MIMO通信系统的信道估计与信号检测

合集下载

MIMO系统中一种新颖的联合信道估计与检测算法

MIMO系统中一种新颖的联合信道估计与检测算法
( 防科 技 大学 , 电子 科 学 与工 程 学 院 ,长 沙 ,4 0 7 ) 国 10 3

要 :本文基于 E E pc t nMaiu 算法 ,提 出了一种 简单 而有效的联合信道估计 与检测接 收机结构 。接 收机 M( xet i — xm m) ao
中通过采用非穷尽列表形式 的后验概 率检测算法 ,避免 了传统 干扰抵消结 构 中各 天线 发送 信号 间的残余 干扰对 后验概 率计 算 的影响 。并进一步针对常用 的非穷 尽列表形式 后验概率检测算球形译码算法 ( S S A at eSz i peeD cdn ) A L D, d pi i Ls S hr eoig 。该算法 通过 更新检测 半径和设 置停止条件 ,使检测列表 长度可随 v e t 信噪 比和迭代次数 自适应变化 。而且通过将列表操作 与 L D ( i peeD cdn ) S LsS hr eo i 算法相结合 ,避免 了符 号序列 在不同半径 t g 下的重复检测和排序操作 。仿真表明 ,在复杂度方面 ,该算法需 搜索 的路 径数远小 于 I D算 法 。在算 法性 能方面 ,以 3次 . S 迭代 l 。误 码率为例 ,该 算法与 PC算 法相 比可以获得近 2 B的性 能增 益 ,因而具有更优的性能与复杂度的折衷 。 0 I d 关键词 :列表球形译码 (.D) I S ;最大后验 概率 ( P 检测 ;度量 MA )
n n e h u t e l tma e e t n. e i tr r n e f m r n mi s n lo i ee t r n mi e Sa od d T e u t e d c h — o — x a si i p d t ci t e f e c o ta s t i a fd f r n a s t r i v i e . h n t f r rr u e te r v s o h n e r g f t ts o h e e d n a c f h xsi g n n e h u t e l t p d tc in ag r h , d i e . ee t n a g rt m wi d p ie l t i sp o u d n y o e e it o — x a si i t n v s ma ee t l o t ms a mo f d I o i i SD d tc i l o h t a a t i z i r — o i h v sse p s d T r u h u d t g d tc in rd u n e t g s p c tro t e d tc in l th s a v r b e ln t h c s a a t e w t h o e . h o g p ai ee t a i s a d s ti t r e n,h ee t i a a a l e g h w ih i d p i i t e n o n o i i o s i v h S n h tr t n Mo e v r b o i i g L D wi it n t n y t e r p ae ee t n wi i e n a is i a od d b t l o NR a d te i ai . r o e , y c mbn n S t a l , o l h e e td d tc i t d f r t d u s v ie , u s e o h s o o h fe r a te od rn rc d r s lf o t S mu ain s o a e p p s d ag r h o l e d mu h s o trl tsz o ae i . D n h r e g p e u e i e u . i l t h wst t h r o e lo t m n y n e c h r i i c mp r d w t I i o t o h t o i e s e h S ad c n i r v h E a 0~ w t h e tr t n b u d o ae i I lo t m , u a e trt d o e w e e o ma c a mp o e te B R t1 i t r e i a i sa o t B c mp r d w t P C ag r h t s h sb t a e f b t e n p r r n e h e o 2 h i h e r f

MIMO通信系统的信道估计及其FPGA实现

MIMO通信系统的信道估计及其FPGA实现

s(N ,, 1) 一
S (从 + N IP 一 2)
| ! 1 ‘ s e l l . | 以
(L 一 1)
(从 十 从 P 一 1)
舍弃掉接收到的V il练序列的循环前缀从州。到y(N, 一1) , (N, -F z) ) 由: … N,, 可得 以及 s(N,, k) = p (N : 一 k) (K “ 1, 2 , , 一 1) , 一
s(1 一 L ) s(2 一 L )
} . 工
、 少
y ,S h +
一 Z
s(N ,一 2)
s(N ,, L ) 一 s (N , + 1 一 L )
一 S (从 + 从 , L) 一
, ! 1 . e | e l | | | s e l l l e w

h ( 0) h ( 1)
z ( 0) z ( 1)
第 21 卷第 6 期 2006年 12月
宿 州 学 院 学 报
J our nal of Suzhou Col l ege
V ol . 2 1 , N o . 6
D ec . 2 0 0 6
MIMO 通信 系统 的信 道估计及其 FPGA 实现
张 慧, 昌 靖
(东南大学 信息科学与工程学院, 南京 210096) 江苏
! | | 以
h h
了 . 、 矛 . 、
0
、1 )
, r 片 胜 若 ‘ . ! l l e l J
r
x(0)
( 3)
! 十 . x( 1) | | 」 (N : 一 1)
由式( 2) 和式(3) 的推导可知, 矩阵为训练序列形成的循环矩阵, ( P 输人数据块与信道的线性卷积关系转变成

MIMO_OFDM系统中稀疏信道估计算法研究

MIMO_OFDM系统中稀疏信道估计算法研究

MIMO_OFDM系统中稀疏信道估计算法研究MIMO-OFDM系统中的稀疏信道估计是一种关键技术,用于准确估计多
个天线之间的信道状况。

在MIMO-OFDM系统中,多个天线之间存在复杂的
信道传输环境,如多径效应和多用户干扰等,这使得信道估计成为系统性
能优化的一项重要内容。

在实际应用中,传统的全体信道估计算法由于计算复杂度高,延时长
以及对应频谱资源占用较大的缺点,使得研究者们逐渐开始关注采用稀疏
信号处理方法来进行信道估计。

稀疏信号处理方法通过利用信道的稀疏性质,可以显著减少计算量和信道估计所需的开销。

稀疏信道估计主要分为两个阶段:字典学习和稀疏系数估计。

接下来,稀疏系数估计阶段的目标是通过已经学习好的字典和观测到
的信道响应矩阵来估计信道的稀疏系数。

这一阶段采用最小二乘(Least Squares)方法进行优化,通过最小化信道响应与字典重构之间的误差来
获取稀疏系数。

此外,还有一些改进的稀疏信道估计算法,如基于低秩矩阵补偿的估
计方法、基于组稀疏表达的估计方法等。

这些方法通过进一步利用信道估
计矩阵的结构特点,以及压缩感知理论中的稀疏表达与低秩矩阵补偿理论,可以进一步提高信道估计的精度和效率。

总之,MIMO-OFDM系统中的稀疏信道估计算法通过利用信道的稀疏性质,可以显著减少计算量和信道估计所需的开销。

字典学习和稀疏系数估
计是稀疏信道估计的两个关键阶段,采用最小二乘优化等方法来提高信道
估计的准确性和效率。

同时,改进的稀疏信道估计算法也得到了广泛研究,并取得了一定的成果。

无线通信中的信道估计与信号检测

无线通信中的信道估计与信号检测

无线通信中的信道估计与信号检测无线通信中,信道估计和信号检测都是非常重要的环节。

信道估计主要是指根据接收到的信号,估计出信道的特性,如路径损耗、多径衰落、时延等。

而信号检测则是指根据估计出的信道特性和已知的信号,对接收信号进行解调和解码,从而得到原始的信息。

在无线通信中,信道估计和信号检测都是非常复杂的问题,需要应用许多高级技术和算法。

在本文中,我们将对其进行详细的介绍和分析。

一、信道估计无线通信中的信号会经过多个路径传播,其中可能存在多径效应,导致接收信号发生衰落、相移等变化。

为了恢复信号的原有特性,必须对信道进行估计和补偿。

在通信系统中,常用的信道估计方法有以下几种:1. 最小二乘法(LS)最小二乘法是最简单的线性估计方法之一。

在该方法中,通过最小化估计误差的平方和,得到最优的信道估计值。

该方法计算简单,但对于非线性信道,误差较大,对时间和空间复杂度的要求也较高。

2. 线性最小均方误差(LMMSE)LMMSE是一种比LS更精确的估计方法。

它先根据接收信号的统计特性估计出信道的协方差矩阵,再根据接收信号和估计信道之间的线性关系,推导出信道估计公式。

该方法精度高,但计算量较大,对硬件要求也较高。

3. 神经网络(NN)神经网络是一种模仿人脑神经系统工作原理的技术。

在信道估计中,神经网络可以通过样本数据的训练,自适应地学习出信道特征,从而实现信道估计。

该方法具有较高的估计精度和一定的泛化能力,但需要大量的样本数据进行训练。

二、信号检测信号检测是无线通信中最为关键的环节之一。

它的目的是将接收到的信号还原成原始信息。

为了实现这一目标,必须对信道进行准确的估计,并采用合适的解调和解码算法。

常用的信号检测方法有以下几种:1. 线性解调(LD)线性解调指根据信道的线性特性,采用线性的解调方法,对接收信号进行解调。

常用的线性解调方法有匹配滤波和相关方法。

优点是计算简单,但只适用于线性信道,对非线性信道效果较差。

时变MIMO系统的联合符号检测与信道估计

时变MIMO系统的联合符号检测与信道估计

PPM S ( s -L E N: W, 为 MLE算 法 中 网格 状 态 数 ) W S 为其 特殊情 形 T . LE只有 一个 残存路 径 , 应 8.DM S 对

