通信信道:无线信道中衰落的类型和分类

通信信道:无线信道中衰落的类型和分类

在进行通信系统仿真时,简单的情况下选择AWGN信道,但是AWGN信道和真是通信中的信道相差甚远,所以需要仿真各种其他类型的信道,为了更清楚理解仿真信道的特点,首先回顾查找了一下各种不同的衰落。

相比较感觉这个说的比较清晰,记录如下。

  • 衰落: 由于传输介质或者路径的变化导致的接受信号的功率随时间变化现象。
    通俗解释就是,发射机发射的信号经过信道后到达接收机后,功率由于各种其他的因素影响,不是发射机原始的发射功率了,已经产生了变化,这就是衰落。认识不同的衰落带来的影响可以采用相应的办法进行补偿,达到最优的接收效果。

1.大尺度衰落

大尺度衰落主要包括两种,一种是路径损耗,一种是阴影衰落。(所谓的大尺度衰落的可以理解简单为长距离)

1.1路径损耗

发射机和接收机在理想情况下,没有其他障碍物的场景中,同时发射机和接收机固定,这个时候的是路径损耗。

这个可以用公式表达:
P t P r = { ( 4 ∗ π ∗ d ) 2 } λ 2 \frac{P_{t}}{P_{r}}=\frac{\left\{\left(4*\pi*d\right)^{2}\right\}}{\lambda^{2}} PrPt=λ2{(4∗π∗d)2}

其中 P t P_{t} Pt是发射机功率, P r P_{r} Pr是接收机功率, λ \lambda λ是信号波长, d d d是收发机天线的距离,然后对此进行变换的得到:
P t P r = ( 4 ∗ π ∗ f ∗ d ) 2 c 2 \frac{P_{t}}{P_{r}}=\frac{\left(4*\pi*f*d\right)^{2}}{c^{2}} PrPt=c2(4∗π∗f∗d)2

其中 c c c光速,是个定值,这就看出随着距离的增加,接收机的功率将减小,随着频率的增加,接收机的功率将减小。

1.2 阴影衰落

这个指的是发射机和接收机的传输上存在障碍物,可能是地理位置的影响,频率也会影响阴影衰落的效果,

但是这个衰落主要指的得是接收信号与平均水平的偏差。

2.小尺度衰落

这个相对大尺度衰落而言,是近距离和短时间周期内接收机信号的快速波动。(这个相对于大尺度是近距离)

2.1 多径时延扩展

由于发射机发射的信号经过发射,绕射和散射等,到达接收机的时间会存在偏差,叠加在一起会产生多径的影响,可以分为平坦衰落和频率选择性衰落,

2.1.1 平坦衰落

如果无线信道在大于传输信号带宽的带宽上具有恒定增益和线性相位响应,则称该信道是平坦衰落的。可以通俗理解,在这个衰落信道下,会导致信噪比降低,(传输信号恒定增益和相位响应--有恒定的衰减,但是噪声功率还是那么多)

  • 信号带宽<<信道带宽 (远小于)
  • 符号周期>>时延扩展 (远大于)
2.1.2 频率选择性衰落

它影响具有不同幅度的无线电信号的不同频谱分量, 因此称为选择性衰落。(并不是在信号带宽是是恒定和线性的)

  • 信号带宽>信道带宽
  • 符号周期<时延扩展

2.2 多普勒扩展

多普勒扩展(多普勒频域)也是一种小尺度衰落,衰落类型取决于移动速度,即接收器相对于发射器的速度。

2.2.1 快衰落

快衰落现象表现为小范围内(即带宽)信号的快速波动。当信号从水平的所有方向到达时,所有运动方向都会观察到快衰落。

重点是:当信道脉冲响应在符号持续时间内非常快速地变化时,就会发生快衰落。

  • 高多普勒扩展
  • 符号周期 > 相干时间
  • 信号变化 < 信道变化

由于多普勒扩展,该参数导致频率色散或时间选择性衰落。 快衰落是局部物体的反射和物体相对于这些物体的运动的结果。

在快衰落中,接收信号是从各个表面反射的大量信号的总和。该信号是多个信号的和或者差,根据它们之间的相对相移,这些信号可以是相互增长的或相互抵消的。 相位关系取决于运动速度、传输频率和相对路径长度。

快衰落会扭曲基带脉冲的形状。这种失真是线性的并产生ISI(符号间干扰)。可以通过自适应均衡消除信道引起的线性失真来降低ISI。

2.2.2 慢衰落

慢衰落是路径上的建筑物、丘陵、山脉和其他物体的阴影造成的。

• 低多普勒扩展

• 符号周期<<相干时间 (远小于)

• 信号变化>> 通道变化 (远大于)

慢衰落会导致信噪比损失。纠错编码和接收分集技术用于克服慢衰落的影响。

解下来有时间记录一下瑞利信道的理解和分析仿真。

相关推荐
估值探索者18 小时前
【Python量化系统工程化 #08】关了 SSH 就停?systemd 让脚本开机自启 + 异常自动拉起
java·c++·人工智能·分类·数据挖掘
YOLO数据集集合7 天前
无人机航拍建筑与拆除废物检测数据集 | 建筑垃圾 无人机巡检 废物分类 资源回收 目标检测10042期
目标检测·分类·无人机
陈年老古董8 天前
PyTorch食物图像分类实战:从数据集制作到CNN模型训练全流程详解
pytorch·深度学习·学习·机器学习·分类·cnn
估值探索者8 天前
【AI+量化实战 #05】财报季的信息洪流:用LLM给业绩预告分类+算事件窗口收益
java·c语言·c++·人工智能·python·分类·数据挖掘
派大_星9 天前
基于 PyTorch 的 CNN 图片分类学习
pytorch·分类·cnn
磁场转动100万匹9 天前
PyTorch 食物图像分类实战:从数据准备到 CNN 训练全流程解析
pytorch·分类·cnn
adaierya9 天前
用 AI 解决音频转换编程问题
开发语言·人工智能·python·分类·ai编程
天行健,君子而铎10 天前
数据分类分级的范式转换:从规则匹配到模型持续优化规模化前瞻算法
大数据·网络·数据库·安全·分类
Thomas.Sir15 天前
第24课:TensorFlow|图像分类实战训练【手写数字、日常图像分类完整项目】
人工智能·分类·tensorflow
聚铭网络15 天前
【一周安全资讯】两项数据资产分类与登记国家标准9月1日实施;索尼、华纳联合起诉Anthropic,指控盗用版权音乐训练Claude模型
人工智能·安全·分类