Пропустите входной сигнал через многолучевой Канал с релеевским замиранием
The comm.RayleighChannel Система object™ фильтрует входной сигнал через многолучевой канал с релеевским замиранием. Для получения дополнительной информации о замираниях при обработке модели см. «Методология симуляции многолучевых каналов с замираниями».
Чтобы фильтровать входной сигнал с помощью многолучевого канала с релеевским замиранием:
Создайте comm.RayleighChannel Объекту и установите его свойства.
Вызывайте объект с аргументами, как будто это функция.
Дополнительные сведения о работе системных объектов см. в разделе «Что такое системные объекты?».
rayleighchan = comm.RayleighChannel
rayleighchan = comm.RayleighChannel(Name,Value)comm.RayleighChannel ( устанавливает скорость выборки входного сигнала равную 2.'SampleRate',2)
Чтобы использовать функцию объекта, задайте системный объект в качестве первого входного параметра. Например, чтобы освободить системные ресурсы системного объекта с именем obj, используйте следующий синтаксис:
release(obj)
Этот пример показывает, как создать один и тот же многолучевой ответ Канала с релеевским замиранием с использованием двух различных методов для генерации случайных чисел. Многолучевая система object™ Канала с релеевским замиранием включает в себя два способа генерации случайных чисел. Можно использовать текущий глобальный поток или алгоритм mt19937ar с заданным seed. При взаимодействии с глобальным потоком системный объект может получить те же выходы от этих двух методов.
Создайте Системный объект модулятора PSK, чтобы модулировать случайным образом сгенерированные данные.
pskModulator = comm.PSKModulator; channelInput = pskModulator(randi([0 pskModulator.ModulationOrder-1],1024,1));
Создайте многолучевой системный объект Канала с релеевским замиранием, задав метод генерации случайных чисел как алгоритм my19937ar и начальное число случайных чисел как 22.
rayleighchan = comm.RayleighChannel(... 'SampleRate',10e3, ... 'PathDelays',[0 1.5e-4], ... 'AveragePathGains',[2 3], ... 'NormalizePathGains',true, ... 'MaximumDopplerShift',30, ... 'DopplerSpectrum',{doppler('Gaussian',0.6),doppler('Flat')}, ... 'RandomStream','mt19937ar with seed', ... 'Seed',22, ... 'PathGainsOutputPort',true);
Фильтрация модулированных данных при помощи многолучевого распространения Канала с релеевским замиранием Системного объекта.
[chanOut1,pathGains1] = rayleighchan(channelInput);
Установите Системный объект, чтобы использовать глобальный поток для генерации случайных чисел.
release(rayleighchan);
rayleighchan.RandomStream = 'Global stream';Установите глобальный поток таким же seed, которое было задано при создании многолучевого Канала с релеевским замиранием Системного объекта.
rng(22)
Фильтрация модулированных данных при помощи многолучевого распространения Канала с релеевским замиранием Системного объекта снова.
[chanOut2,pathGains2] = rayleighchan(channelInput);
Проверьте, что выходы усиления канала и пути одинаковы для каждого из двух методов.
isequal(chanOut1,chanOut2)
ans = logical
1
isequal(pathGains1,pathGains2)
ans = logical
1
Этот пример показов, как создать частотно-избирательный многолучевой Канал с релеевским замиранием Системного объекта и отобразить его импульс и частотные характеристики.
Установите частоту дискретизации 3,84 МГц. Задайте задержки и усиления пути при помощи строения ITU пешеходного B-канала. Установите максимальный доплеровский сдвиг на 50 Гц.
fs = 3.84e6; % Hz pathDelays = [0 200 800 1200 2300 3700]*1e-9; % sec avgPathGains = [0 -0.9 -4.9 -8 -7.8 -23.9]; % dB fD = 50; % Hz
Создайте многолучевой Канал с релеевским замиранием Системного объекта с помощью ранее определенных свойств и чтобы визуализировать графики импульсной характеристики и частотной характеристики.
rayleighchan = comm.RayleighChannel('SampleRate',fs, ... 'PathDelays',pathDelays, ... 'AveragePathGains',avgPathGains, ... 'MaximumDopplerShift',fD, ... 'Visualization','Impulse and frequency responses');
Сгенерируйте случайные двоичные данные и передайте их через многолучевой канал с релеевским замиранием. График импульсной характеристики позволяет вам идентифицировать отдельные пути и соответствующие им коэффициенты фильтра. График частотной характеристики показывает частотно-избирательный характер пешеходного B-канала ITU.
x = randi([0 1],1000,1); y = rayleighchan(x);
Пример показывает, как состояние канала поддерживается в случаях, когда данные прерывисто передаются. Создайте многолучевой Канал с релеевским замиранием Системного объекта и передайте данные через него с помощью метода суммы синусоидов.