个信道参数估计子 , 计算简单 , 在信道环境好的情
争力的技术之一 . 在移动通信环境中, 信道呈时变多 径衰落的特点 , 多径 引起的符号间干扰( I和时变 I) S 导致的信道估计 困难 , 成为影响通信性能的两个主 要因素 . 对于时变多径衰落信道 , 通常采用 O D F M技 术将其 转换 为频 域 的平 坦 衰 落 信 道来 处 理 , 以减 小 II s 影响 , 但对 于 如何有 效 地克服 O D 的频偏 多径衰落信道环境 ,
结合分集合并 , 提出一种基于 D -H L E的低 复 FM M S 杂度联合符号检测与信道估计的递推算法 . 在信道
估计 初始 化 的基 础 上 , 算 法 将 整 个 MMO系统 根 该 I
据接收天线数 , 分为若 干 M S 划 I O子 系统, 据各 根 MIO子系 统 的信 道 环境情况 , S 即将各 子 系统 的瞬时
接收信噪 比与一 阈值 T ii相 比较 的结果 , L t m 选择 T - S 者修 正 的 N PMLE算 法 ( 求 N>1 , DMLE或 S- S 要 )
作者简介 : 徐征 (9 8 , , 17 一) 女 湖北 随州人 , 讲师
维普资讯
快的时变信道 , 为此提出修正 N SM S P- LE算法 , 该算
法从 N个 幸 存 路径 中 选 取 一 个 最 佳 路 径 及 其 对应
性和过高峰均比( 媪 ) P 目前仍需深入研究[3. 在时 , J 域 , F SY U提 出 了一 种 基 于 判 决 反 馈 的 MMO M. .IA I 时变多径信道跟踪 与符号检测 算法 , J 但在信道跟

第5章 MIMO-OFDM系统的信道估计

第5章 MIMO-OFDM系统的信道估计

1 Nt 2 fdT
1 Nt 2 f T d
1 Nf f max c
Nc N f
向上取整
一帧中包含的所有导频符号总数为
N grid N s Nt
11
导频图
两种导频插入模式 由于插入导频所带来的开销为 其信噪比的损失为

T
LS估计的均方误差(MSE)可以推得
ˆ MSE LS E h h LS
h X Y X Z X Z E
1
h X E
1
ˆ h h
H LS
Y
H
1
H
1
2 n 2 x
5
• 基于训练序列的信道估计
y0 1 ˆ h LS X Y x 0 y N 1 y1 x1 xN 1
ˆ 的导数,使得 求 h LS
ˆ ) J (h * H LS ˆ 2 X Y 2 X H Xh LS ˆ h




*
0
4
LS
ˆ XH X h LS


1
X H Y X 1 Y

y0 1 ˆ h LS X Y x 0
y N 1 y1 x1 xN 1
第5章 MIMO-OFDM系统的信道估计 5.1 引言
无论是单载波系统还是多载波系统,在接收端,要采用相干解调 恢复数据信息,都需要较准确的CSI作为数据处理的必要参数,所 以,信道估计是影响OFDM系统和MIMO-OFDM系统性能的关键因 素。和传统单天线情况下的OFDM系统相比,MIMO-OFDM系统中 的CSI估计更困难些,原因是多天线的使用使得在任一子载波上接

《2024年MIMO-OFDM系统中信道估计及信号检测算法的研究》范文

《2024年MIMO-OFDM系统中信道估计及信号检测算法的研究》范文

《MIMO-OFDM系统中信道估计及信号检测算法的研究》篇一一、引言在现代无线通信系统中,多输入多输出(MIMO)技术和正交频分复用(OFDM)技术被广泛地应用。

MIMO技术通过在发射端和接收端配置多个天线,可以有效地提高系统的数据传输速率和通信质量。

而OFDM技术则通过将频带划分为多个子信道,并在每个子信道上独立地调制信号,能够抵抗多径干扰和频率选择性衰落的影响。

然而,这两种技术都面临着复杂的信道环境和噪声干扰等问题,因此需要研究和设计有效的信道估计和信号检测算法。

本文将针对MIMO-OFDM系统中的信道估计及信号检测算法进行研究。

二、MIMO-OFDM系统概述MIMO-OFDM系统结合了MIMO和OFDM两种技术的优势,能够提供更高的数据传输速率和更好的通信质量。

在MIMO-OFDM系统中,多个天线同时发送和接收信号,每个天线之间相互独立,从而提高了系统的空间复用能力和分集增益。

同时,OFDM技术将频带划分为多个子信道,使得每个子信道上的信号可以独立地进行调制和解调,从而有效地抵抗了多径干扰和频率选择性衰落的影响。

三、信道估计算法研究信道估计是MIMO-OFDM系统中的重要环节,其目的是通过对接收信号进行处理和分析,估计出信道的状态信息,为后续的信号检测和均衡提供依据。

常见的信道估计方法包括基于导频的信道估计方法和基于盲信道估计方法。

基于导频的信道估计方法是在发送端定期发送已知的导频信号,接收端通过接收到的导频信号和已知的导频信息进行比较,从而估计出信道的状态信息。

这种方法简单易行,但需要占用一定的频带资源。

基于盲信道估计方法则是利用接收到的数据信号进行信道估计,不需要额外的导频信号。

常见的盲信道估计方法包括最小二乘算法、最大似然算法、迭代软判决算法等。

这些方法可以通过对接收到的数据进行迭代和优化处理,从而更准确地估计出信道的状态信息。

四、信号检测算法研究信号检测是MIMO-OFDM系统中的另一个重要环节,其目的是从接收到的信号中检测出发送端发送的数据信息。

《2024年毫米波大规模MIMO系统中信道估计研究》范文

《2024年毫米波大规模MIMO系统中信道估计研究》范文

《毫米波大规模MIMO系统中信道估计研究》篇一一、引言随着无线通信技术的飞速发展,毫米波大规模MIMO (Multiple Input Multiple Output)系统因其高带宽、高数据传输速率和良好的频谱效率等优势,在5G及未来通信网络中扮演着重要角色。

然而,在毫米波大规模MIMO系统中,由于信号传播的复杂性以及高频段的特性,信道估计成为了一个重要的研究课题。

本文旨在研究毫米波大规模MIMO系统中的信道估计技术,为提高系统性能和可靠性提供理论支持。

二、毫米波大规模MIMO系统概述毫米波大规模MIMO系统利用毫米波频段的信号进行数据传输,通过在基站和移动设备上部署大量天线来实现多输入多输出的效果。

这种系统具有高带宽、高数据传输速率和良好的频谱效率等优点,可满足未来无线通信的高需求。

然而,由于毫米波信号的传播特性以及大规模MIMO系统的复杂性,信道估计成为了关键的技术挑战。

三、信道估计的重要性信道估计是毫米波大规模MIMO系统中的重要环节,它直接影响着系统的性能和可靠性。

信道估计的主要任务是通过接收到的信号估计出信道的特性,如信道冲激响应、多径传播等。

准确的信道估计有助于提高系统的频谱效率和数据传输速率,降低误码率,从而提高系统的整体性能。

四、信道估计技术研究针对毫米波大规模MIMO系统的信道估计,本文提出以下几种技术:1. 基于压缩感知的信道估计:压缩感知是一种有效的信号处理技术,可以在低信噪比环境下实现准确的信道估计。

通过利用毫米波信道的稀疏特性,将信道估计问题转化为稀疏信号恢复问题,从而提高信道估计的准确性。

2. 联合估计与均衡技术:在毫米波大规模MIMO系统中,由于多径传播和信号干扰等因素的影响,单纯的信道估计可能无法满足系统的需求。

因此,本文提出了一种联合估计与均衡技术,通过同时进行信道估计和信号均衡,提高系统的性能和可靠性。

3. 深度学习在信道估计中的应用:深度学习在无线通信领域具有广泛的应用前景。

《2024年MIMO-OFDM系统中信道估计及信号检测算法的研究》范文

《2024年MIMO-OFDM系统中信道估计及信号检测算法的研究》范文

《MIMO-OFDM系统中信道估计及信号检测算法的研究》篇一一、引言随着无线通信技术的飞速发展,多输入多输出(MIMO)技术和正交频分复用(OFDM)技术因其卓越的性能在无线通信系统中得到了广泛应用。

MIMO-OFDM系统结合了MIMO和OFDM的优点,具有高数据传输速率、频谱利用率高和抗多径干扰能力强等特点。

然而,在实际应用中,由于无线信道的复杂性和时变性,信道估计和信号检测成为了MIMO-OFDM系统中的关键技术。

本文将重点研究MIMO-OFDM系统中的信道估计及信号检测算法。

二、MIMO-OFDM系统概述MIMO-OFDM系统是一种高效的无线通信技术,通过在发送端使用多个天线发送信号,同时在接收端使用多个天线接收信号,实现了空间复用和分集增益。

OFDM技术则通过将频带划分为多个正交子载波,将高频信号转换为并行低频信号进行传输,从而提高了频谱利用率和抗多径干扰能力。

三、信道估计技术研究信道估计是MIMO-OFDM系统中的一项关键技术,其主要目的是通过对接收信号进行分析和处理,估计出信道的响应特性。

常见的信道估计方法包括最小均方误差(MMSE)估计、最大似然(ML)估计和基于导频的信道估计等。

(一)MMSE信道估计MMSE信道估计是一种基于最小均方误差准则的估计方法。

该方法通过最小化估计误差的均方值来求解信道参数。

在实际应用中,MMSE信道估计具有良好的性能和稳定性,适用于各种信道条件。

(二)最大似然(ML)信道估计ML信道估计是一种基于最大似然准则的估计方法。

该方法通过最大化接收信号与实际发送信号之间的似然函数来求解信道参数。

ML信道估计在信噪比较高的情况下具有较好的性能,但在低信噪比条件下性能较差。

(三)基于导频的信道估计基于导频的信道估计是一种常见的信道估计方法。

该方法通过在发送信号中插入已知的导频符号,接收端根据导频符号的接收情况来估计信道的响应特性。

基于导频的信道估计具有计算复杂度低、实现简单等优点,但需要额外的频谱资源。

无线MIMO系统中迭代检测与信道估计技术研究

无线MIMO系统中迭代检测与信道估计技术研究

无线MIMO系统中迭代检测与信道估计技术研究一、本文概述随着无线通信技术的飞速发展,多输入多输出(MIMO)系统以其能够显著提高系统容量和频谱效率的特性,已成为无线通信领域的研究热点。

