信号与系统复习笔记——通讯系统

news2024/11/17 13:31:19

信号与系统复习笔记——通讯系统

复指数与正弦幅度调制

y ( t ) = x ( t ) c ( t ) y(t) = x(t)c(t) y(t)=x(t)c(t)

上式称为调制,其中 x ( t ) x(t) x(t) 称为 调制信号 ,而 c ( t ) c(t) c(t) 称为 载波信号 y ( t ) y(t) y(t) 称为 已调信号调制 的目的就是将低频信号搬运到高频信号中进行传输。

复指数载波的幅度调制

幅度调制通常有两种形式,一种是复指数的:

c ( t ) = e j ( ω c t + θ c ) c(t) = e^{j(\omega_c t+\theta_c)} c(t)=ej(ωct+θc)

另一种是正弦的:

c ( t ) = cos ⁡ ( ω c t + θ c ) c(t) = \cos(\omega_c t + \theta_c) c(t)=cos(ωct+θc)

在这两种情况下 ω c \omega_c ωc 称为载波频率。先考虑复指数的情况,为了方便,我们令 θ c = 0 \theta_c = 0 θc=0

y ( t ) = x ( t ) e j ω c t y(t) = x(t)e^{j\omega_c t} y(t)=x(t)ejωct

Y ( j ω ) = 1 2 π X ( j ω ) ∗ C ( j ω ) Y(j\omega) = \frac{1}{2\pi} X(j\omega) \ast C(j\omega) Y()=2π1X()C()

已知 C ( j ω ) = 2 π δ ( ω − ω c ) C(j\omega) = 2\pi\delta(\omega - \omega_c) C()=2πδ(ωωc) ,因此有:

Y ( j ω ) = X ( j ( ω − ω c ) ) Y(j\omega) = X(j(\omega - \omega_c)) Y()=X(j(ωωc))

由此可见, Y ( j ω ) Y(j\omega) Y() 实际上就是将 X ( j ω ) X(j\omega) X() 平移了 ω c \omega_c ωc

将信号还原只需要乘以 e − j ω c t e^{-j\omega_ct} ejωct 即可,这个过程称为 解调

大多数情况下,传输的信号都是实信号,因为:

y ( t ) = x ( t ) cos ⁡ ( ω c t ) + j x ( t ) sin ⁡ ( ω c t ) y(t) = x(t)\cos(\omega_c t) + jx(t)\sin(\omega_c t) y(t)=x(t)cos(ωct)+jx(t)sin(ωct)

因此可以将调制系统表示为:

复指数调制
即实部和虚部分开传输。

正弦载波的幅度调制

正弦载波的载波函数为:

c ( t ) = cos ⁡ ( ω c t + θ c ) c(t) = \cos(\omega_c t + \theta_c) c(t)=cos(ωct+θc)

相当于复指数载波只传输实部或者虚部,选 θ c = 0 \theta_c = 0 θc=0 此时载波信号的频谱为:

C ( j ω ) = π [ δ ( ω − ω c ) + δ ( ω + ω c ) ] C(j\omega) = \pi[\delta(\omega - \omega_c) + \delta(\omega + \omega_c)] C()=π[δ(ωωc)+δ(ω+ωc)]

频域卷积得到:

Y ( j ω ) = 1 2 [ X ( j ( ω − ω c ) ) + X ( j ( ω + ω c ) ) ] Y(j\omega) = \frac{1}{2} [X(j(\omega - \omega_c)) + X(j(\omega + \omega_c))] Y()=21[X(j(ωωc))+X(j(ω+ωc))]

频谱的性质是各在频点 ± ω c \pm \omega_c ±ωc 处有一个原信号频率的重复。结果只要 ω M < ω c \omega_M < \omega_c ωM<ωc 就能从载波的信号中恢复出原始信号。

正弦幅度解调制

同步解调

将调制信号 y ( t ) = x ( t ) cos ⁡ ω c t y(t) = x(t)\cos\omega_c t y(t)=x(t)cosωct 再次乘以相同的载波函数,得到:

w ( t ) = y ( t ) cos ⁡ ω c t w(t) = y(t)\cos\omega_c t w(t)=y(t)cosωct

相当于在0点处生成原始频率频谱。

同步接调制
再通入一个截止频率为 ω M \omega_M ωM ,增益为2的低通滤波器即可。

我们假设调制器和解调器的载波频率和相位都是相同的,这称为 同步解调 。同理,复指数的载波函数 e j ( ω c t + θ c ) e^{j(\omega_ct + \theta_c)} ej(ωct+θc) 的解调函数为 e − j ( ω c t + θ c ) e^{-j(\omega_ct + \theta_c)} ej(ωct+θc)

当调制器和解调器相位不同的时候,假设调制相位为 θ c \theta_c θc 解调相位为 ϕ c \phi_c ϕc 那么还原的信号为:

w ( t ) = e j ( θ c − ϕ c ) x ( t ) w(t) = e^{j(\theta_c - \phi_c)} x(t) w(t)=ej(θcϕc)x(t)

