移动通信:分集技术(时间分集,频率分集,空间分集,SC,MRC,EGC)学习笔记

news2024/11/15 17:57:05

文章目录

  • Micro diversity
    • Time Diversity
    • Frequency Diversity
    • Spatial Diversity
  • Combination of signals
    • Selection Combining
    • Maximal Ratio Combining
    • Equal Gain Combining
  • References


分集技术是用来补偿衰落信道损耗的,它通常通过两个或更多的接收天线来实现。同均衡器一样,它在不增加传输功率和带宽的前提下,而改善无线通信信道的传输质量。在移动通信中,基站和移动台的接收机都可以采用分集技术。

分集是指分散传输和集中接收。所谓分散传输是使接收端能获得多个统计独立的、携带同一信息的衰落信号。集中接收是接收机把收到的多个统计独立的衰落信号进行合并(选择与组合)以降低衰落的影响。

百度百科

分集技术包括

  • 分集发送技术:如何获得不同衰减信道道上的多份统计独立信号
  • 分集合并技术:如何合并多个接收信号以获得最佳检测性能

分集方式可分为

  • 宏分集(Macro diversity):减少大尺度衰落(large‐scale fading),即慢衰落(大尺度衰落都是慢衰落,但慢衰落不一定是大尺度衰落)。多个基站设置在不同的地理位置和不同的方向上,同时和小区内的一个移动台进行通信。只要在各个方向上的信号传播不是同时受到阴影效应或地形的影响而出现严重的慢衰落,这种办法就可以保证通信不会中断。

在这里插入图片描述

  • 微分集(Micro diversity):减少快衰落。

Micro diversity

微分集技术包括:

  • 时间分集
  • 空间分集
  • 频率分集
  • 极化分集
  • 角度分集

Time Diversity

信号在独立的时间区间多次重发,重发的时间间隔要满足
Δ T ≫ 1 2 f m = 1 2 ( v / λ ) \Delta T \gg \frac{1}{2f_m}=\frac{1}{2(v/\lambda)} ΔT2fm1=2(v/λ)1

时间分集的一个现代实现方式是使用 RAKE 接收器进行扩频 CDMA,其中多径信道提供了传输信息的冗余度。除了 RAKE,交织(interleaving)用于在数字通信系统中来实现时间分集而不增加任何开销。

由于语音编码器试图以统一和有效的数字格式表示广泛的声音,因此编码的数据位(source bits)携带了大量的信息,一些 source bits 比其他的更重要,必须防止发生错误。对于许多语音编码器来说,典型的情况是连续产生几个 "重要 "比特,交织器的功能是在时间上分散这些比特,这样如果出现深衰落或噪声突发,源数据块的重要比特就不会同时被破坏。通过在时间上分散 source bits,就有可能利用差错控制编码来保护源数据免受信道的破坏。由于差错控制编码的设计是为了防止可能随机(random)或突发(bursty)的信道错误,交织器在信道编码之前对 source bits 的时间顺序进行打乱,使得成串差错变为单个的随机或突发差错,可以被差错控制编码检测出来。下图是一个交织的示例:

在这里插入图片描述

如果我们按原来的 AAAABBBB 以及 CCCC 传输,那么如果信道恰好在传输 CCCC 这一连串比特时出错,我们在收端恢复不出正确的码字。但如果使用交织,则可以抵抗这样的错误,下面这个图可能更为直观:

在这里插入图片描述

在接收方,去交织器(de-interleaver)通过依次增加每个连续位的行数来存储接收到的数据,然后逐行时钟输出数据,每次一个字(行),如下图所示:

在这里插入图片描述

Frequency Diversity

频率分集是通过在多个载波频率上传输信息来实现的。 这种技术背后的原理是,相隔超过信道相关带宽的两个信号的衰减是不相关的。理论上,如果信道是不相关的,那么同时衰减的概率将是单独衰减概率的乘积。相关带宽的公式为
B c = 1 2 π Δ B_c=\frac{1}{2\pi \Delta} Bc=2πΔ1

其中 Δ \Delta Δ 为时延扩展(最大传输时延和最小传输时延的差值)。

在这里插入图片描述

Spatial Diversity

在任意两个不同的位置上接收同一信号,只要两个位置的距离大到一定程度,则两处所收到的信号衰落是不相关的。也就是说,我们最少需要两个相距为 d d d 的天线:

  • d d d 要足够大,以保证独立性;
  • d d d 和波长、地面物体以及天线高度都有关

在市区, d d d 通常取 0.5 λ 0.5\lambda 0.5λ,而在郊区, d d d 通常取 0.8 λ 0.8\lambda 0.8λ.