MIMO系统通过利用多天线在发送端和接收端同时进行信号处理,可以在不增加带宽和发射功率的情况下,显著提升系统的数据传输速率和可靠性。

然而,MIMO系统的性能在很大程度上取决于接收端的信号处理技术,特别是迭代检测与信道估计技术。

本文旨在深入研究无线MIMO系统中的迭代检测与信道估计技术,探讨其在提高系统性能、降低误码率以及提升频谱效率方面的作用。

文章首先将对MIMO系统的基本原理和模型进行介绍,为后续研究奠定理论基础。

接着,重点分析迭代检测算法的原理和实现方法,包括常见的软输入软输出(SISO)算法、最大后验概率(MAP)算法等,并评估其在不同信道条件下的性能表现。

本文还将对信道估计技术在MIMO系统中的应用进行深入探讨。

信道估计是MIMO系统中的重要环节,它对于准确恢复发送信号、提高系统性能具有关键作用。

文章将介绍常见的信道估计方法,如基于导频的信道估计、盲信道估计等,并分析它们在不同场景下的优缺点。

本文将对迭代检测与信道估计技术的结合进行研究,探讨如何通过优化算法设计和参数调整,实现两者之间的协同工作,从而进一步提升MIMO系统的整体性能。

本文的研究成果将为无线MIMO系统的优化设计和实际应用提供有益的参考和指导。

二、无线MIMO系统基础无线多输入多输出(MIMO)系统是一种利用多个发射和接收天线进行无线通信的技术。

MIMO系统通过增加天线的数量,能够在不增加频谱带宽和发射功率的情况下,显著提高无线通信系统的容量和可靠性。

其理论基础源于香农信道容量公式,即在给定带宽和信噪比条件下,增加信道自由度(即天线数量)可以提升信道容量。

在MIMO系统中,发射端通过多个天线发送信号,接收端通过多个天线接收信号。

这些天线可以独立地发送和接收数据,从而形成多个并行子信道。

通信系统中的信号检测与估计技术

通信系统中的信号检测与估计技术

通信系统中的信号检测与估计技术通信系统中的信号检测与估计技术在现代通信领域中起着至关重要的作用。

随着通信技术的不断发展和进步,人们对信号检测与估计技术的需求也变得越来越迫切。

本文将着重介绍通信系统中的信号检测与估计技术的相关知识,包括其基本概念、原理、算法以及应用等方面。

一、信号检测技术信号检测技术是指在接收端对信道传输而来的信号进行检测和判决的过程。

其主要任务是根据接收到的信号样本,判断出信号的存在与否。

在通信系统中,信号通常会受到多种干扰和噪声的影响,因此准确的信号检测技术对于提高通信系统的性能至关重要。

在信号检测技术中,常用的算法包括最大似然检测、贝叶斯检测、信号能量检测等。

这些算法根据不同的假设条件和约束条件,对接收到的信号进行处理和判决,以实现准确的信号检测。

二、信号估计技术信号估计技术是指在接收端根据接收到的信号样本,对信号的参数进行估计和推断的过程。

其主要任务是通过对信号样本的处理和分析,恢复出信号的原始信息。

在通信系统中,信号估计技术可以用于信号的解调、解调和信号分析等应用。

常用的信号估计算法包括最小均方误差估计、最大后验概率估计、最大似然估计等。

这些算法通过对接收到的信号样本进行处理和优化,得到对信号参数的最优估计结果。

三、应用领域信号检测与估计技术在通信系统中应用广泛,涉及到数字通信、无线通信、雷达、生物医学工程等多个领域。

在数字通信系统中,信号检测与估计技术可以用于解调和信道估计;在无线通信系统中,可以用于信号检测和信道估计;在雷达系统中,可以用于目标检测和跟踪;在生物医学工程中,可以用于生物信号的检测和分析。

总之,信号检测与估计技术是通信系统中的重要组成部分,对于提高通信系统的性能和可靠性具有重要意义。

随着通信技术的不断发展,我们相信信号检测与估计技术将会在未来得到进一步的完善和应用。

《2024年毫米波大规模MIMO系统中信道估计研究》范文

《2024年毫米波大规模MIMO系统中信道估计研究》范文

《毫米波大规模MIMO系统中信道估计研究》篇一一、引言随着无线通信技术的快速发展,毫米波大规模MIMO(多输入多输出)系统因其高频谱效率和空间复用能力,成为了第五代移动通信(5G)及未来通信网络中的关键技术之一。

在这个系统中,信道估计是保证通信质量的关键环节,因此对于毫米波大规模MIMO系统中信道估计的研究具有重要价值。

本文将重点对这一课题进行探讨。

二、毫米波大规模MIMO系统概述毫米波(mmWave)通信是一种在高频频谱上工作的无线通信技术。

毫米波频谱因其具有丰富的带宽和可用于传输高速数据的潜力而备受关注。

而大规模MIMO技术则是通过使用大量天线元素以获得更高的频谱效率和更稳定的信号质量。

结合两者优势的毫米波大规模MIMO系统能够显著提高无线通信系统的性能。

三、信道估计的重要性在无线通信系统中,信道估计是用于获取信道状态信息(CSI)的关键过程。

CSI对于无线系统的性能至关重要,它不仅影响信号的传输质量,还对系统的资源分配和调度具有重要影响。

在毫米波大规模MIMO系统中,由于信号传播路径多、环境复杂等因素,信道估计的准确度对系统性能的发挥具有至关重要的作用。

四、信道估计的方法1. 传统信道估计方法:传统的信道估计方法主要依赖于训练序列或导频信号,通过这些已知的信号在接收端进行比对和计算来获取CSI。

然而,在毫米波大规模MIMO系统中,由于信号路径的复杂性以及所需导频资源的巨大,传统方法往往难以满足高准确度的需求。

2. 基于压缩感知的信道估计:针对传统方法的不足,近年来研究者提出了基于压缩感知的信道估计方法。

这种方法利用了毫米波信道的稀疏特性,通过压缩感知算法来准确估计信道状态信息。

这种方法的优点在于能够有效减少所需导频资源,提高信道估计的准确度。

五、信道估计的研究挑战与展望尽管毫米波大规模MIMO系统中的信道估计取得了显著的进展,但仍面临诸多挑战和问题。

首先,如何准确估计信道状态信息在复杂多变的无线环境中是一个难题。

MIMO系统中的信道建模与容量分析

MIMO系统中的信道建模与容量分析

MIMO系统中的信道建模与容量分析随着无线通信技术的不断发展,多输入多输出(MIMO)系统已成为提高无线信号传输效率和可靠性的重要技术手段。

MIMO系统通过在发送和接收端同时使用多个天线来实现多路传输和接收,并利用信道状态信息来优化信号传输。

为了有效地设计和优化MIMO系统,需要对信道进行准确的建模和容量分析。

首先,在MIMO系统中,信道建模是非常重要的一步。

信道建模即通过建立数学模型来描述信号在传输过程中所经历的衰落、延迟和失真等特性。

常用的信道模型包括射线模型、瑞利衰落模型和莱斯衰落模型等。

在MIMO 系统中,由于存在多个天线,信道建模需要考虑天线之间的空间相关性。

通常可以使用复正态分布来描述MIMO信道的相关性,其中的相关矩阵反映了天线之间的相关性和功率分配。

其次,容量分析是评估MIMO系统性能的重要指标。

容量分析可用于确定MIMO系统在给定条件下所能达到的最高数据传输速率。

基于信道状态信息的MIMO系统容量分析通常采用信息论的方法进行,而信息论关注的是在给定的信道条件下,数据可以以多快的速率传输而不发生误差。

因此,容量分析可以帮助我们确定有效的调制和编码方案,以最大化MIMO系统的数据传输速率。

在进行MIMO系统容量分析时,常用的性能指标包括信噪比、误码率和中位数吞吐量等。

信噪比是信号功率与噪声功率之比,可以衡量信号传输的质量。

误码率是指在给定信噪比条件下传输的错误比特数量,通常用于评估系统的可靠性。

中位数吞吐量是指在给定的信道条件下达到50%的数据传输速率,可以作为容量分析的参考指标。

进行MIMO系统容量分析时,需要先确定信道状态信息,即利用已有的信道测量数据或通过信道估计算法获取信道矩阵。

然后,根据所采用的调制和编码方案,通过信息论的方法计算出MIMO系统的容量。

常用的容量分析方法包括水容量法、差分熵和最大固定速率等。

除了信道建模和容量分析,还有一些其他方面需要考虑。

例如,天线选择和配置、功率控制、信道估计和预编码等都会影响MIMO系统的性能。

MIMO系统中信道估计与序列联合检测

MIMO系统中信道估计与序列联合检测

E Se : —tp
Q( X )一 XI
E[ p Y l x)I ] 1 ( H, g Y, .
() 3
在 长度 为 t 的一帧 中接 收 的符 号 , 表示 第 是时刻 ,
式 中 x 表示 第 i 次迭 代后估 计 的发送 符号矩 阵 。
收 稿 日期 : 0 10 2 2 1 —3 2 基 金 项 目 : 家 自然 科 学 基 金 ( 1 70 8 ; 方 工 业 大 学 青 年 重 点 科 研 基 金 资 助 国 60 2 0 )北
下 也可 以有 效快 速地 收敛 。
因此第 根接 收天线 在第 忌时刻 接 收 的复包 络
值为 :
"T


