无线信道中ph和ph^2的场景

使用 p h ph ph的情况:

Rayleigh 分布的随机变量可以通过两个独立且相同分布的零均值、高斯分布的随机变量表示。设两个高斯随机变量为 X ∼ N ( 0 , σ 2 ) X \sim \mathcal{N}(0, \sigma^2) X∼N(0,σ2)和 Y ∼ N ( 0 , σ 2 ) Y \sim \mathcal{N}(0, \sigma^2) Y∼N(0,σ2),Rayleigh 分布的随机变量可以用以下高斯函数的形式表示:

γ = X 2 + Y 2 \gamma = \sqrt{X^2 + Y^2} γ=X2+Y2

其中 ( X ) 和 ( Y ) 是独立的正态分布随机变量,均值为 0,方差为 σ 2 \sigma^2 σ2。

对于代码 np.random.rayleigh(scale=1, size=10),尺度参数 σ \sigma σ 取 1,因此数学上可以表示为:

γ i = X i 2 + Y i 2 , i = 1 , 2 , ... , 10 \gamma_i = \sqrt{X_i^2 + Y_i^2}, \quad i=1, 2, \dots, 10 γi=Xi2+Yi2 ,i=1,2,...,10

其中 X i ∼ N ( 0 , 1 ) X_i \sim \mathcal{N}(0, 1) Xi∼N(0,1) 且 Y i ∼ N ( 0 , 1 ) Y_i \sim \mathcal{N}(0, 1) Yi∼N(0,1)。

一般来说,此时的生成的信道h是一个正数,无须平方,且直接使用ph,例如:

使用 p h 2 ph^2 ph2的情况:

一般来说,此时的生成的信道h是一个复数,所以要用 p h 2 ph^2 ph2

(注:Resource Optimization for Semantic-Aware Networks with Task Offloading)

关于瑞利分布

Rayleigh 分布的概率密度函数(PDF)为:

f ( x ; σ ) = x σ 2 exp ⁡ ( − x 2 2 σ 2 ) , x ≥ 0 f(x; \sigma) = \frac{x}{\sigma^2} \exp\left(-\frac{x^2}{2\sigma^2}\right), \quad x \geq 0 f(x;σ)=σ2xexp(−2σ2x2),x≥0

其中:

  • x x x 是随机变量的值。
  • σ \sigma σ 是尺度参数(scale parameter)。
  • f ( x ) f(x) f(x) 是 x x x 处的概率密度。

Rayleigh 分布常用于描述从二维独立高斯分布中获得的向量长度,例如信道衰落模型中的振幅。

Rayleigh 分布的累积分布函数(CDF)为:

F ( x ; σ ) = 1 − exp ⁡ ( − x 2 2 σ 2 ) , x ≥ 0 F(x; \sigma) = 1 - \exp\left(-\frac{x^2}{2\sigma^2}\right), \quad x \geq 0 F(x;σ)=1−exp(−2σ2x2),x≥0

其中:

  • x x x是随机变量的值,
  • σ \sigma σ 是尺度参数(scale parameter)。

这个公式表示从 0 到 x x x的概率累积,也就是小于或等于 x x x的随机变量值的概率。

相关推荐
无风听海15 分钟前
神经网络之从自由度角度理解方差的无偏估计
神经网络·机器学习·概率论
CLubiy1 天前
【研究生随笔】PyTorch中的概率论
人工智能·pytorch·深度学习·概率论
龙俊杰的读书笔记1 天前
《小白学随机过程》第一章:随机过程——定义和形式 (附录1 探究随机变量)
人工智能·机器学习·概率论·随机过程和rl
zyq~2 天前
【课堂笔记】概率论-1
笔记·概率论
十二imin9 天前
霍夫丁不等式详解
算法·机器学习·概率论
牟同學11 天前
从赌场到AI:期望值如何用C++改变世界?
c++·人工智能·概率论
likunyuan083015 天前
概率统计中的数学语言与术语2
概率论
MoRanzhi120320 天前
0. NumPy 系列教程:科学计算与数据分析实战
人工智能·python·机器学习·数据挖掘·数据分析·numpy·概率论
A尘埃21 天前
概率论+贝叶斯定理+似然函数和极大似然估计
概率论
likunyuan083021 天前
概率统计中的数学语言与术语1
人工智能·机器学习·概率论