Combination of signals

我们介绍 3 种合并技术:

  • 选择式合并(Selection Combining,SC)
  • 最大比值合并(Maximal Ratio Combining,MRC)
  • 等增益合并(Equal Gain Combining,EGC)

Selection Combining

选择式合并是最简单的合并技术。这种方法的框图类似于下图所示:

在这里插入图片描述

其中 m 个解调器用于提供 m 个分集分支,其增益被调整到为每个分支提供相同的平均 SNR。具有最高瞬时信噪比的分支被连接到解调器上。在实践中,使用具有最大 ( S + N ) / N (S+N)/N (S+N)/N 的分支,因为很难单独测量出信噪比。

我们考虑在一个接收器上有 M 个独立的 Rayleigh fading channels。每个信道被称为一个 diversity 分支。此外,假设每个分支具有相同的平均信噪比,为
S N R = Γ = E b N 0 α 2 ‾ SNR=\Gamma=\frac{E_b}{N_0}\overline{\alpha^2} SNR=Γ=N0Ebα2
我们假设 α 2 ‾ = 1 \overline{\alpha^2}=1 α2=1。如果每个分支的瞬时 SNR 为 γ i \gamma_i γi,那么 γ i \gamma_i γi 的 p.d.f 为
p ( γ i ) = 1 Γ e − γ i / Γ p(\gamma_i)=\frac{1}{\Gamma}e^{-\gamma_i/\Gamma} p(γi)=Γ1eγi/Γ

某个分支的瞬时 SNR 小于阈值 γ \gamma γ 的概率为
P r [ γ i ≤ γ ] = ∫ 0 γ p ( γ i ) d γ i = 1 − e − γ / Γ Pr[\gamma_i\le\gamma] = \int_0^\gamma p(\gamma_i)d\gamma_i=1-e^{-\gamma/\Gamma} Pr[γiγ]=0γp(γi)dγi=1eγ/Γ

所有 M 个独立的分支收到同时小于某个特定 SNR 阈值 γ \gamma γ 的信号的概率是:
P r [ γ 1 , … , γ M ≤ γ ] = ( 1 − e − γ / Γ ) M = P M ( γ ) Pr[\gamma_1,\dots,\gamma_M \le \gamma]=\left(1-e^{-\gamma/\Gamma}\right)^M=P_M(\gamma) Pr[γ1,,γMγ]=(1eγ/Γ)M=PM(γ)

因此一个或者多个分支瞬时 SNR 大于阈值的概率即为
P r [ γ i > γ ] = 1 − ( 1 − e − γ / Γ ) M Pr[\gamma_i>\gamma]=1-\left(1-e^{-\gamma/\Gamma}\right)^M Pr[γi>γ]=1(1eγ/Γ)M

假设我们使用四个分支,每个分支接收独立的 Rayleigh fading 信号。如果平均信噪比为 20 dB(100),那么信噪比下降到 10 dB(10)以下的概率即为
( 1 − e − γ / Γ ) M = ( 1 − e 0.1 ) 4 = 0.000082 \left(1-e^{-\gamma/\Gamma}\right)^M=\left(1-e^{0.1}\right)^4=0.000082 (1eγ/Γ)M=(1e0.1)4=0.000082

而如果不使用分集,即 M=1,那么那么信噪比下降到 10 dB 以下的概率为
( 1 − e − γ / Γ ) M = ( 1 − e 0.1 ) 1 = 0.095 \left(1-e^{-\gamma/\Gamma}\right)^M=\left(1-e^{0.1}\right)^1=0.095 (1eγ/Γ)M=(1e0.1)1=0.095

我们这里直接给出 SC 的合并增益为
G S C = γ ˉ Γ = ∑ k = 1 M 1 k G_{SC}=\frac{\bar{\gamma}}{\Gamma}=\sum_{k=1}^M\frac{1}{k} GSC=Γγˉ=k=1Mk1

选择式合并很容易实现,因为只需要一个 side monitoring station 和一个接收器的天线 switch。然而,它并不是最佳的合并技术,因为它没有同时使用所有可能的分支。MRC 以共相位和加权的方式利用到了所有分支,从而使接收器在任何时候都有最高的可实现的信噪比。

Maximal Ratio Combining

来自所有 M 个分支的信号根据它们各自的信号电压与噪声功率比进行加权,然后进行求和。 下图是 MRC 的框图:

在这里插入图片描述

在这里,各个信号在相加之前必须进行相位调整(co-phasing)(与选择合并不同),这通常需要为每个天线元件配备单独的接收器和相位电路。最大比值合并产生的输出信噪比等于单个分支的信噪比之和。因此,它的优点是产生一个具有可接受的信噪比的输出,即使每个分支的信噪比都很糟糕。

在 MRC 中,来自每个分支的电压信号 r i r_i ri 经过相位调整,按照适当的增益系数,同相相加。如果每个分支的增益为 G i G_i Gi,那么送入检测器之前的信号为
r M = ∑ i = 1 M G i r i r_M=\sum_{i=1}^MG_ir_i rM=i=1MGiri