∑h/ . 7


4 , -
() 1
J一 1 2, , R 一 1 2, ,. , … n , , … t
式 中 : 表示 均值 为 0 功率 为 1的复高 斯 噪声 。假 , 设每 根接 收天 线 的信 噪 比相 同 , p表示 , 用 并假 设 每
入 s 算 法 中 进 行 最 小 距 离 搜 索 , 而 可 以 估 计 发 送 符 号 。 仿 真 显 示 : 种 联 合 估 计 及 检 测 算 法 的 D 从 这 性 能 属 于 次优 算 法 , 是 其 复 杂 度 会 随 着搜 索 而 下 降 。在 比较 少 的 迭 代 次 数 下 , 以 获 得 理 想 的 信 但 可
以通 过 p 表示 。 一 因此 式 ( ) 以表示 为 : 1可
值 对信 道信 息进 行 更新 ; 二 阶段 是 根 据 估 计 的信 第
道 值采 用 S D算 法 对 发 送 符 号 向量 进 行 解 调 , 而 从 恢 复发 送序 列 。这 种 算 法 在性 能上 属 于 次 优算 法 , 但 可 以大 幅度 降低算 法复 杂度 。

MIMO-OFDM系统中信道估计方法的研究

MIMO-OFDM系统中信道估计方法的研究
1.1 概述 ........................................................................................................................................... 1 1.2 移动通信的发展历程 ............................................................................................................... 1 1.3 国内外研究现状 ....................................................................................................................... 2 1.3.1 MIMO-OFDM 技术发展概况及研究现状 ....................................................................... 2 1.3.2 MIMO-OFDM 信道估计算法的研究现状与意义 ........................................................... 2 1.4 本论文的主要研究工作 ........................................................................................................... 6
由于ls信道估计方法兼顾复杂度和精度适用于实际应用系统因此着重matlab软件仿真表明本文的优化算法能够在保证系统信道估计准确性的同时有效地降低传统的信道估计方法的复杂度

mimo ofdm信道估计流程

mimo ofdm信道估计流程

mimo ofdm信道估计流程MIMO-OFDM信道估计流程引言:在无线通信领域中,MIMO(Multiple-Input Multiple-Output)和OFDM(Orthogonal Frequency Division Multiplexing)是两种非常重要的技术。

MIMO技术可以利用多个天线实现多个发送和接收通道,提高系统的容量和可靠性。

而OFDM技术则可以将高速数据流分成多个较低速的子流,并使用正交载波进行传输,提高频谱利用率和抗护狗性。

在MIMO-OFDM系统中,信道估计是一个关键的环节,用于获取信道状态信息(CSI),以便进行后续的数据检测和解调。

本文将介绍MIMO-OFDM信道估计的流程。

一、信道特性建模在进行信道估计之前,首先需要对信道进行建模。

MIMO-OFDM系统中的信道可以被看作是多个独立的子信道的组合。

每个子信道可以用一个复数的信道增益来表示,该信道增益是由信道传输特性和接收器的天线配置决定的。

一般来说,我们可以使用Rayleigh衰落信道模型来描述无线信道的随机性质。

二、导频设计为了进行信道估计,我们需要在发送信号中插入导频序列。

导频序列由已知的信号组成,通过对接收信号和导频序列进行比较,可以得到信道的估计值。

在MIMO-OFDM系统中,导频通常被插入到OFDM符号的首部或者尾部。

三、基于导频的信道估计算法基于导频的信道估计算法是一种常用的信道估计方法。

它利用已知的导频序列和接收到的导频序列之间的差异来估计信道。

最简单的方法是使用线性插值来估计导频之间的信道增益。

然而,由于信道的非线性特性和噪声的存在,线性插值可能会引入较大的误差。

因此,研究者们提出了一些更加复杂的信道估计算法,如最小二乘法(Least Squares)、最小均方误差(Minimum Mean Square Error)等。

四、基于时-频域联合的信道估计算法基于时-频域联合的信道估计算法结合了时域和频域的信息,利用时域和频域上的导频序列进行信道估计。

wifi mimo原理

wifi mimo原理

wifi mimo原理MIMO技术,也称为多入多出(Multiple-Input Multiple-Out-put)技术,是一种无线通信技术,利用多个天线进行数据传输和接收。

在传统的单天线系统中,只有一个天线进行数据传输和接收,而在MIMO系统中,发送端和接收端都配备了多个天线,这些天线之间相互独立,可以同时传输和接收多个数据流。

MIMO系统的模型可以用矩阵表示。

假设发送端有Nt个天线,接收端有Nr个天线,则发送端的输入向量为x=[x1,x2,...,xNt]T,接收端的输出向量为y=[y1,y2,...,yNr]T。

MIMO系统可以表示为:y=Hx+n,其中H为大小为Nr×Nt的复数矩阵,称为信道矩阵;n为大小为Nr×1的噪声向量,符合高斯分布,均值为0,方差为σ2。

MIMO技术的核心是利用多个天线进行数据传输。

在发送端,MIMO技术将数据分成多个子流,并分别通过不同的天线进行传输。

在接收端,MIMO 技术将接收到的信号进行处理,并利用信道状态信息来还原原始数据。

MIMO技术的工作原理可以分为以下几个步骤:1. 信道估计:在MIMO系统中,每个天线之间都存在不同的信道。

在进行数据传输之前,需要先对信道进行估计。

信道估计的目的是确定每个天线之间的信道状态信息,包括信道响应、幅度和相位等。

这些信息可以帮助接收端还原原始数据。

2. 信号发送:在信道估计完成之后,发送端将数据分成多个子流,并分别通过不同的天线进行传输。

每个子流都会经过不同的信道,因此在接收端,需要对每个子流进行处理,以还原原始数据。

3. 信号接收:在接收端,多个天线接收到的信号将被组合起来,并进行信号处理,从而还原原始数据。

在进行信号处理之前,需要先对信号进行分离。

分离的目的是将每个子流分别提取出来,从而进行单独的处理。

4. 信号处理:在信号分离完成之后,接收端将每个子流进行单独的处理。

处理的过程包括信号解码、信号恢复和信道补偿等。

mimo信道估计算法

mimo信道估计算法

mimo信道估计算法MIMO(Multiple-Input(Multiple-Output)系统是指在发送端和接收端都有多个天线的通信系统。

MIMO信道估计是指在这样的系统中对信道进行估计,以便在接收端恢复传输的数据。

信道估计在MIMO 系统中至关重要,因为它可以帮助系统更准确地了解信道状况,从而提高通信的可靠性和性能。

以下是一些常见的MIMO信道估计算法:1.(最小均方误差 MMSE)估计•MMSE是一种常用的线性估计算法,通过最小化均方误差的方法来估计信道。

•它考虑了信道噪声和信号的相关性,可以在噪声存在的情况下有效地估计信道。

2.(最大似然估计 MLE)•MLE是一种基于概率的估计方法,假设接收到的信号是从某个已知概率分布中抽取的。

•它寻找最有可能产生接收信号的信道参数,通常在理想情况下提供较好的性能。

3.(奇异值分解 SVD)•SVD是一种将MIMO信道矩阵分解成几个较小矩阵的方法,其中包括信道矩阵的正交特征向量。

•通过SVD,可以在不同的信道传输路径上进行分解和估计,提高了信道估计的准确性。

4.(协方差矩阵估计•该方法尝试估计接收信号的协方差矩阵,从而推断信道状况。

•通过协方差矩阵的估计,可以获取信道的统计特性,对信号进行优化处理。

5.(基于导频的估计•这种方法利用发送端发送的已知导频信号来估计信道状况。

•接收端根据接收到的导频信号与已知的导频信号进行比较,推断信道特性。

6.(贝叶斯估计•贝叶斯估计利用贝叶斯定理,结合先验信息和观测数据来进行信道估计。

•它可以提供对信道参数的概率分布估计,更全面地描述了不确定性。

这些算法都有各自的优劣和适用场景,选择合适的算法取决于通信系统的特性、噪声条件、计算复杂度和精确度要求等因素。

在实际应用中,通常需要结合不同的算法和技术来进行MIMO信道估计,以获得更好的性能和可靠性。

MIMO无线通信系统中的信道估计与优化

MIMO无线通信系统中的信道估计与优化

MIMO无线通信系统中的信道估计与优化随着移动通信技术的飞速发展,MIMO(Multiple-Input Multiple-Output)无线通信系统作为一种重要的技术方案得到了广泛应用。

