Используйте сверточную нейронную сеть (CNN) для классификации модуляций. Вы генерируете синтетические, ослабленные по каналам формы волны. Используя сгенерированные формы волны в качестве обучающих данных, вы обучаете CNN для классификации модуляции. Затем тестируйте CNN с программно определяемым радио (SDR) оборудованием и беспроводными сигналами.

Создайте пару модулятор/демодулятор ортогонального частотного деления (OFDM) и задайте их индексы пилот-сигнала. Системный объект позволяет вам задавать индексы поднесущей пилот-сигнала, сопоставимые с ограничениями, описанными в comm.OFDMModulator.info. В этом примере для передачи OFDM по каналу 3x2 для каждой из трех передающих антенн создаются индексы пилот-сигнала. Кроме того, индексы пилот-сигнала различаются между нечетными и четными символами.

Сравнивает множественную несущую банка фильтров (FBMC) с ортогональным частотным разнесением (OFDM) и подсвечивает преимущества схемы модуляции кандидата для систем связи Пятого поколения (5G).

Сравнивает ортогональную частоту Деления мультиплексированием (OFDM) с Filtered-OFDM (F-OFDM) и подчеркивает преимущества схемы модуляции кандидата для систем связи Пятой Генерации (5G).

Сравнение универсальной фильтрованной многонесущей (UFMC) с ортогональным частотным Делением мультиплексированием (OFDM) и подсвечивает преимущества схемы модуляции кандидата для систем связи Пятой Генерации (5G).

Простой способ выполнения модуляции полосы пропускания путем умножения модулированного комплексного сигнала со сложной синусоидой для выполнения преобразования частоты вверх. В целом, лучше смоделировать систему в сложной полосе частот. Однако существуют некоторые обстоятельства, когда необходимо смоделировать систему в реальной полосе пропускания. Примером этого является то, когда соседний сигнал полосы обрабатывается с нелинейностью и вызывает помехи в желаемой полосе. Эта модель также иллюстрирует эффект таких интерференций.

Сгенерируйте сигналы и нарушения канала для обучения нейронной сети, называемой LLRNet, для оценки точных коэффициентов вероятности журнала (LLR).

Улучшение эффективности BER для QPSK модуляции при использовании логарифмического отношения логарифмической правдоподобности (LLR) вместо демодуляции с жестким решением в сверточно закодированной ссылки связи. При демодуляции LLR можно использовать декодер Viterbi либо в неквантованном режиме декодирования, либо в режиме декодирования с мягким решением. Неквантованное декодирование, где входы декодера являются вещественными значениями, хотя и лучше с точки зрения BER, практически не жизнеспособно. При более практичном декодировании с мягким решением выход демодулятора квантуется перед подачей на декодер. Обычно отмечается, что это не несет значительных затрат в BER при значительном снижении сложности декодера. Мы подтверждаем это экспериментально с помощью этого примера.

Ортогональный пространственно-временной блочный код (OSTBC), конкатенированный с решетчатой модуляцией (TCM) для передачи информации по каналу с несколькими входами и несколькими выходами (MIMO) с 2 передающими антеннами и 1 приемной антенной. Пример использует Коммуникационная Система objects™, чтобы симулировать эту систему.

Ортогональный пространственно-временной блочный код (OSTBC), конкатенированный с решетчатой модуляцией (TCM) для передачи информации по каналу с несколькими входами и несколькими выходами (MIMO) с 2 передающими антеннами и 1 приемной антенной.

Улучшение эффективности BER при использовании логарифмического отношения логарифмической правдоподобности (LLR) вместо демодуляции жесткого решения в сверточно закодированной ссылке связи.