采样
根据6-1的推导:在无ISI时,任意位置 n n n上的一个符号 I n I_n In,经过AWGN信道、匹配滤波器、采样后,得到符号 Y n Y_{n} Yn Y n = I n + n n Y_{n}=I_{n}+n_{n} Yn=In+nn
- 其中,
n
n
n_{n}
nn为离散高斯白噪声,原因:
高斯白噪声 n ( t ) n(t) n(t)经过匹配滤波器 g ( T − t ) g(T-t) g(T−t),得到带限高斯白噪声 n B ( t ) = ∫ − ∞ ∞ n ( τ ) g [ t − ( T − τ ) ] d τ n_B(t)=\int_{-\infty}^{\infty} n(\tau) g[t-(T-\tau)] \mathrm{d} \tau nB(t)=∫−∞∞n(τ)g[t−(T−τ)]dτ
带限高斯白噪声 n B ( t ) n_B(t) nB(t)在 T + n T s T+nT_s T+nTs时刻采样得到离散高斯白噪声 n n n_{n} nn(自相关函数满足 R n n [ n ] = N 0 2 δ [ n ] R_{n n}[n]=\frac{N_{0}}{2} \delta[n] Rnn[n]=2N0δ[n],故噪声方差/功率谱密度 N 0 / 2 N_0/2 N0/2)
实际的解调链路(带有符号同步)
比上面的基础链路更加详细的解调原理框图如下
其中主要是增加了载波恢复和符号同步两个模块
实现中的问题:载波恢复和符号同步
实际中应该考虑信道延迟的问题
发射的射频信号
s
R
F
(
t
)
=
R
e
{
s
(
t
)
e
j
2
π
f
c
t
}
s_{RF}(t)=Re\{s(t)e^{j2\pi f_ct}\}
sRF(t)=Re{s(t)ej2πfct}
经过了信道延迟
τ
\tau
τ后,接收到的射频信号
r
R
F
(
t
)
=
s
R
F
(
t
−
τ
)
+
n
R
F
(
t
)
=
R
e
{
s
(
t
−
τ
)
e
j
2
π
f
c
(
t
−
τ
)
+
n
(
t
)
e
j
2
π
f
c
t
}
r_{RF}(t)=s_{RF}(t-\tau)+n_{RF}(t)\\=Re\{s(t-\tau)e^{j2\pi f_c(t-\tau)}+n(t)e^{j2\pi f_ct}\}
rRF(t)=sRF(t−τ)+nRF(t)=Re{s(t−τ)ej2πfc(t−τ)+n(t)ej2πfct}提取其中的高频载波项
r
R
F
(
t
)
=
R
e
{
[
s
(
t
−
τ
)
+
n
(
t
)
e
j
2
π
f
c
τ
]
e
j
2
π
f
c
(
t
−
τ
)
}
=
R
e
{
[
s
(
t
−
τ
)
+
n
(
t
)
e
−
j
ϕ
]
e
j
(
2
π
f
c
t
+
ϕ
)
}
,
其
中
ϕ
=
−
2
π
f
c
τ
r_{RF}(t)=Re\{[s(t-\tau)+n(t)e^{j2\pi f_c\tau}]e^{j2\pi f_c(t-\tau)}\}\\=Re\{[s(t-\tau)+n(t)e^{-j\phi}]e^{j(2\pi f_ct+\phi)}\},其中\phi=-2\pi f_c \tau
rRF(t)=Re{[s(t−τ)+n(t)ej2πfcτ]ej2πfc(t−τ)}=Re{[s(t−τ)+n(t)e−jϕ]ej(2πfct+ϕ)},其中ϕ=−2πfcτ
也就是说,信道延迟 τ \tau τ的影响有两方面:
- 一方面要求下变频时,接收端的高频载波需要对准相位
ϕ
\phi
ϕ;(只需改变相位,频率不变)
这实际上就是载波恢复问题,之前在模拟系统中,已经讨论过,载波恢复由平方环和Costas环等实现 - 另一方面,恢复后的基带信号存在时延
τ
\tau
τ,需要相应的改变抽样判决时刻为
n
T
s
+
τ
nT_s+\tau
nTs+τ
我们需要估计信道的延迟 τ \tau τ(未知),并且在 n T s + τ nT_s+\tau nTs+τ时刻抽样判决,这就是符号同步问题。下面讨论符号同步的具体实现方
注意:
虽然上面说过 ϕ = − 2 π f c τ \phi=-2\pi f_c \tau ϕ=−2πfcτ,但是 ϕ \phi ϕ和 τ \tau τ在实际中知道一个不能求另一个,是两个不同的参数,“载波恢复”和“符号同步”两个步骤不能合二为一
原因:
基带信号载波相对而言频率低,因此对 ϕ \phi ϕ的精度要求远高于时延 τ \tau τ,知道 τ \tau τ也无法推出 ϕ \phi ϕ;