MIMO系统利用多个发射天线和接收天线,通过多路径传播来提高无线信号的传输性能。

在MIMO系统中,准确的信道估计是确保高传输速率和低误码率的关键技术。

本文将深入探讨MIMO无线通信系统中的信道估计与优化。

首先,介绍MIMO系统中信道估计的基本原理。

MIMO系统中的信道估计包括两个方面:空间域信道估计和时间域信道估计。

空间域信道估计是通过接收天线上的已知训练序列进行计算,通过估计信道矩阵,得到对信道状况的估计。

时间域信道估计则是通过接收到的信号数据进行计算,通过估计信道的时变特性来评估信道质量。

这两种信道估计的方式各有优缺点,在实际应用中需要根据系统要求和实际场景选择合适的信道估计方式。

接下来,讨论信道估计中的常见问题。

在MIMO系统中,由于多天线间的相关性以及多路径信号的多普勒效应,信道估计存在误差。

信道估计误差可能导致系统性能下降,特别是在高速移动环境下。

因此,如何准确估计信道状态信息(CSI)成为了一个重要的研究问题。

为了克服信道估计误差,研究人员提出了一系列的优化方法。

一种常见的方法是引入前向误差纠正,通过预测和校正信道估计误差来提高系统的性能。

另一种方法是使用自适应算法,根据实时信道状态来调整信道估计方法,以提高性能。

在信道估计的基础上,进一步优化MIMO系统的性能也是一个重要研究方向。

一种常见的优化策略是空时信号处理技术。

通过设计合适的空时码、调制方式和分集方法,可以最大程度地利用MIMO系统中的多个天线,提高系统的容量和可靠性。

此外,联合调度和功率控制策略也可以优化系统性能。

通过根据实时信道状态进行动态调度和功率分配,可以实现系统资源的最优利用,提高系统的整体性能。

除了上述的基本原理和优化方法,MIMO系统中还有一些其他的关键问题值得关注。

相关主题
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

MIMO通信系统的信道估计与信号检测项目意义义一项目意多输入多输出(MIMO)技术由于能够在不增加传输带宽的条件下成倍的提高无线信道的信道容量,因而被认为是下一代移动通信系统4G的关键技术之一。

MIMO技术是未来无线通信系统中实现高数据速率传输、改善传输质量、提高系统容量的重要途径。

MIMO信道模型无论是在MIMO技术的理论研究阶段还是在MIMO系统的应用阶段都是必需的。

因此,MIMO信道的建模是MIMO理论研究中的重要内容。

多输入多输出(MIMO)衰落信道是迄今为止所考虑的单输入单输出(SISO)随机信道的多变量推广。

从SISO入手,逐步增加天线数,通过对MIMO 信道的建模和仿真,深刻理解MIMO的系统的内涵。

二项目内容1.MIMO信道的建模。

搭建1*1,2*2,4*4,8*8,MIMO-任一路的信道符合Rayleigh Fading。

2.在接收端基于导频的信道估计。

3.利用估计的信道分别进行MLD和Zero-forcing信号检测。

4.1×1,2×2,4×4,8×8,(理想信道)模型的传输性能比较。

5.1×1,2×2,4×4,8×8,(估计信道)模型的传输性能比较。

6.估计信道和理想信道(4×4)之间的传输性能比较。

三项目原理(1)MIMO系统模型以2×2MIMO为例:r1=H11*S1+H21*S2+n1n2r2=H12*S1+H22*S2+说明:H信道符合Rayleigh衰落。

n为信道的高斯白噪声。

S为发射信号,r为接收端接收信号。

(2)基于导频的信道估计在2×2MIMO信道模型中,导引信号的数量可以是2当导引信号时p1p2=[10],r1=H11*p1+H21*p2+n1(p1=0),不考虑噪声的影响n2(p1=0),不考虑噪声的影响。

r2=H12*S1+H22*S2+则有:H11=r1/p1;H12=r2/p1;当导引信号时p1p2=[01],r1=H11*p1+H21*p2+n1(p1=0),不考虑噪声的影响r2=H12*S1+H22*S2n2(p1=0),不考虑噪声的影响。

+则有:H21=r1/p2;H22=r2/p2;因此,采用导引结构,可以在接收端估计出信道H为:H=[H11H12H21H21](3)最大似然检测(MLD)这是理论最优的检测方法,能够完全获得接收分集增益。

由估计理论可知,对于Y=HX+Z中的H的估计,最大似然估计方法构造了一种代价函数p(H|Y,X),使该代价函数取得最大值的H为最终的估计值:本项目主要针对4×4的MIMO系统进行仿真,星座映射图选择QPSK,在接收端采用最大似然检测算法,主要是考察信道估计算法的性能,所以在检测时采用对发射信号空间进行了穷尽搜索的方法来进行最大似然检测,以充分展示信道估计算法的BER性能。

(4)迫零检测(ZF)迫零检测算法是给接收信号乘以信道矩阵的逆,其他用户对它的的干扰可以消除,但同时噪声也乘以信道矩阵的逆,一般来说,信道矩阵的系数都小于1,那么它的逆就是大于1的,也就是说给噪声乘了一个大于1的因子,必然是放大了噪声。

四项目分析图一图二图三图四结果分析:从图一图三中可以看出,在MLD检测中,当发射和接收的天线数越多,误码率越低,从而证明了MIMO通信系统可以克服多径衰落带来的不良影响,实现了信号传输的可靠性,而且还可以增加系统容量,提高频谱利用率。

从图二图四中可以看出,在ZF检测中,当发射和接收的天线数越多,误码率越高,迫零检测算法是给接收信号乘以信道矩阵的逆,其他用户对它的的干扰可以消除,但同时噪声也乘以信道矩阵的逆,一般来说,信道矩阵的系数都小于1,那么它的逆就是大于1的,也就是说给噪声乘了一个大于1的因子,必然是放大了噪声。

所以误码率会随着天线数的增多而增大。

图五图六结果分析从结果可以看出,使用MLD检测时,理想信道和估计信道误码率总体趋势一样,但理想信道的误码率比估计信道的误码率要低,说明基于导频进行信道估计在MIMO通信系统是可行的。

使用ZF检测时,理想信道和估计信道误码率总体趋势一样,但理想信道的误码率比估计信道的误码率要高,所以一般不建议在基于导频的信道估计中使用ZF检测算法。

图七图八结果分析从结果可以看出,使用理想信道时,MLD算法比ZF算法的误码率小,且总体趋势一样,但在高信噪比部分MLD算法误码率比ZF算法的误码率明显低了很多,说明MLD算法全局搜索的性能极佳。

使用估计信道时,MLD算法和ZF算法的误码率相差不大,其中MLD算法的信噪比稍低一些。

从运算量和运行时间来看,当num=256,loop=1000时,使用MLD算法一共大约1200s,而使用ZF算法一共需要时间大约180s。

MLD算法的运算量远大于ZF算法,所用时间也长于ZF算法。

五项目总结通过本课程的学习,我们知道MIMO将多径无线信道与发射、接收视为一个整体进行优化,从而实现高的通信容量和频谱利用率。

这是一种近于最优的空域时域联合的分集和干扰对消处理。

而本项目通过建立MIMO通信系统,并基于导频估计出信道H,再利用估计的信道分别进行MLD和Zero-forcing信号检测,最后应用MATLAB对本系统进行仿真,画图,观察图形,通过仿真结果进行误码率分析。