假设每个分支有相同的噪声功率 N N N,因此总的噪声功率也为每个分支对应的加权和:
N T = N ∑ i = 1 M G i 2 N_T=N\sum_{i=1}^MG_i^2 NT=Ni=1MGi2

所以 SNR 为
γ M = r M 2 2 N T \gamma_M=\frac{r_M^2}{2N_T} γM=2NTrM2

借助切比雪夫不等式, γ M \gamma_M γM G i = r i / N G_i=r_i/N Gi=ri/N 时取得最大值,此时
γ M = ∑ i = 1 M γ i \gamma_M=\sum_{i=1}^M\gamma_i γM=i=1Mγi

即,经过检测器前的信号的 SNR 为每个分支 SNR 的和。

我们这里直接给出 MRC 的 SNR 小于某个特定 SNR 阈值 γ \gamma γ 的概率是
1 − e − γ / Γ ∑ k = 1 M ( γ / Γ ) k − 1 ( k − 1 ) ! 1-e^{-\gamma/\Gamma}\sum_{k=1}^M\frac{(\gamma/\Gamma)^{k-1}}{(k-1)!} 1eγ/Γk=1M(k1)!(γ/Γ)k1

因为 γ M = ∑ i = 1 M γ i \gamma_M=\sum_{i=1}^M\gamma_i γM=i=1Mγi,所以平均 SNR 也为每个分支平均 SNR 的和,即
γ M ‾ = ∑ i = 1 M γ i ‾ = M Γ \overline{\gamma_M}=\sum_{i=1}^M\overline{\gamma_i}=M\Gamma γM=i=1Mγi=MΓ

所以 MRC 的合并增益为
G M R C = γ M ‾ Γ = M G_{MRC}=\frac{\overline{\gamma_M}}{\Gamma}=M GMRC=ΓγM=M

Equal Gain Combining

在某些情况下,为最大比值合并提供所需的可变加权能力并不方便。在这种情况下,支路权重都被统一设置,但每个支路的信号都是共相位的,以提供等增益合并。这使接收器能够利用每个分支上同时收到的信号。

我们直接给出 EGC 的合并增益:
G E G C = 1 + ( M − 1 ) π / 4 G_{EGC}=1+(M-1)\pi/4 GEGC=1+(M1)π/4

可以看出,当 M 增大时,EGC 与 MRC 相差不多,实验证明仅会差 1 dB 左右。


References

Wireless Communications: Principles and Practices, 2nd Edition, Theodore S. Rappaport.

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/64119.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

越早越好,突破职业瓶颈,2023年考PMP项目管理有何好处?

考PMP没有行业和职业的限制,只要是需要感兴趣的人就可以报考。 适合任何领域行业的项目。 是通用的项目管理理念。 那么 # 考了PMP会有什么益处呢?# ---带你30秒看完,从六个方面讲 01 职场加分项 目前国内很多的大型企业在招聘的时候会有…

矿泉水溴酸盐超标如何解决?除溴酸盐设备有哪些?

水生产企业多使用臭氧消毒,不过,水生产企业不存在水运输路途遥远的问题,因此可以使用臭氧消毒。同时,也是因为臭氧在消毒后会直接变成氧气,所以不会有使用氯消毒后的那种味道,不会影响矿泉水的口感&#xf…

SpringBoot的创建的使用

哈喽呀,你好呀,欢迎呀,快来看一下这篇宝藏博客吧~~~ 目录 1、Spring Boot快速扫盲 2、Spring Boot 项目创建 3、运行项目 4 、输出hello world 5、注意事项--包路径错误 6、小结 1、Spring Boot快速扫盲 在创建SpringBoot项目前,我们得…

大数据1.5 使用Vim编辑器

一、安装Vim编辑器 执行命令:yum -y install vim 二、三种工作模式 1、命令模式 执行命令:vim test.txt,进入默认的命令模式 2、输入模式 在输入模式下,Vim 可以对文件执行写操作,类似于在 Windows 系统的文档中…

常见的排序算法

常见排序算法前言排序分类一、插入排序直接插入排序希尔排序二、选择排序直接选择排序堆排序三、交换排序冒泡排序快速排序1、hoare版本2、挖坑法3、前后指针版本快排时间复杂度分析快排的优化4、快排非递归实现(利用栈实现)5、快排非递归实现&#xff0…

节省时间的分层测试,到底怎么做?