Установите свойства канала.
fs = 1000; % Sample rate (Hz) pathDelays = [0 2.5e-3]; % Path delays (s) pathPower = [0 -6]; % Path power (dB) fD = 5; % Maximum Doppler shift (Hz) ns = 1000; % Number of samples nsdel = 100; % Number of samples for delayed paths
Задайте общее время симуляции и три временных сегмента, для которых должны быть переданы данные. В этом случае канал моделируется в течение 1 с со частотой дискретизации 1000 Гц. Одна непрерывная последовательность данных с 1000 дискретизацией передается во время 0. Три пакета данных со 100 отсчетами передаются в моменты времени 0,1 с, 0,4 с и 0,7 с, соответственно.
to0 = 0.0; to1 = 0.1; to2 = 0.4; to3 = 0.7; t0 = (to0:ns-1)/fs; % Transmission 0 t1 = to1+(0:nsdel-1)/fs; % Transmission 1 t2 = to2+(0:nsdel-1)/fs; % Transmission 2 t3 = to3+(0:nsdel-1)/fs; % Transmission 3
Сгенерируйте случайные двоичные данные, соответствующие ранее заданным временным интервалам.
d0 = randi([0 1],ns,1); d1 = randi([0 1],nsdel,1); d2 = randi([0 1],nsdel,1); d3 = randi([0 1],nsdel,1);
Создайте плоский по частоте многолучевое Релеевское замирание Системного объекта, задав метод затухания суммы синусоидов. Чтобы результаты могли быть повторены, задайте начальное значение. Используйте InitialTime по умолчанию настройка свойства таким образом, чтобы канал с замираниями моделировался с момента 0. Включите выход коэффициента усиления пути.
rayleighchan1 = comm.RayleighChannel('SampleRate',fs, ... 'MaximumDopplerShift',5, ... 'RandomStream','mt19937ar with seed', ... 'Seed',17, ... 'FadingTechnique','Sum of sinusoids', ... 'PathGainsOutputPort',true);
Создайте клон многолучевого Канала с релеевским замиранием Системного объекта. Установите источник для начального времени, чтобы время смещения замирающего канала могло быть задано как входной параметр при использовании системного объекта.
rayleighchan2 = clone(rayleighchan1);
rayleighchan2.InitialTimeSource = 'Input port';Передайте случайные двоичные данные через первый многолучевой Канал с релеевским замиранием Системного объекта, rayleighchan1. Данные передаются за все 1000 временных выборок. В данном примере требуется только комплексное усиление пути.
[~,pg0] = rayleighchan1(d0);
Передайте случайные данные через второй многолучевой Канал с релеевским замиранием Системного объекта, rayleighchan2, где начальные смещения времени предусмотрены в качестве входных параметров.
[~,pg1] = rayleighchan2(d1,to1); [~,pg2] = rayleighchan2(d2,to2); [~,pg3] = rayleighchan2(d3,to3);
Сравните количество выборок, обработанных двумя каналами с помощью info функция объекта. The rayleighchan1 объект обработал 1000 выборки, в то время как rayleighchan2 объект обработал только 300 выборки.
G = info(rayleighchan1); H = info(rayleighchan2); [G.NumSamplesProcessed H.NumSamplesProcessed]
ans = 1×2
1000 300
Преобразуйте коэффициент усиления пути в децибелы.
pathGain0 = 20*log10(abs(pg0)); pathGain1 = 20*log10(abs(pg1)); pathGain2 = 20*log10(abs(pg2)); pathGain3 = 20*log10(abs(pg3));
Постройте график коэффициентов усиления пути для непрерывных и прерывистых случаев. Усиления для трех сегментов совпадают с усилением для непрерывного случая. Выравнивание двух подсвечивает, что метод суммирования синусоидов подходит для симуляции пакетированных данных, поскольку характеристики канала поддерживаются, даже когда данные не передаются.
plot(t0,pathGain0,'r--') hold on plot(t1,pathGain1,'b') plot(t2,pathGain2,'b') plot(t3,pathGain3,'b') grid xlabel('Time (sec)') ylabel('Path Gain (dB)') legend('Continuous','Discontinuous','location','nw') title('Continuous and Discontinuous Transmission Path Gains')
В этом примере показано, как использовать ChannelFilterCoefficients свойство, возвращенное info функция объекта comm.RayleighChannel Системный объект для воспроизведения многолучевого Канала с релеевским замиранием выхода через несколько системы координат.