从上面进行到的项目过程,我们进一步了解到MIMO系统突出的性能优势,为未来学习4G通信打下基础。

六参考文献[1].樊昌信通信原理北京国防工业出版社2001[2].魏巍MATLAB信息工程工具箱技术手册北京国防工业出版社2004[3].陈永春MATLAB M语言高级编程北京清华大学出版社2004[4].肖扬MIMO多天线无线通信系统北京人民邮电出版社2009[5].章坚武移动通信陕西西安电子科技大学出版社2003七、附录%4x4天线MLD检测,理想信道与估计信道的MIMO系统误码率分析%clear all;close;Eb_N0=-10:1:10;tx=4;%发送天线数目%rx=4;%接收天线数目%num=256;loop=1000;%循环次数(100/BER=1000)%SNR_num=length(Eb_N0);%number of SNRerror=zeros(2,SNR_num);for p=1:SNR_numticfor w=1:loopSig=randint(1,num);%随机产生二进制序列modSig=modBaseBandQPSK(Sig);%QPSK调制%估计信道发送矩阵初始化%transmit_array_estimated=zeros(tx,num/tx/2+tx);transmit_array_estimated(:,1:tx)=eye(tx,tx);transmit_array_estimated(:,tx+1:num/tx/2+tx)=series2array(modSig,tx)./sqrt(tx);%将序列转换为数组,用于送给不同天线,有功率分配%%理想信道发送矩阵初始化%transmit_array_ideal=series2array(modSig,tx)./sqrt(tx);%4x4MIMO信道%Channel=zeros(tx,rx,num);for n=1:txfor m=1:rxChannel(n,m,:)=wgn(1,1,0,'complex');endendH=Channel;%通过MIMO理想信道%for n=1:num/tx/2recSig_ideal(:,n)=H(:,:,n)*transmit_array_ideal(:,n);endfor n=1:txrecSig_ideal(n,:)=awgn(recSig_ideal(n,:),Eb_N0(p));end%通过MIMO估计信道%for n=1:num/tx/2+txrecSig_estimated(:,n)=H(:,:,n)*transmit_array_estimated(:,n);%信号通过4x4MIMO信道end%加awgn噪声%for n=1:txrecSig_estimated(n,:)=awgn(recSig_estimated(n,:),Eb_N0(p));end%估计信道H_estimated=recSig_estimated(:,1:tx);%信道估计%receive=recSig_estimated(:,tx+1:num/tx/2+tx);%有用信息(去除信道估计用的信息后)%%最大似然检测%S_estimated=MLD1(receive,H_estimated);%估计信道%S_ideal=MLD1(recSig_ideal,H(:,:,num));%理想信道%%将数组转换为序列%x_estimated=conj(S_estimated(:)');%估计信道%x_ideal=conj(S_ideal(:)');%理想信道%%QPSK解调%demodSig_estimated=demodQPSK(x_estimated);%估计信道%demodSig_ideal=demodQPSK(x_ideal);%理想信道%%错误点数%error(1,p)=error(1,p)+length(find((demodSig_estimated-Sig)~=0));%估计信道%error(2,p)=error(2,p)+length(find((demodSig_ideal-Sig)~=0));%理想信道% enderror(:,p)=error(:,p)/loop/num%误码率%tocend%画误码率曲线semilogy(Eb_N0,error(1,:),'r*-',Eb_N0,error(2,:),'b*-');grid on;title('4×4天线,MLD检测,理想信道和估计信道的性能比较(11组)');xlabel('E_b/N_0(dB)');ylabel('误码率');legend('估计信道误码率曲线','理想信道误码率曲线');====================================================================== ===========================%4x4天线,理想信道vs估计信道,ZF检测%clear all;close;Eb_N0=-10:1:10;tx=4;%发送天线数目%rx=4;%接收天线数目%num=256;loop=1000;%循环次数(100/BER=1000)%SNR_num=length(Eb_N0);%number of SNRBER=zeros(2,SNR_num);for p=1:SNR_numticfor w=1:loopSig=randint(1,num);%随机产生二进制序列modSig=modBaseBandQPSK(Sig);%QPSK调制%估计信道发送矩阵初始化%transmit_array_estimated=zeros(tx,num/tx/2+tx);transmit_array_estimated(:,1:tx)=eye(tx,tx);transmit_array_estimated(:,tx+1:num/tx/2+tx)=series2array(modSig,tx)./sqrt(tx);%将序列转换为数组,用于送给不同天线,有功率分配%%理想信道发送矩阵初始化%transmit_array_ideal=series2array(modSig,tx)./sqrt(tx);%4x4MIMO信道%Channel=zeros(tx,rx,num);for n=1:txfor m=1:rxChannel(n,m,:)=wgn(1,1,0,'complex');endendH=Channel;h=(1/sqrt(2))*H(:,:,num)/(sqrt(tx));%对信道进行归一化处理%%通过MIMO理想信道%for n=1:num/tx/2recSig_ideal(:,n)=H(:,:,n)*transmit_array_ideal(:,n);endfor n=1:txrecSig_ideal(n,:)=awgn(recSig_ideal(n,:),Eb_N0(p));end%通过MIMO估计信道%for n=1:num/tx/2+txrecSig_estimated(:,n)=H(:,:,n)*transmit_array_estimated(:,n);%信号通过4x4MIMO信道end%加awgn噪声%for n=1:txrecSig_estimated(n,:)=awgn(recSig_estimated(n,:),Eb_N0(p));end%估计信道H_estimated=recSig_estimated(:,1:tx);%信道估计%receive=recSig_estimated(:,tx+1:num/tx/2+tx);%有用信息(去除信道估计用的信息后)%%迫零检测%%估计信道%y_estimated=pinv(h)*receive;x_estimated=conj(y_estimated(:)');demodSig_estimated_ZF=demodQPSK(x_estimated);%QPSK解调%%理想信道%y_ideal=pinv(h)*recSig_ideal;x_ideal=conj(y_ideal(:)');demodSig_ideal_ZF=demodQPSK(x_ideal);%QPSK解调%%错误点数%BER(1,p)=BER(1,p)+length(find((demodSig_estimated_ZF-Sig)~=0));%估计信道%BER(2,p)=BER(2,p)+length(find((demodSig_ideal_ZF-Sig)~=0));%理想信道%endBER(:,p)=BER(:,p)/loop/num%误码率%tocend%画误码率曲线semilogy(Eb_N0,BER(1,:),'r*-',Eb_N0,BER(2,:),'b*-');grid on;title('4×4天线,ZF检测,通过理想信道和估计信道的性能比较(11组)');xlabel('E_b/N_0(dB)');ylabel('误码率');legend('估计信道误码率曲线','理想信道误码率曲线');====================================================================== =========================%估计信道,MLD检测的1x1,2x2,4x4天线的MIMO系统误码率曲线比较分析%clear all;close;tx1=1;%发送天线数目为1%rx1=1;%接收天线数目为1%tx2=2;%发送天线数目为2%rx2=2;%接收天线数目为2%tx3=4;%发送天线数目为4%rx3=4;%接收天线数目为4%Eb_N0=-10:1:10;num=256;loop=1000;%循环次数%100/BER=1000SNR_num=length(Eb_N0);BER=zeros(3,SNR_num);for p=1:SNR_numticfor w=1:loopSig=randint(1,num);%随机产生二进制序列%modSig=modBaseBandQPSK(Sig);%QPSK调制%%发送信号矩阵初始化%transmit_array1=zeros(tx1,num/tx1/2+tx1);transmit_array1(:,1:tx1)=eye(tx1,tx1);transmit_array2=zeros(tx2,num/tx2/2+tx2);transmit_array2(:,1:tx2)=eye(tx2,tx2);transmit_array3=zeros(tx3,num/tx3/2+tx3);transmit_array3(:,1:tx3)=eye(tx3,tx3);%发送序列转换为数组,用于送给不同天线,有功率分配%transmit_array1(:,tx1+1:num/tx1/2+tx1)=series2array(modSig,tx1)./sqrt(tx1);transmit_array2(:,tx2+1:num/tx2/2+tx2)=series2array(modSig,tx2)./sqrt(tx2);transmit_array3(:,tx3+1:num/tx3/2+tx3)=series2array(modSig,tx3)./sqrt(tx3);%1x1MIMO信道%Channel=zeros(tx1,rx1,num);for n1=1:tx1for m1=1:rx1Channel(n1,m1,:)=wgn(1,1,0,'complex');endendH1=Channel;%2x2MIMO信道%Channel2=zeros(tx2,rx2,num);for n2=1:tx2for m2=1:rx2Channel2(n2,m2,:)=wgn(1,1,0,'complex');endendH2=Channel2;%4x4MIMO信道%Channel3=zeros(tx3,rx3,num);for n3=1:tx3for m3=1:rx3Channel3(n3,m3,:)=wgn(1,1,0,'complex');endendH3=Channel3;%信号通过MIMO信道%for n=1:num/tx1/2+tx1recSig1(:,n)=H1(:,:,n)*transmit_array1(:,n);%信号通过1x1MIMO信道endfor n=1:num/tx2/2+tx2recSig2(:,n)=H2(:,:,n)*transmit_array2(:,n);%信号通过2x2MIMO信道endfor n=1:num/tx3/2+tx3recSig3(:,n)=H3(:,:,n)*transmit_array3(:,n);end%加awgn噪声%for n=1:tx1%1x1recSig1(n,:)=awgn(recSig1(n,:),Eb_N0(p));endfor n=1:tx2%2x2recSig2(n,:)=awgn(recSig2(n,:),Eb_N0(p));endfor n=1:tx3recSig3(n,:)=awgn(recSig3(n,:),Eb_N0(p));end%信道估计%H_estimated1=recSig1(:,1:tx1);%1x1H_estimated2=recSig2(:,1:tx2);%2x2H_estimated3=recSig3(:,1:tx3);%4x4%有用信息(去除信道估计用的信息后)%receive1=recSig1(:,tx1+1:num/tx1/2+tx1);receive2=recSig2(:,tx2+1:num/tx2/2+tx2);receive3=recSig3(:,tx3+1:num/tx3/2+tx3);%最大似然检测%S1=MLD1(receive1,H_estimated1);%1x1S2=MLD1(receive2,H_estimated2);%2x2S3=MLD1(receive3,H_estimated3);%4x4%将数组转换为序列%x1=conj(S1(:)');x2=conj(S2(:)');x3=conj(S3(:)');%QPSK解调%demodSig1=demodQPSK(x1);demodSig2=demodQPSK(x2);demodSig3=demodQPSK(x3);BER(1,p)=BER(1,p)+length(find((demodSig1-Sig)~=0));%1x1错误点数BER(2,p)=BER(2,p)+length(find((demodSig2-Sig)~=0));%2x2错误点数BER(3,p)=BER(3,p)+length(find((demodSig3-Sig)~=0));%4x4错误点数endBER(:,p)=BER(:,p)/loop/num%误码率%tocend%画误码率曲线%semilogy(Eb_N0,BER(1,:),'r*-',Eb_N0,BER(2,:),'g*-',Eb_N0,BER(3,:),'b*-');grid