
  3. 信号同步
    Zadoff-Chu序列的自相关特性使其在接收端易于检测,常被用于时间和频率同步。

二、如何计算Cramér-Rao下界 (CRLB)

Cramér-Rao下界(CRLB,Cramér-Rao Lower Bound)在参数估计问题中定义了任何无偏估计器方差的理论下界,这个下限是由观测数据和噪声的统计特性决定的,CRLB在估计问题中提供了一个“最佳性能”的衡量标准。接下来将通过一个简单的信道估计例子,展示如何计算CRLB。

2.1 示例:估计无线信道增益 h h h 的CRLB

假设一个简单的无线通信信道模型如下:
y = h ⋅ x + n y = h \cdot x + n y=hx+n
其中:

  • y y y 是接收到的信号,
  • h h h 是我们要估计的未知信道增益,
  • x x x 是已知的发射信号,
  • n n n 是加性白高斯噪声(AWGN),且 n ∼ N ( 0 , σ 2 ) n \sim \mathcal{N}(0, \sigma^2) nN(0,σ2)

2.1.1 步骤1:定义似然函数

首先,我们需要写出观测数据的似然函数 p ( y ∣ h ) p(y|h) p(yh)。假设噪声 n n n 是零均值的高斯白噪声,且具有方差 σ 2 \sigma^2 σ2,那么对于给定的参数 h h h,接收信号 y y y 的概率密度函数是一个高斯分布:
p ( y ∣ h ) = 1 2 π σ 2 exp ⁡ ( − ( y − h ⋅ x ) 2 2 σ 2 ) p(y|h) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left( -\frac{(y - h \cdot x)^2}{2\sigma^2} \right) p(yh)=2πσ2 1exp(2σ2(yhx)2)

2.1.2 步骤2:计算对数似然函数

为了计算Fisher信息,我们首先需要求解对数似然函数 ℓ ( h ) \ell(h) (h)

ℓ ( h ) = log ⁡ p ( y ∣ h ) = − 1 2 log ⁡ ( 2 π σ 2 ) − ( y − h ⋅ x ) 2 2 σ 2 \ell(h) = \log p(y|h) = -\frac{1}{2} \log(2\pi\sigma^2) - \frac{(y - h \cdot x)^2}{2\sigma^2} (h)=logp(yh)=21log(2πσ2)2σ2(yhx)2

2.1.3 步骤3:计算对参数 h h h 的一阶导数

接下来,我们对 h h h 求对数似然函数的导数(称为得分函数):
∂ ℓ ( h ) ∂ h = x ⋅ ( y − h ⋅ x ) σ 2 \frac{\partial \ell(h)}{\partial h} = \frac{x \cdot (y - h \cdot x)}{\sigma^2} h(h)=σ2x(yhx)

2.1.4 步骤4:计算Fisher信息

Fisher信息 I ( h ) I(h) I(h) 是对数似然函数的一阶导数平方的期望值,定义为:
I ( h ) = E [ ( ∂ ℓ ( h ) ∂ h ) 2 ] I(h) = \mathbb{E} \left[ \left( \frac{\partial \ell(h)}{\partial h} \right)^2 \right] I(h)=E[(h(h))2]
首先,将一阶导数平方:
( ∂ ℓ ( h ) ∂ h ) 2 = x 2 ⋅ ( y − h ⋅ x ) 2 σ 4 \left( \frac{\partial \ell(h)}{\partial h} \right)^2 = \frac{x^2 \cdot (y - h \cdot x)^2}{\sigma^4} (h(h))2=σ4x2(yhx)2
由于噪声 n n n 服从 N ( 0 , σ 2 ) \mathcal{N}(0, \sigma^2) N(0,σ2),我们有 E [ ( y − h ⋅ x ) 2 ] = σ 2 \mathbb{E}[(y - h \cdot x)^2] = \sigma^2 E[(yhx)2]=σ2。因此,Fisher信息为:
I ( h ) = x 2 σ 2 I(h) = \frac{x^2}{\sigma^2} I(h)=σ2x2

2.1.5 步骤5:计算CRLB

CRLB是Fisher信息的倒数,对于参数 h h h 的估计,CRLB为:

CRLB ( h ) = 1 I ( h ) = σ 2 x 2 \text{CRLB}(h) = \frac{1}{I(h)} = \frac{\sigma^2}{x^2} CRLB(h)=I(h)1=x2σ2

2.1.6 总结

在这个简单的例子中,信道增益 h h h 的CRLB是 σ 2 x 2 \frac{\sigma^2}{x^2} x2σ2,这意味着任何无偏估计算法的方差不能低于这个值。通过以下步骤,我们计算了CRLB:

  1. 写出似然函数或概率密度函数 p ( y ∣ h ) p(y|h) p(yh)
  2. 计算对数似然函数 ℓ ( h ) \ell(h) (h)
  3. 求出对未知参数 h h h 的导数。
  4. 计算Fisher信息矩阵。
  5. 通过Fisher信息矩阵的倒数得到CRLB。

CRLB在信道估计中的作用非常重要,它为各种算法的估计性能提供了一个理论下界,帮助我们衡量算法的优劣。

三、介绍哈达玛矩阵

3.1. 什么是哈达玛矩阵?

哈达玛矩阵(Hadamard Matrix)是一种特殊的正交矩阵,矩阵的元素只有 +1 和 -1。它具有优良的正交性和自相关特性,因此广泛应用于信号处理、通信系统、量子计算等领域。

3.1.1 定义

哈达玛矩阵 H n H_n Hn 是一个 n × n n \times n n×n 的矩阵,并满足以下条件:

  1. 元素取值:矩阵的每个元素要么是 +1,要么是 -1。
  2. 正交性:矩阵的行(或列)是两两正交的,也就是说,任意两行或两列的内积为零。数学上:
    H n ⋅ H n T = n I n H_n \cdot H_n^T = nI_n HnHnT=nIn
    其中 H n T H_n^T HnT H n H_n Hn 的转置矩阵, I n I_n In n × n n \times n n×n 的单位矩阵。

3.1.2 存在性条件

哈达玛矩阵的阶数 n n n 必须是 1 或 4 的倍数。虽然并不是所有的 4 的倍数阶数都有哈达玛矩阵,但确实存在许多特殊阶数的哈达玛矩阵。

3.2. 哈达玛矩阵的构造方法

3.2.1 Sylvester 构造法

Sylvester 构造法是构造哈达玛矩阵的常用方法。其递归公式如下:

  1. n = 1 n = 1 n=1 时:
    H 1 = [ 1 ] H_1 = \begin{bmatrix} 1 \end{bmatrix} H1=[1]
  2. n = 2 k n = 2^k n=2k 时, H 2 n H_{2n} H2n 可以通过以下递归公式得到:
    H 2 n = [ H n H n H n − H n ] H_{2n} = \begin{bmatrix} H_n & H_n \\ H_n & -H_n \end{bmatrix} H2n=[HnHnHnHn]
3.2.2 举例:
  • 对于 n = 2 n = 2 n=2,我们有:
    H 2 = [ 1 1 1 − 1 ] H_2 = \begin{bmatrix} 1 & 1 \\ 1 & -1 \end{bmatrix} H2=[1111]
  • 对于 n = 4 n = 4 n=4,根据递归公式构造得到:
    H 4 = [ 1 1 1 1 1 − 1 1 − 1 1 1 − 1 − 1 1 − 1 − 1 1 ] H_4 = \begin{bmatrix} 1 & 1 & 1 & 1 \\ 1 & -1 & 1 & -1 \\ 1 & 1 & -1 & -1 \\ 1 & -1 & -1 & 1 \end{bmatrix} H4= 1111111111111111

3.3. 哈达玛矩阵的性质

哈达玛矩阵具有以下重要性质:

  1. 正交性
    哈达玛矩阵的行和列之间两两正交,因此可以用作正交编码或扩频码,减少信号之间的干扰。

  2. 最大行列式
    对于给定阶数的矩阵,哈达玛矩阵的行列式的绝对值是所有矩阵中最大的。

  3. 符号对称性
    哈达玛矩阵的所有元素都是 +1 或 -1,具有很强的符号对称性,易于实现和应用。

3.4. 哈达玛矩阵的应用

3.4.1 在通信系统中的应用

在CDMA(码分多址)系统中,哈达玛矩阵的行常用作正交码,用于区分多个用户的信号。这种正交性确保了同时发送的信号互不干扰。

3.4.2 在量子计算中的应用

哈达玛门(Hadamard Gate)是量子计算中非常重要的量子门,它能够将量子比特从经典状态转换为叠加态。哈达玛矩阵是量子态叠加与干涉的重要工具。

3.4.3 在图像处理中的应用

哈达玛变换是图像处理中的一种离散变换,它类似于离散傅里叶变换(DFT),在图像压缩和处理中的快速编码算法中得到了广泛应用。

3.5. 哈达玛矩阵的例子

3.5.1 4阶哈达玛矩阵

H 4 = [ 1 1 1 1 1 − 1 1 − 1 1 1 − 1 − 1 1 − 1 − 1 1 ] H_4 = \begin{bmatrix} 1 & 1 & 1 & 1 \\ 1 & -1 & 1 & -1 \\ 1 & 1 & -1 & -1 \\ 1 & -1 & -1 & 1 \end{bmatrix} H4= 1111111111111111

3.5.2 8阶哈达玛矩阵

H 8 = [ 1 1 1 1 1 1 1 1 1 − 1 1 − 1 1 − 1 1 − 1 1 1 − 1 − 1 1 1 − 1 − 1 1 − 1 − 1 1 1 − 1 − 1 1 1 1 1 1 − 1 − 1 − 1 − 1 1 − 1 1 − 1 − 1 1 − 1 1 1 1 − 1 − 1 − 1 − 1 1 1 1 − 1 − 1 1 − 1 1 1 − 1 ] H_8 = \begin{bmatrix} 1 & 1 & 1 & 1 & 1 & 1 & 1 & 1 \\ 1 & -1 & 1 & -1 & 1 & -1 & 1 & -1 \\ 1 & 1 & -1 & -1 & 1 & 1 & -1 & -1 \\ 1 & -1 & -1 & 1 & 1 & -1 & -1 & 1 \\ 1 & 1 & 1 & 1 & -1 & -1 & -1 & -1 \\ 1 & -1 & 1 & -1 & -1 & 1 & -1 & 1 \\ 1 & 1 & -1 & -1 & -1 & -1 & 1 & 1 \\ 1 & -1 & -1 & 1 & -1 & 1 & 1 & -1 \end{bmatrix} H8= 1111111111111111111111111111111111111111111111111111111111111111

3.6. 生成代码并验证其正交和互相关特性(matlab)

% 指定生成哈达玛矩阵的阶数
n = 4;  % 可修改为其他2的幂,如8, 16等

% 验证 n 是否为 1 或 2 的幂
if mod(log2(n), 1) ~= 0
    error('n 必须是 1 或 2 的幂,且至少为 1。');
end

% 递归构造哈达玛矩阵
H = 1;  % 初始哈达玛矩阵 H_1

while size(H, 1) < n
    H = [H, H; H, -H];  % 递归扩展
end
% 输出生成的哈达玛矩阵
disp('生成的哈达玛矩阵:');
disp(H);
% 验证正交性
disp('验证正交性:');
% H * H' 应该等于 n * I_n
orthogonality_test = H * H';
disp(orthogonality_test);
% 检查正交性是否满足 n * I_n
if isequal(orthogonality_test, n * eye(n))
    disp('正交性验证通过');
else
    disp('正交性验证失败');
end
% 验证互相关性
disp('验证互相关性:');
% 两个不同的行向量或列向量的点积应为零
cross_correlation_matrix = H' * H / n;
disp('互相关矩阵:');
disp(cross_correlation_matrix);

% 检查是否是单位矩阵,意味着只有对角线元素为1,其余为0
if all(all(abs(cross_correlation_matrix - eye(n)) < 1e-10))
    disp('互相关性验证通过');
else
    disp('互相关性验证失败');
end

总结
哈达玛矩阵由于其良好的正交性、低复杂度以及符号对称性,广泛应用于信号处理、通信系统以及量子计算等领域。通过递归构造法,我们能够方便地构造出不同阶数的哈达玛矩阵,并将其应用于实际系统中。