另外,由于发射机和接收机的振荡器都存在频率漂移,振荡频率 f c f_c fc无法做到一致,即使获得了高精度的 τ \tau τ,带入 ϕ = − 2 π f c τ \phi=-2\pi f_c \tau ϕ=−2πfcτ求 ϕ \phi ϕ也没有任何意义
综上所述,“载波恢复”的步骤必须独立进行,它和符号同步是两个不同的功能
符号同步:判决反馈的符号同步方法
由上,载波恢复后的基带信号带有时延: r ( t ) = s ( t − τ ) + n ( t ) e − j ϕ r(t)=s(t-\tau)+n(t)e^{-j\phi} r(t)=s(t−τ)+n(t)e−jϕ,其中 s ( t − τ ) = ∑ n = − ∞ ∞ I n g ( t − n T s − τ ) s(t-\tau)=\sum_{n=-\infty}^{\infty} I_{n} g\left(t-n T_{s}-\tau\right) s(t−τ)=n=−∞∑∞Ing(t−nTs−τ)
我们希望估计出 τ \tau τ,并在 n T s + τ nT_s+\tau nTs+τ时刻抽样判决
思路是:不在意如何得到 τ \tau τ,而是假设已经进行了最佳的符号同步,并从统计角度推导此时的约束
复习:
对于模型 Y = H { s ( X ) } + n \boldsymbol{Y}=H\{\boldsymbol{s}(\boldsymbol{X})\}+\boldsymbol{n} Y=H{s(X)}+n,当噪声 n \boldsymbol{n} n为高斯分布时,最大似然准则ML等价于最小二乘准则LS
也就是说,条件概率 p Y ∣ X ( Y ∣ X ) = ( 1 2 π σ ) N e − ∣ Y − H { s ( X ) } ∣ 2 / 2 σ 2 p_{\boldsymbol{Y} \mid \boldsymbol{X}}(\boldsymbol{Y} \mid \boldsymbol{X})=\left(\frac{1}{\sqrt{2 \pi} \sigma}\right)^{N} \mathrm{e}^{-|\boldsymbol{Y}-H\{s(\boldsymbol{X})\}|^{2} / 2 \sigma^{2}} pY∣X(Y∣X)=(2πσ1)Ne−∣Y−H{s(X)}∣2/2σ2最大,
等价于似然函数 Λ ( X ) = exp { − ∣ Y − H { s ( X ) } ∣ 2 / 2 σ 2 } \Lambda(\boldsymbol{X})=\exp \left\{-|\boldsymbol{Y}-H\{s(\boldsymbol{X})\}|^{2} / 2 \sigma^{2}\right\} Λ(X)=exp{−∣Y−H{s(X)}∣2/2σ2}最大,
也等价于损失函数 L ( X ) = ∣ Y − H { s ( X ) } ∣ 2 L(\boldsymbol{X})=|\boldsymbol{Y}-H\{s(\boldsymbol{X})\}|^{2} L(X)=∣Y−H{s(X)}∣2最小,即最小二乘准则
对于这里的模型 r ( t ) = s ( t − τ ) + n ( t ) e − j ϕ r(t)=s(t-\tau)+n(t)e^{-j\phi} r(t)=s(t−τ)+n(t)e−jϕ,
最大似然准则,要使似然函数 Λ ( τ ) = exp { − 1 N 0 ∫ T 0 ∣ r ( t ) − s ( t − τ ) ∣ 2 d t } \Lambda(\tau)=\exp \left\{-\frac{1}{N_{0}} \int_{T_{0}}|r(t)-s(t-\tau)|^{2} \mathrm{~d} t\right\} Λ(τ)=exp{−N01∫T0∣r(t)−s(t−τ)∣2 dt}最大
在高斯噪声下,等价为最小二乘准则,要使损失函数 L ( τ ) = ∫ T 0 ∣ r ( t ) − s ( t − τ ) ∣ 2 d t L(\tau)=\int_{T_{0}}|r(t)-s(t -\tau)|^{2} \mathrm{~d} t L(τ)=∫T0∣r(t)−s(t−τ)∣2 dt最小