此时 w ( t ) w(t) w(t) 相对于原信号有个复因子,可以恢复出原始信号。

而对于正弦调制信号来说:

w ( t ) = 1 2 cos ⁡ ( θ c − ϕ c ) x ( t ) + 1 2 cos ⁡ ( 2 ω c t + θ c + ϕ c ) x ( t ) w(t) = \frac{1}{2}\cos(\theta_c - \phi_c)x(t) + \frac{1}{2}\cos(2\omega_c t + \theta_c + \phi_c)x(t) w(t)=21cos(θcϕc)x(t)+21cos(2ωct+θc+ϕc)x(t)

经过低通滤波之后的分量为 1 2 cos ⁡ ( θ c − ϕ c ) x ( t ) \frac{1}{2}\cos(\theta_c - \phi_c)x(t) 21cos(θcϕc)x(t) ,可见有一个余弦因子。当同相位的时候,衰减最小,当正交相位的时候,衰减最大,输出为零。

非同步解调

非同步解调避免了同步调制需要同步相位和频率的困难,具体的,当 ω c \omega_c ωc 远大于 ω M \omega_M ωM 的时候,调制信号波形如图:

包络
此时连接 y ( t ) y(t) y(t) 峰值的曲线我们称为 包络线 ,是 x ( t ) x(t) x(t) 的一种近似。通过提取这一个包络,可以近似的还原原始信号,这样的系统称为包络检波器,如图:

包络检波器
非同步解调需要满足两个条件:

  1. x ( t ) x(t) x(t) 总是正的。
  2. ω c \omega_c ωc 远大于 ω M \omega_M ωM ,包络线易被还原。

通常我们可以将信号加上一个常数值 A A A 保证总是正的,若 ∣ x ( t ) ∣ ≤ K |x(t)| \le K x(t)K ,那么 A > K A > K A>K ,这里 K / A K/A K/A 称为调制指数 m m m 。用百分数表示,称为调制百分数。

频分多路复用

当通信信道的带宽大于原始信号的带宽的时候,这时候可以将原来频率上互相重叠的原始信号通过不同的调制频率搬到不同的频带上,再次传输,称为频分多路复用。

单边带正弦幅度调制

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/711604.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

Redis高可用(主从复制、哨兵模式和Cluster集群)

文章目录 一、Redis高可用1.持久化2.主从复制3.哨兵4.Cluster集群 二、主从复制1.概念2.作用3.主从复制流程4.配置主从复制 三、哨兵模式1.功能2.作用3.组成4.故障转移机制7.故障模拟8.恢复故障节点 四、Cluster群集1.简介2.作用&#xff08;1&#xff09;数据分区&#xff08;…

Redis常用数据类型

Redis 哈希(Hash)&#x1f349; Redis hash 是一个 string 类型的 field&#xff08;字段&#xff09; 和 value&#xff08;值&#xff09; 的映射表&#xff0c;hash 特别适合用于存储对象。 Redis 中每个 hash 可以存储 232 - 1 键值对&#xff08;40多亿&#xff09; 它…

如何动手用js自己写一个分页?

实现效果 实现代码 function generateTableHead() {const tableHead document.getElementById(table-head);tableHead.innerHTML ;// 添加复选框列的表头const checkboxHead document.createElement(th);const checkbox document.createElement(input);checkbox.type che…

项目部署

#修改表的编码 alter table t_course convert to character set utf8 show create table t_course启动docker&#xff1a; service docker startdocker创建redis设置密码&#xff1a; docker pull redis docker run --name my-redis -p 6379:6379 -e REDIS_PASSWORD<pass…

【大数据趋势】7月2日 汇率,美澳,恒指期货的大数据趋势概率分析。

数据源头之一 : 汇率变化 从程序模拟趋势来看&#xff0c;如果没有干预&#xff0c;极大概率要试探顶部7.375的位置。【位置1】从长期趋势来看&#xff0c;在一个上升通道中长期震荡上行&#xff0c;所以正常应该走2.2的路径【趋势2.2】 因为这轮上涨的动能很大&#xff0c;所…

join on 后面的and 与where 的区别及用法

--- 先把数据导入数据库 CREATE TABLE test_join_where_a ( aid int(0) NOT NULL, aname varchar(255) , atimedate datetime(0) , ascore varchar(255) ); INSERT INTO test_join_where_a(aid, aname, atimedate, ascore) VALUES (1, 张三, 2023-05-03 01:13:30, 8…

环境变量的配置

在我上一篇文章中有写到&#xff0c;在编译和运行Hello World这个文档的时候要使用java.c和java这俩个工具&#xff0c;但是我们却没有转换到这俩个工具所在的磁盘位置&#xff0c;而是直接调用了&#xff0c;那么是怎么实现这一功能的嘞&#xff0c;就有下面的理解 首先wine打…