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/2118538.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

【区块链 + 基层治理】腾讯未来社区:区块链业主决策系统 | FISCO BCOS应用案例

腾讯未来社区是腾讯推出的智慧社区综合解决方案&#xff0c;致力于形成“互联网 社区”一站式解决方案&#xff0c;打造智慧社 区健康生态。为了解决物业管理领域的痛点&#xff0c;构建围绕居民、物业、政府和商业四个角色为核心的良好生态&#xff0c;以 信息平台及工具为纽…

如何与客户保持高度粘性?这个系统给您答案

客户粘性是企业成功的关键因素之一&#xff0c;企客宝企微版在打通获客、转化、运营全链路方面发挥着重要作用&#xff0c;实现客户粘性的提升。 前言 客户粘性是企业成功的关键因素之一。企业需要不断通过各种手段提升客户粘性&#xff0c;保持客户忠诚度和长期合作关系。企客…

OpenCV结构分析与形状描述符(13)拟合椭圆函数fitEllipseDirect()的使用

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 围绕一组2D点拟合一个椭圆。 该函数计算出一个椭圆&#xff0c;该椭圆拟合一组2D点。它返回一个内切于该椭圆的旋转矩形。使用了由[91]提出的直接…

STM32F407+CubeMx串口通信实验(学习记录)

一、环境 硬件&#xff1a;STM32F407ZGT6开发板 软件&#xff1a;STM32CubeMx、Keil5 MDK、串口调试助手 PS:前面实验部分的代码都是可以正常运行的&#xff0c;但是在学习过程中我也踩了很多坑&#xff08;包括一些未弄明白的&#xff09;&#xff0c;我会记录在问题总结部分…

物联网之ESP32控制GPIO输出点亮LED、闪烁LED灯

MENU 前言原理GPIO引脚LED 硬件电路设计软件设计1、点亮一颗LED2、闪烁的LED 前言 不论学习什么单片机&#xff0c;最简单的外设莫过于IO口的高低电平控制LED&#xff0c;本文介绍如何使用Arduino控制ESP32的GPIO输出。通过本文的学习&#xff0c;掌握一定的Arduino程序架构知识…

求求你们别再跟风考PMP了!这几类人才真正需要这本证书!

救命啊&#xff01;&#xff01;&#xff01;这几天刷某书&#xff0c;看到好多人在吐槽说考了PMP证书一点用都没有&#xff0c;每三年还得花个千把块钱去续证&#xff0c;劝大家都别考。 这可能是PMP身上最大的一口“黑锅”了。作为全球认可、含金量极高的项目管理资格认证&am…

AXI4主机测试

前面对AXI4协议进行了比较详细的分析&#xff0c;本篇文章将会写一个主机代码来实现AXI4协议的时序。 设计思路&#xff1a;本次设计的主要目的是验证AXI4_FULL总线的时序&#xff0c;并且提升对AXI4_FULL总线协议的理解&#xff0c;因此可以采用状态机来控制&#xff0c;先向…

孩子用的台灯哪个牌子好?挑选护眼台灯先了解护眼台灯十大排名

孩子们的日常生活中有高达80%的时间是在阅读、做作业或面对电脑屏幕中度过的&#xff0c;因此对良好照明的需求显得尤为严格和精确。一些家长可能认为&#xff0c;只要孩子使用的是纸质材料&#xff0c;不像电子产品那样对眼睛有害&#xff0c;使用普通的台灯照明就足够了&…

mysql快速定位cpu 占比过高的sql语句

mysql快速定位cpu 占比过高的sql语句 当MySQL数据库的CPU使用率异常升高时&#xff0c;定位导致问题的SQL语句可以通过以下步骤进行 1、使用top命令找出mysl进程中占用CPU靠前的线程 #找出mysql 的进程号 ps -ef | grep mysql#根据进程号&#xff0c;找出占用CPU靠前的线程号…

【QT】文件读写,文件对话框

一.QFile类 QFile提供了从文件中读取和写入数据的能力。 我们通常会将文件路径作为参数传给QFile的构造函数。不过也可以在创建好对象最后&#xff0c;使用setFileName()来修改。 QFile是QIODevice的子类&#xff0c;利用QFile可以对文件进行打开&#xff0c;读取&#xff0c…

