Используйте сверточную нейронную сеть (CNN) для классификации модуляции. Вы генерируете синтетические сигналы с нарушением канала. Используя сгенерированные формы сигналов в качестве обучающих данных, вы обучаете CNN классификации модуляции. Затем необходимо протестировать CNN с помощью аппаратных средств программно-определяемого радио (SDR) и эфирных сигналов.

Построение пары модулятор/демодулятор модуляции с ортогональным частотным разделением (OFDM) и определение их пилотных индексов. Системный объект модулятора OFDM позволяет задавать индексы пилотных поднесущих, согласующиеся с ограничениями, описанными в comm.OFDMModulator.info. В этом примере для передачи OFDM по каналу 3x2 создаются индексы пилот-сигнала для каждой из трех передающих антенн. Кроме того, индексы пилот-сигнала различаются между нечетными и четными символами.

Сравнивает множество несущих блока фильтров (FBMC) с мультиплексированием с ортогональным частотным разделением каналов (OFDM) и выделяет преимущества схемы модуляции-кандидата для систем связи пятого поколения (5G).

Сравнивает мультиплексирование с ортогональным частотным разделением каналов (OFDM) с отфильтрованным OFDM (F-OFDM) и выделяет преимущества схемы модуляции-кандидата для систем связи пятого поколения (5G).

Сравнивает универсальную фильтруемую многочастотную схему (UFMC) с мультиплексированием с ортогональным частотным разделением каналов (OFDM) и выделяет преимущества схемы модуляции-кандидата для систем связи пятого поколения (5G).

Простой способ выполнения модуляции полосы пропускания путем умножения модулированного комплексного сигнала на комплексную синусоидальную волну для выполнения преобразования с повышением частоты. В общем, предпочтительно моделировать систему на сложной полосе частот. Однако есть некоторые обстоятельства, когда необходимо смоделировать систему на реальной полосе пропускания. Примером этого является случай, когда сигнал соседней полосы обрабатывается с нелинейностью и вызывает помехи в нужной полосе. Эта модель также иллюстрирует эффект таких пересечений.

Генерировать сигналы и нарушения канала для обучения нейронной сети, называемой LLRNet, для оценки точных логарифмических отношений правдоподобия (LLR).

Улучшение рабочих характеристик BER для модуляции QPSK при использовании логарифмического отношения правдоподобия (LLR) вместо демодуляции жесткого решения в линии связи со сверточным кодированием. При демодуляции ЛОП можно использовать декодер Витерби либо в режиме неквантованного декодирования, либо в режиме декодирования с мягким решением. Неквантованное декодирование, где входы декодера являются реальными значениями, хотя и лучше с точки зрения BER, практически не жизнеспособно. При более практическом декодировании с мягким решением выходной сигнал демодулятора квантуется перед подачей в декодер. Обычно отмечается, что это не влечет за собой значительных затрат в BER при существенном снижении сложности декодера. Мы проверяем это экспериментально с помощью этого примера.

Ортогональный пространственно-временной блочный код (ОСТБК), сцепленный с решетчатой модуляцией (TCM) для передачи информации по каналу с множеством входов и множеством выходов (MIMO) с 2 передающими антеннами и 1 приемной антенной. В примере используется коммуникационная система objects™ для моделирования этой системы.

Ортогональный пространственно-временной блочный код (ОСТБК), сцепленный с решетчатой модуляцией (TCM) для передачи информации по каналу с множеством входов и множеством выходов (MIMO) с 2 передающими антеннами и 1 приемной антенной.

Улучшение характеристик BER при использовании логарифмического отношения правдоподобия (LLR) вместо демодуляции жесткого решения в линии связи со сверточным кодированием.