Используйте сверточную нейронную сеть (CNN) для классификации модуляций. Вы генерируете синтетический продукт, поврежденные каналом формы волны. Используя сгенерированные формы волны как обучающие данные, вы обучаете CNN классификации модуляций. Вы затем тестируете CNN с оборудованием программно определяемого радио (SDR) и беспроводными сигналами.

Создайте пару модулятора/демодулятора ортогональной модуляции деления частоты (OFDM) и задавать их экспериментальные индексы. Системный объект модулятора OFDM позволяет вам задать индексы пилотной поднесущей, сопоставимые с ограничениями, описанными в comm.OFDMModulator.info. В этом примере, для передачи OFDM по 3x2 канал, экспериментальные индексы создаются для каждой из этих трех передающих антенн. Кроме того, экспериментальные индексы отличаются между четными и нечетными символами.

Сравнивает Мультинесущую набора фильтров (FBMC) с Ортогональным мультиплексированием деления частоты (OFDM) и подсвечивает достоинства схемы модуляции кандидата Пятого поколения (5G) системы связи.

Сравнивает Ортогональное мультиплексирование деления частоты (OFDM) с Фильтрованным-OFDM (F-OFDM) и подсвечивает достоинства схемы модуляции кандидата Пятого поколения (5G) системы связи.

Сравнивает Универсальную фильтрованную мультинесущую (UFMC) с Ортогональным мультиплексированием деления частоты (OFDM) и подсвечивает достоинства схемы модуляции кандидата Пятого поколения (5G) системы связи.

Прямой способ выполнить модуляцию полосы пропускания, путем умножения модулируемого комплексного сигнала с комплексной синусоидой, чтобы выполнить повышающее преобразование частоты. В общем случае желательно моделировать систему в комплексной основной полосе. Однако существуют некоторые обстоятельства, где необходимо смоделировать систему в действительной полосе пропускания. Пример этого - когда смежный сигнал полосы обрабатывается с нелинейностью и вызывает интерференцию в желаемую полосу. Эта модель также иллюстрирует эффект такой интерференции.

Сгенерируйте сигналы и ухудшения канала, чтобы обучить нейронную сеть, названную LLRNet, оценить точные логарифмические отношения правдоподобия (LLR).

Повышение производительности BER для модуляции QPSK при использовании отношения логарифмической правдоподобности (LLR) вместо демодуляции трудного решения в convolutionally закодированной линии связи. С демодуляцией LLR можно использовать Декодер Витерби или в неквантованном режиме декодирования или в режиме декодирования мягкого решения. Неквантованное декодирование, где входные параметры декодера являются вещественными значениями, хотя лучше в терминах BER, не практически жизнеспособно. В более практическом декодировании мягкого решения демодулятор вывел, квантуется прежде чем быть питаемым декодера. Обычно замечается, что это не несет значительные расходы в BER, значительно уменьшая сложность декодера. Мы подтверждаем это экспериментально через этот пример.

Ортогональный пространственно-временной блочный код (OSTBC), конкатенированный с закодированной решеткой модуляцией (TCM) для информационной передачи по нескольким - ввел, несколько - выводят (MIMO), канал с 2 передающими антеннами и 1 получает антенну. Пример использует систему связи objects™, чтобы симулировать эту систему.

Ортогональный пространственно-временной блочный код (OSTBC), конкатенированный с закодированной решеткой модуляцией (TCM) для информационной передачи по нескольким - ввел, несколько - выводят (MIMO), канал с 2 передающими антеннами и 1 получает антенну.

Улучшение эффективности BER при использовании отношения логарифмической правдоподобности (LLR) вместо демодуляции трудного решения в convolutionally закодированной линии связи.