为什么要做分层测试 从软件工程的角度,结合软件开发的V模型、MVC架构、测试金字塔,综合起来便于理解。 1、借鉴与软件开发的V模型 从V模型的底部往右上方向,先做单元测试,再做集成测试一直到最后的验收测试。 2、来源于MVC架构…

SSM房屋租赁系统

SSM房屋租赁系统该项目采用的技术实现一、系统功能技术栈二、关键代码1.首页运行截图总结该项目采用的技术实现 后台框架:Spring、SpringMVC、MyBatis UI界面:jQuery 、JSP 数据库:MySQL 提示:以下是本篇文章正文内容&#xff…

C++ 三大特性之-多态

简介 面向对象有三大特性:封装、继承、多态 多态:一个接口,多种实现 C有两种多态形式: 静态多态动态多态 静态多态 静态多态:编译期间的多态,即在编译阶段就能确定好最终要调用哪个方法。静态多态的函数调…

python简单实现网络爬虫

前言 在这一篇博客中,我会用python来实现一个简单的网络爬虫。简单的爬取一下一些音乐网站、小说网站的标题、关键字还有摘要!所以这个爬虫并不是万能爬,只针对符合特定规则的网站使用。(只使用于爬标题、关键字和摘要的&#xff…

[附源码]计算机毕业设计基于SpringBoot的在线作业批改系统

项目运行 环境配置: Jdk1.8 Tomcat7.0 Mysql HBuilderX(Webstorm也行) Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。 项目技术: SSM mybatis Maven Vue 等等组成,B/S模式 M…

SORT4 SORT项目代码解析

SORT系列 SORT-1 项目配置运行-WINDOWS SORT-2 卡尔曼滤波推导和示例 SORT-3 匈牙利算法和SORT类 SORT-4 SORT项目代码解析 本项目地址 SORT项目逐层详解 main if __name__ __main__# 设置交互模式、参数、文件路径|# 创建 SORT 对象mot_tracker Sort(max_age, min_hits,io…

Python学习基础笔记二十七——内置函数

内置函数的概念:就是python直接提供给你使用的所有函数。 1、作用域相关: 1)globals(): 获取全局变量的字典; 2)locals():获取执行本方法所在命名空间内局部变量的字典; 2、迭代器…

(二)SpringCloud+Security+Oauth2 微服务初步集成

一 引言 本文主要好介绍了SpringCloudSecurityOauth2 的初步集成,项目源码地址oauth2.0集成案例,以下案例主要是核心源码的解释,案例源码请查看案例源码 二 项目结构说明 oauth-server oauth认证中心 oauth-client oauth客户端 oauth-nacos 注册中心和配置中心 oauth-common …

IDM究竟有哪些优势 IDM的几种超实用功能

作为一款体积只有10M的下载软件,IDM却常年霸占着各软件评测榜的前列。它的界面简洁清爽,使用过程中无弹窗、无广告,小小的体积竟能将下载速度提升5倍!该软件一进入中国市场,便受到了广大用户的追捧,被大家亲…

谁说Python只能用来敲代码,用Python来制作游戏你了解吗?

前言 Python的热度现在一直高居不下,比如,完成同一个任务,C语言要写1000行代码,Java只需要写100行,而Python可能只要20行。 那python还可以用来干什么?你知道哪些呢? (文末送读者…

HTML静态网页作业——基于html+css+javascript+jquery+bootstarp响应式成都家乡介绍网页

家乡旅游景点网页作业制作 网页代码运用了DIV盒子的使用方法,如盒子的嵌套、浮动、margin、border、background等属性的使用,外部大盒子设定居中,内部左中右布局,下方横向浮动排列,大学学习的前端知识点和布局方式都有…

Python采集电商平台数据信息

环境介绍 python 3.8pycharm 2021专业版selenium >>> pip install selenium3.141.0 Python当中的模块 操作 浏览器的驱动Chrome浏览器Chromedriver 浏览器驱动 操作浏览器 让 浏览器帮助我们去执行一些操作 模块准备 from selenium import webdriver # 操作浏…

数钥科技遭用户投诉:“招集令”被指息费高,曾有助贷平台被处罚

融资难、融资贵,一直世界性难题。在此背后,是信息不对称的问题。 而利用信息不对称,不少助贷机构游走其中,也带来了一些新的问题,比如高额服务费、砍头息等,侵害消费者个人信息也是另外一个问题。此前&…

SQL——基础查询

查看列 查看特定列 select 姓名 from 学生表select 姓名,性别,家庭住址 from 学生表查看所有列 select * from 学生表使用计算列 求和 select sum(price) from fruit求个数 select count(price) from fruit求价格提升 select price*1.05 from fruit求库存数量 select (…

useState源码解读 及 手撕 useState 实现

文章目录useState源码解读 及 手撕 useState 实现useState源码分析逻辑图源码解读mountStatemountWorkInProgressHook 函数updateStateupdateReducer 函数实现对比图实现效果只声明一个 hook重复调用同一个 hook声明多个不同的 hooks体验收获useState源码解读 及 手撕 useState…