on;title('导频估计信道,MLD检测,MIMO系统1x1,2x2,4x4天线性能比较(11组)');xlabel('E_b/N_0(dB)');ylabel('误码率');legend('1x1天线误码率曲线','2x2天线误码率曲线','4x4天线误码率曲线');====================================================================== ============================%估计信道,MLD和ZF检测下的4x4天线MIMO系统误码率曲线比较分析%clear all;close;tx=4;%发送天线数目为4%rx=4;%接收天线数目为4%Eb_N0=-10:1:10;num=256;loop=1000;%循环次数%100/BER=1000SNR_num=length(Eb_N0);BER=zeros(2,SNR_num);for p=1:SNR_numticfor w=1:loopSig=randint(1,num);%随机产生二进制序列%modSig=modBaseBandQPSK(Sig);%QPSK调制%transmit_array=zeros(tx,num/tx/2+tx);transmit_array(:,1:tx)=eye(tx,tx);%4x4天线导频信号%%将序列转换为数组,用于送给不同天线,有功率分配%transmit_array(:,tx+1:num/tx/2+tx)=series2array(modSig,tx)./sqrt(tx);%4x4MIMO信道%Channel=zeros(tx,rx,num);for n=1:txfor m=1:rxChannel(n,m,:)=wgn(1,1,0,'complex');endendH=Channel;%信号通过MIMO信道%for n=1:num/tx/2+txrecSig(:,n)=H(:,:,n)*transmit_array(:,n);end%加awgn噪声%for n=1:txrecSig(n,:)=awgn(recSig(n,:),Eb_N0(p));end%信道估计%H_estimated=recSig(:,1:tx);%4x4receive=recSig(:,tx+1:num/tx/2+tx);%有用信息(去除信道估计用的信息后)%%最大似然检测%S=MLD1(receive,H_estimated);%4x4x_MLD=conj(S(:)');%将数组转换为序列%demodSig_MLD=demodQPSK(x_MLD);%QPSK解调%BER(1,p)=BER(1,p)+length(find((demodSig_MLD-Sig)~=0));%错误点数%迫零检测%h=(1/sqrt(2))*H(:,:,num)/(sqrt(tx));%对信道进行归一化处理%y=pinv(h)*receive;x_ZF=conj(y(:)');demodSig_ZF=demodQPSK(x_ZF);BER(2,p)=BER(2,p)+length(find((demodSig_ZF-Sig)~=0));%错误点数endBER(:,p)=BER(:,p)/loop/num%误码率%tocend%画误码率曲线%semilogy(Eb_N0,BER(1,:),'r*-',Eb_N0,BER(2,:),'g*-');grid on;title('估计信道,MLD和ZF检测下的4x4天线MIMO系统误码率曲线比较分析(11组)'); xlabel('E_b/N_0(dB)');ylabel('误码率');legend('MLD检测天线误码率曲线','ZF检测天线误码率曲线');====================================================================== ================%导频序列估计信道,ZF检测下,MIMO系统1x1,2x2,4x4天线性能比较%clear all;close;tx1=1;%发送天线数目为1%rx1=1;%接收天线数目为1%tx2=2;%发送天线数目为2%rx2=2;%接收天线数目为2%tx3=4;%发送天线数目为4%rx3=4;%接收天线数目为4%Eb_N0=-10:1:10;num=256;loop=1000;%循环次数%100/BER=1000SNR_num=length(Eb_N0);BER=zeros(3,SNR_num);for p=1:SNR_numticfor w=1:loopSig=randint(1,num);%随机产生二进制序列%modSig=modBaseBandQPSK(Sig);%QPSK调制%transmit_array1=zeros(tx1,num/tx1/2+tx1);transmit_array1(:,1:tx1)=eye(tx1,tx1);%1x1天线导频信号%transmit_array2=zeros(tx2,num/tx2/2+tx2);transmit_array2(:,1:tx2)=eye(tx2,tx2);%2x2天线导频信号%transmit_array3=zeros(tx3,num/tx3/2+tx3);transmit_array3(:,1:tx3)=eye(tx3,tx3);%4x4天线导频信号%%将序列转换为数组,用于送给不同天线,有功率分配%transmit_array1(:,tx1+1:num/tx1/2+tx1)=series2array(modSig,tx1)./sqrt(tx1);transmit_array2(:,tx2+1:num/tx2/2+tx2)=series2array(modSig,tx2)./sqrt(tx2);transmit_array3(:,tx3+1:num/tx3/2+tx3)=series2array(modSig,tx3)./sqrt(tx3);%1x1MIMO信道%Channel=zeros(tx1,rx1,num);for n1=1:tx1for m1=1:rx1Channel(n1,m1,:)=wgn(1,1,0,'complex');endendH1=Channel;%2x2MIMO信道%Channel2=zeros(tx2,rx2,num);for n2=1:tx2for m2=1:rx2Channel2(n2,m2,:)=wgn(1,1,0,'complex');endendH2=Channel2;%4x4MIMO信道%Channel3=zeros(tx3,rx3,num);for n3=1:tx3for m3=1:rx3Channel3(n3,m3,:)=wgn(1,1,0,'complex');endendH3=Channel3;%信号通过MIMO信道%for n=1:num/tx1/2+tx1recSig1(:,n)=H1(:,:,n)*transmit_array1(:,n);%信号通过1x1MIMO信道endfor n=1:num/tx2/2+tx2recSig2(:,n)=H2(:,:,n)*transmit_array2(:,n);%信号通过2x2MIMO信道endfor n=1:num/tx3/2+tx3recSig3(:,n)=H3(:,:,n)*transmit_array3(:,n);%信号通过4x4MIMO信道end%加awgn噪声%for n=1:tx1%1x1recSig1(n,:)=awgn(recSig1(n,:),Eb_N0(p));endfor n=1:tx2%2x2recSig2(n,:)=awgn(recSig2(n,:),Eb_N0(p));endfor n=1:tx3%4x4recSig3(n,:)=awgn(recSig3(n,:),Eb_N0(p));end%信道估计%H_estimated1=recSig1(:,1:tx1);%1x1H_estimated2=recSig2(:,1:tx2);%2x2H_estimated3=recSig3(:,1:tx3);%4x4%有用信息(去除信道估计用的信息后)%receive1=recSig1(:,tx1+1:num/tx1/2+tx1);receive2=recSig2(:,tx2+1:num/tx2/2+tx2);receive3=recSig3(:,tx3+1:num/tx3/2+tx3);%迫零检测%h1=(1/sqrt(2))*H1(:,:,num)/(sqrt(tx1));h2=(1/sqrt(2))*H2(:,:,num)/(sqrt(tx2));h3=(1/sqrt(2))*H3(:,:,num)/(sqrt(tx3));y1=pinv(h1)*receive1;y2=pinv(h2)*receive2;y3=pinv(h3)*receive3;%将数组转换为序列%x1=conj(y1(:)');x2=conj(y2(:)');x3=conj(y3(:)');%QPSK解调%demodSig1=demodQPSK(x1);demodSig2=demodQPSK(x2);demodSig3=demodQPSK(x3);BER(1,p)=BER(1,p)+length(find((demodSig1-Sig)~=0));%1x1错误点数BER(2,p)=BER(2,p)+length(find((demodSig2-Sig)~=0));%2x2错误点数BER(3,p)=BER(3,p)+length(find((demodSig3-Sig)~=0));%4x4错误点数endBER(:,p)=BER(:,p)/loop/num%误码率%tocend%画误码率曲线%semilogy(Eb_N0,BER(1,:),'r*-',Eb_N0,BER(2,:),'g*-',Eb_N0,BER(3,:),'b*-');grid on;title('导频序列估计信道,ZF检测下,MIMO系统1x1,2x2,4x4天线性能比较(11组)');xlabel('E_b/N_0(dB)');ylabel('误码率');legend('1x1天线误码率曲线','2x2天线误码率曲线','4x4天线误码率曲线');====================================================================== ===============%理想信道,ZF检测的1x1,2x2,4x4天线的MIMO系统误码率比较%clear all;close;tx1=1;%发送天线数目为1%rx1=1;%接收天线数目为1%tx2=2;%发送天线数目为2%rx2=2;%接收天线数目为2%tx3=4;%发送天线数目为4%rx3=4;%接收天线数目为4%Eb_N0=-10:1:10;num=256;loop=1000;%循环次数(100/BER=1000)%SNR_num=length(Eb_N0);error=zeros(3,SNR_num);for p=1:SNR_numticfor w=1:loopSig=randint(1,num);%随机产生二进制序列%modSig=modBaseBandQPSK(Sig);%QPSK调制%%将序列转换为数组,用于送给不同天线,有功率分配%transmit_array1=series2array(modSig,tx1)./sqrt(tx1);transmit_array2=series2array(modSig,tx2)./sqrt(tx2);transmit_array3=series2array(modSig,tx3)./sqrt(tx3);%产生MIMO1x1信道%Channel1=zeros(tx1,rx1,num);for n1=1:tx1for m1=1:rx1Channel1(n1,m1,:)=wgn(1,1,0,'complex');endendH1=Channel1;h1=(1/sqrt(2))*H1(:,:,num)/(sqrt(tx1));%产生MIMO2x2信道%Channel2=zeros(tx2,rx2,num);for n2=1:tx2for m2=1:rx2Channel2(n2,m2,:)=wgn(1,1,0,'complex');endendH2=Channel2;h2=(1/sqrt(2))*H2(:,:,num)/(sqrt(tx2));%产生MIMO4x4信道%Channel3=zeros(tx3,rx3,num);for n3=1:tx3for m3=1:rx3Channel3(n3,m3,:)=wgn(1,1,0,'complex');endendH3=Channel3;h3=(1/sqrt(2))*H3(:,:,num)/(sqrt(tx3));%信号通过MIMO信道%for n=1:num/tx1/2recSig1(:,n)=H1(:,:,n)*transmit_array1(:,n);endfor n=1:num/tx2/2recSig2(:,n)=H2(:,:,n)*transmit_array2(:,n);endfor n=1:num/tx3/2recSig3(:,n)=H3(:,:,n)*transmit_array3(:,n);end%加噪声%for n=1:tx1recSig1(n,:)=awgn(recSig1(n,:),Eb_N0(p));endfor n=1:tx2recSig2(n,:)=awgn(recSig2(n,:),Eb_N0(p));endfor n=1:tx3recSig3(n,:)=awgn(recSig3(n,:),Eb_N0(p));end%迫零检测%y1=pinv(h1)*recSig1;y2=pinv(h2)*recSig2;y3=pinv(h3)*recSig3;%将数组转换为序列%x_ZF1=conj(y1(:)');x_ZF2=conj(y2(:)');x_ZF3=conj(y3(:)');%QPSK解调%demodSig_ZF1=demodQPSK(x_ZF1);demodSig_ZF2=demodQPSK(x_ZF2);demodSig_ZF3=demodQPSK(x_ZF3);%错误点数%error(1,p)=error(1,p)+length(find((demodSig_ZF1-Sig)~=0));error(2,p)=error(2,p)+length(find((demodSig_ZF2-Sig)~=0));error(3,p)=error(3,p)+length(find((demodSig_ZF3-Sig)~=0));enderror(:,p)=error(:,p)/loop/num%误码率%tocend%画误码率曲线%semilogy(Eb_N0,error(1,:),'r*-',Eb_N0,error(2,:),'g*-',Eb_N0,error(3,:),'b*-');grid