Bootstrap 5.3版本创建常用页面

你可以根据自己的主题需求来自定义样式。Bootstrap提供了丰富的CSS类和组件&#xff0c;使得创建响应式、移动优先的网站变得简单。下面我将指导你如何基于Bootstrap 5.3来编写一个简单但自定义主题的页面。 引入Bootstrap 首先&#xff0c;确保你的HTML文件中已经正确引入了B…

Vue学习:v-model绑定文本框、单选按钮、下拉菜单、复选框等

v-model指令可以在组件上使用以实现双向绑定&#xff0c;之前学习过v-model绑定文本框和下拉菜单&#xff0c;今天把表单的几个控件单选按钮radio、复选框checkbox、多行文本框textarea都试着绑定了一下。 一、单行文本框和多行文本框 <p>1.单行文本框</p> 用户名…

程序员日志之DNF编年史

目录 传送门正文日志1、概要2、超高度总结概括3、详细编年史3.1、大背景3.2、冒险家 传送门 SpringMVC的源码解析&#xff08;精品&#xff09; Spring6的源码解析&#xff08;精品&#xff09; SpringBoot3框架&#xff08;精品&#xff09; MyBatis框架&#xff08;精品&…

YOLOv5改进 | 模块缝合 | C3 融合RFCAConv增强感受野空间特征 【二次融合 小白必备】

秋招面试专栏推荐 &#xff1a;深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转 &#x1f4a1;&#x1f4a1;&#x1f4a1;本专栏所有程序均经过测试&#xff0c;可成功执行&#x1f4a1;&#x1f4a1;&#x1f4a1; 专栏目录 &#xff1a;《YOLOv5入门 改…

飞牛fnOS安装KDE桌面

飞牛fnOS安装KDE桌面 这段时间新出的nas系统飞牛os真不错&#xff0c;基于debian的可折腾性又高了不少&#xff0c;今天就来给这个系统装个桌面&#xff0c;插上显示器也能当个电脑自己进自己的管理界面&#xff0c;播放下视频&#xff0c;上上网啥的。 文章目录 飞牛fnOS安装…

问卷调查,动静IP应该如何选择?

在探讨问卷调查这一领域时&#xff0c;选择使用动态IP还是静态IP&#xff0c;成为了许多从业者及市场研究者面临的重要决策&#xff0c;它不仅关乎数据收集的效率与质量&#xff0c;还直接影响到问卷调查的合法性与安全性。本文将从多个维度深入分析这两种IP类型的优劣&#xf…

python-网页自动化(三)

如果遇到使用 ajax 加载的网页&#xff0c;页面元素可能不是同时加载出来的&#xff0c;这个时候尝试在 get 方法执行完 成时获取网页源代码可能并非浏览器完全加载完成的页面。所以&#xff0c;这种情况下需要设置延时等待一定时间&#xff0c;确保全部节点都加载出来。 那么&…

每日一练8:dd爱框框(含链接)

1.链接 登录—专业IT笔试面试备考平台_牛客网 2.题目 3.代码 #include<iostream> #include<vector>using namespace std;const int N 1e7 5;int n,x;vector<int> v(N);int main() {cin >> n >> x;for(int i 0; i < n;i) cin >> v…

服务端性能测试:行业流行性能监控工具介绍

行业流行性能监控工具有哪些 Linux 自带命令 Vmstat&#xff0c;Top 等 Nmon Collectd InfluxDB Grafana Prometheus Grafana 行业流行性能监控工具的介绍 Linux 自带命令 Vmstat&#xff0c;Top 等 vmstat 和 top 都是 Linux 系统自带的命令&#xff0c;提供了实时的…

每日一练:轮转数组

一、题目要求 给定一个整数数组 nums&#xff0c;将数组中的元素向右轮转 k 个位置&#xff0c;其中 k 是非负数。 示例 1: 输入: nums [1,2,3,4,5,6,7], k 3 输出: [5,6,7,1,2,3,4] 解释: 向右轮转 1 步: [7,1,2,3,4,5,6] 向右轮转 2 步: [6,7,1,2,3,4,5] 向右轮转 3 步: …