Создайте многолучевой Канал с релеевским замиранием Системного объекта, определяющий два пути и задающий данные для прохождения через канал.
rayleighchan = comm.RayleighChannel('SampleRate',1000,'PathDelays',[0 1.5e-3], ... 'AveragePathGains',[0 -3],'PathGainsOutputPort',true)
rayleighchan =
comm.RayleighChannel with properties:
SampleRate: 1000
PathDelays: [0 0.0015]
AveragePathGains: [0 -3]
NormalizePathGains: true
MaximumDopplerShift: 1.0000e-03
DopplerSpectrum: [1x1 struct]
Show all properties
data = randi([0 1],600,1);
Передайте данные через канал. Назначьте ChannelFilterCoefficients значение свойства переменной coeff. В цикле for вычислите дробный задержанный входной сигнал в местах задержки пути, сохраненных в coeff, применить коэффициент усиления пути и суммировать результаты для всех путей. Сравните выход многолучевого Канала с релеевским замиранием Системного объекта (chanout1) к выходу, воспроизведенному с использованием коэффициентов усиления пути и ChannelFilterCoefficients свойство многолучевого Канала с релеевским замиранием Системного объекта (chanout2).
chaninfo = info(rayleighchan); coeff = chaninfo.ChannelFilterCoefficients; Np = length(rayleighchan.PathDelays); state = zeros(size(coeff,2)-1, size(coeff, 1)); nFrames = 10; chkChan = zeros(nFrames,1); for jj = 1 : nFrames data = randi([0 1],600,1); [chanout1,pg] = rayleighchan(data); fracdelaydata = zeros(size(data,1),Np); % Calculate the fractional delayed input signal. for ii = 1:Np [fracdelaydata(:,ii),state(:,ii)] = ... filter(coeff(ii,:),1,data,state(:,ii)); end % Apply the path gains and sum the results for all paths. Compare the % channel outputs, chanout1 and chanout2. chanout2 = sum(pg .* fracdelaydata,2); chkChan(jj) = isequal(chanout1,chanout2); end chkChan'
ans = 1×10
1 1 1 1 1 1 1 1 1 1
Проверьте, что автокорреляция выхода усиления пути из Системного объекта канала Релея является функцией Бесселя. Основываясь на результатах в [1] и Приложении A [2], мы знаем, что, когда автокорреляция выходов усиления пути является функцией Бесселя, и Допплеровский спектр имеет форму Джейкса.
Инициализируйте параметры симуляции.
Rsym = 9600; % Input signal symbol rate (symbols/sec) sps = 10; % Number of samples per input symbol Fs = sps*Rsym; % Input signal sampling frequency (samples/sec) Ts = 1/Fs; % Input signal sampling period (sec) numsym = 1e6; % Total number of input symbols to simulate numsamp = numsym*sps; % Total number of channel samples to simulate fd = 100; % Maximum Doppler frequency shift (Hz) num_acsamp = 5000; % Number of samples of autocovariance of complex fading process calculated numtx = 1; % Number of transmit antennas numrx = 1; % Number of receive antennas numsin = 48; % Number of sinusoids frameLen = 10000; numFrames = numsamp/frameLen;
Сконфигурируйте Системный объект канала Релея.
chan = comm.RayleighChannel('FadingTechnique','Sum of sinusoids', ... 'NumSinusoids',numsin,'RandomStream','mt19937ar with seed', ... 'PathDelays',0,'AveragePathGains',0,'SampleRate',Fs, ... 'MaximumDopplerShift',fd,'PathGainsOutputPort',true);
Примените модуляцию DPSK к случайному битовому потоку.
tx = randi([0 1],numsamp,numtx); % Random bit stream dpskSig = dpskmod(tx,2); % DPSK signal
Пропустите модулированный сигнал через канал.