Linux--给指令起别名:alias

示例&#xff1a;给ls-al起了个别名叫kk​ 注意&#xff1a;起别名只在本次登录有效。

Python爬虫-某政务网站文档爬取,并将正文内容保存在word

前言 本文是该专栏的第1篇,后面会持续分享python爬虫案例干货,记得关注。 地址:aHR0cDovL3d3dy5oZWJlaS5nb3YuY24vc2VhcmNoL3BjUmVuZGVyP3BhZ2VJZD1iOTdhMzg4MzNmNzM0M2NlYmMzMWRlYzQ0NTQ0ZjY4NA== 需求:以某政务网网站为例,采集其正文内容,并将其正文内容以docx格式保…

借助APlayer、MetingJS实现 网页音乐播放器

借助APlayer、MetingJS实现 1、src/publi/index.html引入 <script src"https://cdn.jsdelivr.net/npm/aplayer/dist/APlayer.min.js"></script> <script src"https://cdn.jsdelivr.net/npm/meting2.0.1/dist/Meting.min.js"></scri…

离线安装ffmpeg源码包【详细教程】

今天分享一下ffmpeg源码包的安装过程&#xff0c;针对在没有网络环境下&#xff0c;且不能直接使用yum如何成功安装ffmpeg源码包。博主本人通过正式服务器测试&#xff0c;记录整个安装过程。值得大家收藏 同时&#xff0c;我会分享一下如何使用ffmpeg对H.264格式视频(MP4)进行…

echarts数据可视化模板相互影响

问题 echarts数据可视化模板相互影响 详细问题 echarts数据可视化模板相互影响,笔者使用由CSSJavaScriptHTML实现的echarts数据可视化模板&#xff0c;对于其中的子图(图A&#xff0c;位于boxA.js下与图B位于boxB.js下)进行数据下钻&#xff0c;更改option配置后&#xff0c…

苹果正在研发具备智能家居显示功能的外接显示器,具备低功耗模式

据彭博社记者 Mark Gurman 在他最新一期的 Power On 时事通讯中报道&#xff0c;苹果公司正致力于研发一款新的 Mac 外接显示器&#xff0c;具备智能家居设备显示器的低功耗模式功能。 根据了解&#xff0c;这款显示器将集成iOS设备芯片&#xff0c;与Studio Display不同的是&a…

最短路径相关算法

文章目录 图论中的图属性最短路径算法- Dijkstra算法1. 算法介绍2. 适用场景3. 场景举例 - Bellman-Ford算法1. 算法介绍2. 适用场景3. 场景举例 - Floyd-Warshall算法1. 算法介绍2. 适用场景3. 场景举例 具体实现方案- JGraphT 小结 图论中的图属性 图论中&#xff0c;图的属…

SpringMVC (三) RestFul和控制器

学习回顾&#xff1a;SpringMVC &#xff08;一&#xff09; 什么是SpringMVC 现在我们来看看里面的控制器和路径请求的具体内容吧&#xff01; 一、控制器Controller 控制器复杂提供访问应用程序的行为&#xff0c;通常通过接口定义或注解定义两种方法实现。控制器负责解析用户…

如何在Centos7下安装Nginx

一、Nginx简介 Nginx (engine x) 是一个高性能的HTTP和反向代理web服务器 &#xff0c;同时也提供了IMAP/POP3/SMTP服务。Nginx是由伊戈尔赛索耶夫为俄罗斯访问量第二的Rambler.ru站点&#xff08;俄文&#xff1a;Рамблер&#xff09;开发的&#xff0c;公开版本1.19.6…

Self-attention Transformer

参考资料&#xff1a; 《机器学习》李宏毅 1 Self-attention 当模型输入为长度不定的向量序列时&#xff08;如一段文字、一段语音、图模型&#xff09;&#xff0c;要求模型输出为等长的向量序列&#xff08;序列标注&#xff09;时&#xff0c;可以使用 Self-attention S…

文件的概念 + 文件的相对/绝对路径 + 文件IO字符流 / 字节流的读写操作 (java)

文章目录 前言一、文件是什么1.文件的概念2.文件路径1.绝对路径2.相对路径 二、针对文件的IO1.File类2.对文件内容的读写操作1.针对文本文件—— 字符流输入流 Reader类输出流 Writer类 2.针对二进制文件—— 字节流输入流 InputStream类输出流 OutputStream类 总结 前言 本人…

《Reinforcement Learning: An Introduction》第7章笔记

Chapter 7 n-step Bootstrapping 本章的n-step TD方法是前两章的Monte Carlo 方法和one-step TD方法的推广。它使自举法在多个时间步内进行&#xff0c;解决了前两章中的更新时间步不灵活的问题。 7.1 n-step TD Prediction 在用策略 π \pi π下生成的采样回合序列来估计 v…

UE5 MetaHuman SDK插件的使用【一、编辑器创建音波与蓝图创建获取音波,音波与嘴唇的同步】

目录 打开插件 创建音频 编辑器这直接创建音频&#xff1a; 蓝图中创建和获取音频&#xff1a; 唇语&#xff1a; 声音与嘴唇同步&#xff1a; 方法一【效果不是很好】&#xff1a; 方法二【效果很好&#xff0c;但有一段时间延迟在处理】&#xff1a; 逻辑&#xff1…