on;title('理想信道下ZF检测,MIMO系统1x1,2x2,4x4天线性能(11组)');xlabel('E_b/N_0(dB)');ylabel('误码率');legend('1x1天线误码率曲线','2x2天线误码率曲线','4x4天线误码率曲线');====================================================================== ===============%理想信道MLD的1x1,2x2,4x4天线的MIMO系统误码率比较%clear all;close;tx1=1;%发送天线数目为1%rx1=1;%接收天线数目为1%tx2=2;%发送天线数目为2%rx2=2;%接收天线数目为2%tx3=4;%发送天线数目为4%rx3=4;%接收天线数目为4%Eb_N0=-10:1:10;num=256;loop=1000;%循环次数(100/BER=1000)%SNR_num=length(Eb_N0);error=zeros(3,SNR_num);for p=1:SNR_numticfor w=1:loopSig=randint(1,num);%随机产生二进制序列%modSig=modBaseBandQPSK(Sig);%QPSK调制%%将序列转换为数组,用于送给不同天线,有功率分配%transmit_array1=series2array(modSig,tx1)./sqrt(tx1);transmit_array2=series2array(modSig,tx2)./sqrt(tx2);transmit_array3=series2array(modSig,tx3)./sqrt(tx3);%产生MIMO1x1信道%Channel1=zeros(tx1,rx1,num);for n1=1:tx1for m1=1:rx1Channel1(n1,m1,:)=wgn(1,1,0,'complex');endendH1=Channel1;%产生MIMO2x2信道%Channel2=zeros(tx2,rx2,num);for n2=1:tx2for m2=1:rx2Channel2(n2,m2,:)=wgn(1,1,0,'complex');endendH2=Channel2;%产生MIMO4x4信道%Channel3=zeros(tx3,rx3,num);for n3=1:tx3for m3=1:rx3Channel3(n3,m3,:)=wgn(1,1,0,'complex');endendH3=Channel3;%信号通过MIMO信道%for n=1:num/tx1/2recSig1(:,n)=H1(:,:,n)*transmit_array1(:,n);endfor n=1:num/tx2/2recSig2(:,n)=H2(:,:,n)*transmit_array2(:,n);endfor n=1:num/tx3/2recSig3(:,n)=H3(:,:,n)*transmit_array3(:,n);end%加噪声%for n=1:tx1recSig1(n,:)=awgn(recSig1(n,:),Eb_N0(p));endfor n=1:tx2recSig2(n,:)=awgn(recSig2(n,:),Eb_N0(p));endfor n=1:tx3recSig3(n,:)=awgn(recSig3(n,:),Eb_N0(p));end%最大似然检测%S1=MLD1(recSig1,H1);S2=MLD1(recSig2,H2);S3=MLD1(recSig3,H3);%将数组转换为序列%x1=conj(S1(:)');x2=conj(S2(:)');x3=conj(S3(:)');%QPSK解调%demodSig1=demodQPSK(x1);demodSig2=demodQPSK(x2);demodSig3=demodQPSK(x3);%错误点数%error(1,p)=error(1,p)+length(find((demodSig1-Sig)~=0));error(2,p)=error(2,p)+length(find((demodSig2-Sig)~=0));error(3,p)=error(3,p)+length(find((demodSig3-Sig)~=0));enderror(:,p)=error(:,p)/loop/num%误码率%tocend%画误码率曲线%semilogy(Eb_N0,error(1,:),'r*-',Eb_N0,error(2,:),'g*-',Eb_N0,error(3,:),'b*-'); grid on;title('理想信道,MLD检测,MIMO系统1x1,2x2,4x4天线性能比较(11组)'); xlabel('E_b/N_0(dB)');ylabel('误码率');legend('1x1天线误码率曲线','2x2天线误码率曲线','4x4天线误码率曲线');====================================================================== ======%理想信道下,MIMO系统4x4天线MLD检测与ZF检测的性能比较%clear all;close;tx=4;%发送天线数目为4%rx=4;%接收天线数目为4%Eb_N0=-10:1:10;num=256;loop=1000;%循环次数(100/BER=1000)%SNR_num=length(Eb_N0);error=zeros(2,SNR_num);for p=1:SNR_numticfor w=1:loopSig=randint(1,num);%随机产生二进制序列%modSig=modBaseBandQPSK(Sig);%QPSK调制%%将序列转换为数组,用于送给不同天线,有功率分配%transmit_array=series2array(modSig,tx)./sqrt(tx);%产生MIMO4x4信道%Channel=zeros(tx,rx,num);for n=1:txfor m=1:rxChannel(n,m,:)=wgn(1,1,0,'complex');endendH=Channel;h=(1/sqrt(2))*H(:,:,num)/(sqrt(tx));%对信道进行归一化处理%%信号通过MIMO信道%for n=1:num/tx/2recSig(:,n)=H(:,:,n)*transmit_array(:,n);end%加噪声%for n=1:txrecSig(n,:)=awgn(recSig(n,:),Eb_N0(p));end%最大似然检测%S=MLD1(recSig,H);%将数组转换为序列%x_MLD=conj(S(:)');demodSig_MLD=demodQPSK(x_MLD);%QPSK解调%error(1,p)=error(1,p)+length(find((demodSig_MLD-Sig)~=0));%错误点数%%迫零检测%y=pinv(h)*recSig;%将数组转换为序列%x_ZF=conj(y(:)');%QPSK解调%demodSig_ZF=demodQPSK(x_ZF);error(2,p)=error(2,p)+length(find((demodSig_ZF-Sig)~=0));enderror(:,p)=error(:,p)/loop/num%误码率%tocend%画误码率曲线%semilogy(Eb_N0,error(1,:),'r*-',Eb_N0,error(2,:),'g*-');grid on;title('理想信道下,MIMO系统4x4天线MLD检测与ZF检测的性能比较(11组)');xlabel('E_b/N_0(dB)');ylabel('误码率');legend('MLD检测误码率曲线','ZF检测误码率曲线');====================================================================== =====function[array]=series2array(series,M)%This function is used to change series in to arrayL=length(series);array=zeros(M,L/M);for m=1:Mfor n=1:L/M;array(m,n)=series((n-1)*M+m);endend====================================================================== =======function[S]=MLD1(r,H)%This function is maximum likelihood detection function.%%r:Received signal%%H:Estimated channel or ideal channel%[N,len]=size(r);%len:length of Signal N:the num of antenna%S=zeros(N,len);%Each antenna sent p signal(Power allocation)%s=[exp(1j*pi*5/4)exp(1j*pi*3/4)exp(1j*pi*7/4)exp(1j*pi/4)]./sqrt(N); X=zeros(N,4^N);k=1;if N==1%antenna1x1X=s;else if N==2%antenna2x2for t=1:4for p=1:4X(1,k)=s(1,t);X(2,k)=s(1,p);k=k+1;endendelse if N==4%antenna4x4for t=1:4for p=1:4for u=1:4for q=1:4X(1,k)=s(1,t);X(2,k)=s(1,p);X(3,k)=s(1,u);X(4,k)=s(1,q);k=k+1;endendendendelse if N~=1&&N~=2&&N~=4disp('error');endendendend %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% matrix=zeros(N,4^N);distance=zeros(1,length(X));for n=1:lenif(ndims(H)~=2)%H is not the estimated channel%H(:,:,1)=H(:,:,n);endmatrix=H(:,:,1)*X;%HS matrix%for m=1:length(X)distance(1,m)=norm(matrix(:,m)-r(:,n));end[~,index]=min(distance);%Returns the index of the minimum range%S(:,n)=X(:,index);end====================================================================== ========================function y=modBaseBandQPSK(sig)%mod BaseBandQPSK modulate the signal of basebank in QPSK method(carrrier%frequency is0Hz.%y=modBaseBandQPSK(sig)modulated the signals specified by sig.y is%modulated signals.%---change the signals from binary to quaternariant and modulate[signal_length_row,signal_length_col]=size(sig);%Qsig=zeros(signal_length_row,signal_length_col);y=zeros(signal_length_row,signal_length_col/2);%----initialfor n=1:signal_length_rowfor m=1:signal_length_col/2Qsig=2*sig(n,2*m-1)+sig(n,2*m);switch(Qsig)case0%------00-->pi/4y(n,m)=exp(1i*pi/4);case1%------01-->7pi/4y(n,m)=exp(1i*7*pi/4);case2%------10-->3pi/4y(n,m)=exp(1i*3*pi/4);case3%------11-->5pi/4y(n,m)=exp(1i*5*pi/4);end;endendend====================================================================== =========================function y=demodQPSK(rec_Sig)%This function is used for QPSK signal demodulation.%[signal_length_row,signal_length_col]=size(rec_Sig);y=zeros(signal_length_row,signal_length_col*2);for n=1:signal_length_rowfor m=1:signal_length_colif real(rec_Sig(n,m))>0%'00''01'-->R[x]>0%y(n,2*m-1)=0;else%'10''11'-->R[x]<0%y(n,2*m-1)=1;endif imag(rec_Sig(n,m))>0%'00''01'-->I[x]>0%y(n,2*m)=0;else%'10''11'-->I[x]<0%y(n,2*m)=1;endendendend31/31。

相关文档
最新文档