outsig = zeros(numsamp,numrx); pg_rx = zeros(numsamp,numrx,numtx); for frmNum = 1:numFrames [outsig((1:frameLen)+(frmNum-1)*frameLen,:),pathGains] = chan(dpskSig((1:frameLen)+(frmNum-1)*frameLen,:)); for i = 1:numrx pg_rx((1:frameLen)+(frmNum-1)*frameLen,i,:) = pathGains(:,:,:,i); end end
Используя коэффициент усиления пути канала, принятый на антенну, вычислите автоковариацию процесса затухания для каждого пути приема и передачи.
autocov = zeros(frameLen+1,numrx,numtx); autocov_normalized_real = zeros(num_acsamp+1,numrx,numtx); autocov_normalized_imag = zeros(num_acsamp+1,numrx,numtx); for i = 1:numrx % Compute autocovariance of simulated complex fading process for j = 1:numtx autocov(:,i,j) = xcov(pg_rx(:,i,j),num_acsamp); % Real part of normalized autocovariance autocov_normalized_real(:,i,j) = real(autocov(num_acsamp+1:end,i,j)/autocov(num_acsamp+1,i,j)); % Imaginary part of normalized autocovariance autocov_normalized_imag(:,i,j) = imag(autocov(num_acsamp+1:end,i,j)/autocov(num_acsamp+1,i,j)); end end
Использование besselj функция вычисляет теоретическую автоковариацию комплексного процесса затухания.
Rrr = zeros(1,num_acsamp+1); for n = 1:1:num_acsamp+1 Rrr(n) = besselj(0,2*pi*fd*(n-1)*Ts); end Rrr_normalized = Rrr/Rrr(1);
Отобразите автоковариацию, сравнивая результаты от Системного объекта канала Релея и функции бесселя.
subplot(2,1,1) plot(autocov_normalized_real,'b-') hold on plot(Rrr_normalized,'r-') hold off legend('Using comm.RayleighChannel','Using Bessel function of the first kind') title('Autocovariance of real part of Rayleigh process') subplot(2,1,2) plot(autocov_normalized_imag) legend('Using comm.RayleighChannel') title('Autocovariance of imaginary part of Rayleigh process')
Вычислите среднюю квадратную ошибку.
act_mse_real = sum((autocov_normalized_real-repmat(Rrr_normalized.',1,numrx,numtx)).^2,1)/size(autocov_normalized_real,1)
act_mse_real = 7.0043e-08
act_mse_imag = sum((autocov_normalized_imag-0).^2,1)/size(autocov_normalized_imag,1)
act_mse_imag = 4.1064e-07
Ссылки
1. Дент, П., Г. Э. Боттомли и Т. Крофт. Jakes Fading Model Revisited (неопр.) (недоступная модель). Электронные буквы 29, № 13 (1993): 1162. https://doi.org/10.1049/el: 19930777.
2. Пятцольд, Маттиас. Мобильные каналы с замираниями. Chichester, UK: John Wiley & Sons, Ltd, 2002. https://doi.org/10.1002/0470847808.
The comm.RayleighChannel Системный объект позволяет визуализировать импульсную характеристику канала, частотную характеристику и Допплеровский спектр.
Примечание
Отображаемые и заданные местоположения усиления пути могут отличаться на целых 5% от входа шага расчета.
Скорость отображения визуализации управляется комбинацией SamplesToDisplay свойство и Playback > Reduce Updates to Improve Performance элемент меню возможностей. Уменьшение процента выборок для отображения и включение сокращенных обновлений может ускорить визуализацию возможностей визуализации.
После закрытия возможностей визуализации вручную вызовы системного объекта выполняются с его нормальной скоростью.
Генерация кода доступна только тогда, когда Visualization для свойства задано значение 'Off'.
Импульсная характеристика
Импульсная характеристика возможностей отображает усиления пути, коэффициенты фильтра канала и интерполированные усиления пути. Усиления пути происходят в образцах времени, которые соответствуют заданному PathDelays свойство и может не совпадать с входным временем дискретизации. Коэффициенты фильтра канала используются для моделирования канала. Они интерполируются из фактических коэффициентов усиления пути и выравниваются со временем входной дискретизации. В случаях, когда усиления пути выравниваются со временем дискретизации, усиления пути перекрывают коэффициенты фильтра. Интерполяция синуса используется, чтобы соединить коэффициенты фильтра канала и показана как интерполированные усиления пути. Эти точки используются исключительно в целях отображения и не используются в последующей фильтрации канала. Для плоского замирающего канала (один путь) кривая интерполяции синуса не отображается. Для всех графиков импульсной характеристики система координат и номера выборок показаны в левом верхнем углу возможностей.
График импульсной характеристики имеет ту же панель инструментов и меню, что и dsp.ArrayPlot Системный объект.
Когда указанные усиления пути совпадают со скоростью дискретизации, усиления пути и коэффициенты фильтра канала перекрываются. На этом рисунке импульсная характеристика показывает, что усиления пути перекрывают коэффициенты фильтра.
Если указанные усиления пути не выравниваются со скоростью дискретизации, усиления пути и коэффициенты фильтра канала не перекрываются. На этом рисунке коэффициенты фильтра распределены одинаково. Усиления пути не перекрываются с коэффициентами фильтра канала, потому что усиления пути не совпадают со скоростью дискретизации.
Этот рисунок показывает импульсную характеристику для частотно-плоского канала. В этом случае интерполированные усиления пути не отображаются.
Частотная характеристика
Частотная характеристика возможностей отображает многолучевой Канал с релеевским замиранием спектр путем принятия дискретного преобразования Фурье коэффициентов фильтра канала. График частотной характеристики имеет ту же панель инструментов и меню, что и dsp.SpectrumAnalyzer Системный объект.
Пределы графика по оси Y вычисляются на основе NormalizePathGains и AveragePathGains свойства comm.RayleighChannel Системный объект.
В этой таблице показаны другие выбранные настройки спектра по умолчанию. Эти настройки можно изменить с их значений по умолчанию с помощью меню View > Spectrum Settings.
| Настройки спектра | Значение |
|---|---|
| Main options> Type |
|
| Main options> Window length | Длина фильтра канала |
| Main options> NFFT |
|
| Window options> Window |
|
| Trace options> Units |
|
Этот рисунок показывает график частотной характеристики для частотно-избирательного канала.
Допплеровский спектр
График Допплеровского спектра отображает теоретический Допплеровский спектр и эмпирически определенные точки данных. Теоретические данные отображаются как линия для случая нестатических каналов и как точка для статических каналов. Эмпирические данные показаны как символы *. Перед обновлением эмпирического графика внутренний буфер должен быть полностью заполнен фильтрованными Гауссовыми выборками. Эмпирический график является средним значением спектра, рассчитанным из каждого полного буфера. Для нестатических каналов количество входа образцов, необходимых перед следующим обновлением, отображается в левом верхнем углу графика. Количество необходимых выборок зависит от частоты дискретизации и максимального доплеровского сдвига. Для статических каналов текст "Reset fading channel for next update"отображается.
[1] Oestges, Claude, and Bruno Clerckx. MIMO Wireless Communications: от распространения в реальном мире до проекта кода пространства-времени. 1st ed. Boston, MA: Elsevier, 2007.
[2] Коррея, Луис М., и Европейское сотрудничество в области научно-технических исследований (Организация), эд. Мобильные широкополосные мультимедийные сети: Методы, модели и инструменты для 4G. 1-й эд. Амстердам; Бостон: Elsevier/Академическая пресса, 2006.
[3] Кермоал, Дж. П., Л. Шумахер, К. И. Педерсен, П. Е. Могенсен, и Ф. Фредериксен. Stochastic MIMO Radio Channel Model with Experimental Validation (неопр.) (недоступная модель). IEEE Journal on Selected Areas in Communications 20, no. 6 (август 2002): 1211-26. https://doi.org/10.1109/JSAC.2002.801223.
[4] Jeruchim, Michel C., Philip Balaban, and K. Sam Shanmugan. Симуляция систем связи. Второе издание. Бостон, Массачусетс: Спрингер, США, 2000.
[5] Patzold, M., Cheng-Xiang Wang, and B. Hogstad. «Два новых метода на основе суммы синусоидов для эффективной генерации нескольких некоррелированных Релеевских замираний волн». Транзакции IEEE по беспроводной связи 8, № 6 (июнь 2009 г.): 3122-31. https://doi.org/10.1109/TWC.2009.080769.