展开损失函数得到 L ( τ ) = ∫ T 0 [ r ( t ) − s ( t − τ ) ] [ r ∗ ( t ) − s ∗ ( t − τ ) ] d t = ∫ T 0 ∣ r ( t ) ∣ 2 + ∣ s ( t − τ ) ∣ 2 − [ r ( t ) s ∗ ( t − τ ) + r ∗ ( t ) s ( t − τ ) ] d t = ∫ T 0 ∣ r ( t ) ∣ 2 + ∣ s ( t − τ ) ∣ 2 − ℜ [ r ( t ) ] ℜ [ s ( t − τ ) ] − ℑ [ r ( t ) ] ℑ [ s ( t − τ ) ] d t \begin{aligned} L(\tau)=& \int_{T_{0}}[r(t)-s(t - \tau)]\left[r^{*}(t)-s^{*}(t - \tau)\right] \mathrm{d} t \\ =& \int_{T_{0}}|r(t)|^{2}+|s(t - \tau)|^{2}-\left[r(t) s^{*}(t - \tau)+r^{*}(t) s(t - \tau)\right] \mathrm{d} t \\ =& \int_{T_{0}}|r(t)|^{2}+|s(t - \tau)|^{2}-\Re[r(t)]\Re[s(t-\tau)]-\Im[r(t)]\Im[s(t-\tau)] \mathrm{d} t \\ \end{aligned} L(τ)===∫T0[r(t)−s(t−τ)][r∗(t)−s∗(t−τ)]dt∫T0∣r(t)∣2+∣s(t−τ)∣2−[r(t)s∗(t−τ)+r∗(t)s(t−τ)]dt∫T0∣r(t)∣2+∣s(t−τ)∣2−ℜ[r(t)]ℜ[s(t−τ)]−ℑ[r(t)]ℑ[s(t−τ)]dt
前两项是确定值,因此使 L ( τ ) L(\tau) L(τ)最小,等价于使 Λ L ( τ ) = ∫ T 0 ℜ [ r ( t ) ] ℜ [ s ( t − τ ) ] + ℑ [ r ( t ) ] ℑ [ s ( t − τ ) ] d t \Lambda_{L}(\tau)= \int_{T_{0}}\Re[r(t)]\Re[s(t-\tau)]+\Im[r(t)]\Im[s(t-\tau)] \mathrm{d} t ΛL(τ)=∫T0ℜ[r(t)]ℜ[s(t−τ)]+ℑ[r(t)]ℑ[s(t−τ)]dt最大
带入 s ( t − τ ) = ∑ n = − ∞ ∞ I n g ( t − n T s − τ ) s(t-\tau)=\sum_{n=-\infty}^{\infty} I_{n} g\left(t-n T_{s}-\tau\right) s(t−τ)=∑n=−∞∞Ing(t−nTs−τ)得到 Λ L ( τ ) = ∫ T 0 ℜ [ r ( t ) ] ∑ n ℜ [ I n ] g ( t − n T s − τ ) d t + ∫ T 0 ℑ [ r ( t ) ] ∑ n ℑ [ I n ] g ( t − n T s − τ ) d t = ∑ n ℜ [ I n ] ∫ T 0 ℜ [ r ( t ) ] g ( t − n T s − τ ) d t + ∑ n ℑ [ I n ] ∫ T 0 ℑ [ r ( t ) ] g ( t − n T s − τ ) d t = ∑ n [ ℜ [ I n ] y n ℜ ( τ ) + ℑ [ I n ] y n ℑ ( τ ) ] 其 中 , y n ℜ ( τ ) = ∫ T 0 ℜ [ r ( t ) ] g ( t − n T s − τ ) d t y n ℑ ( τ ) = ∫ T 0 ℑ [ r ( t ) ] g ( t − n T s − τ ) d t \begin{aligned} \Lambda_{L}(\tau) &=\int_{T_{0}} \Re[r(t)] \sum_{n} \Re\left[I_{n}\right] g\left(t-n T_{s}-\tau\right) \mathrm{d} t+\int_{T_{0}} \Im[r(t)] \sum_{n} \Im\left[I_{n}\right] g\left(t-n T_{s}-\tau\right) \mathrm{d} t \\ &=\sum_{n} \Re\left[I_{n}\right] \int_{T_{0}} \Re[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} t+\sum_{n} \Im\left[I_{n}\right] \int_{T_{0}} \Im[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} t \\ &=\sum_{n}\left[\Re\left[I_{n}\right] y_{n \Re}(\tau)+\Im\left[I_{n}\right] y_{n \Im}(\tau)\right] \\ 其中,y_{n \Re}(\tau) &=\int_{T_{0}} \Re[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} t \\y_{n \Im}(\tau) &=\int_{T_{0}} \Im[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} t \end{aligned} ΛL(τ)其中,ynℜ(τ)ynℑ(τ)=∫T0ℜ[r(t)]n∑ℜ[In]g(t−nTs−τ)dt+∫T0ℑ[r(t)]n∑ℑ[In]g(t−nTs−τ)dt=n∑ℜ[In]∫T0ℜ[r(t)]g(t−nTs−τ)dt+n∑ℑ[In]∫T0ℑ[r(t)]g(t−nTs−τ)dt=n∑[ℜ[In]ynℜ(τ)+ℑ[In]ynℑ(τ)]=∫T0ℜ[r(t)]g(t−nTs−τ)dt=∫T0ℑ[r(t)]g(t−nTs−τ)dt
Λ L ( τ ) \Lambda_{L}(\tau) ΛL(τ)取最大的充分条件为: d Λ L ( τ ) d τ = ∑ n [ ℜ [ I n ] d y n ℜ ( τ ) d τ + ℑ [ I n ] d y n ℑ ( τ ) d τ ] = 0 \frac{d \Lambda_{L}(\tau)}{\mathrm{d} \tau}=\sum_{n}\left[\Re\left[I_{n}\right] \frac{\mathrm{d} y_{n \Re}(\tau)}{\mathrm{d} \tau}+\Im\left[I_{n}\right] \frac{\mathrm{d} y_{n \Im}(\tau)}{\mathrm{d} \tau}\right]=0 dτdΛL(τ)=∑n[ℜ[In]dτdynℜ(τ)+ℑ[In]dτdynℑ(τ)]=0
由上述推导,得到判决反馈的符号同步原理框图:
- 上面推导中的 y n ℜ ( τ ) = ∫ T 0 ℜ [ r ( t ) ] g ( t − n T s − τ ) d t y_{n \Re}(\tau) =\int_{T_{0}} \Re[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} t ynℜ(τ)=∫T0ℜ[r(t)]g(t−nTs−τ)dt和 y n ℑ ( τ ) = ∫ T 0 ℑ [ r ( t ) ] g ( t − n T s − τ ) d t y_{n \Im}(\tau) =\int_{T_{0}} \Im[r(t)] g\left(t-n T_{s}-\tau\right) \mathrm{d} t ynℑ(τ)=∫T0ℑ[r(t)]g(t−nTs−τ)dt,从表达式可见,分别对应基带信号 r ( t ) r(t) r(t)的I路/Q路经过匹配滤波器 g ( T − τ ) g(T-\tau) g(T−τ)后的结果
- 图中存在一个类似于锁相环的环路,保证了
d
Λ
L
(
τ
)
d
τ
=
∑
n
[
ℜ
[
I
n
]
d
y
n
ℜ
(
τ
)
d
τ
+
ℑ
[
I
n
]
d
y
n
ℑ
(
τ
)
d
τ
]
=
0
\frac{d \Lambda_{L}(\tau)}{\mathrm{d} \tau}=\sum_{n}\left[\Re\left[I_{n}\right] \frac{\mathrm{d} y_{n \Re}(\tau)}{\mathrm{d} \tau}+\Im\left[I_{n}\right] \frac{\mathrm{d} y_{n \Im}(\tau)}{\mathrm{d} \tau}\right]=0
dτdΛL(τ)=∑n[ℜ[In]dτdynℜ(τ)+ℑ[In]dτdynℑ(τ)]=0条件成立
当采样时刻正确,加法器输出接近于0;否则,加法器的非零输出控制压控时钟VCC,从而调制采样时刻(直到加法器输出接近于0)
要注意,这里用到了符号 I n I_n In,因此需要将解调出来的符号 I n I_n In反馈给符号同步模块,故称为“判决反馈的符号同步方法”,当然,在判决存在错误时本方法性能下降。 - 压控时钟VCC:就是在VCO输出正弦信号的基础上,将其整形为同频同相的方波,并用于控制抽样时刻
- 加法器实际上用LPF实现
符号同步:无判决反馈的符号同步方法
为了摆脱对于信息符号的依赖,将似然函数对将信息符号做统计平均,得到平均的似然函数,并经过一系列处理得到简洁的似然函数
Λ
~
L
(
τ
)
≈
∑
n
y
n
′
2
(
τ
)
\tilde{\Lambda}_{L}(\tau) \approx \sum_{n} y_{n}^{\prime 2}(\tau)
Λ~L(τ)≈n∑yn′2(τ)其中,
y
2
n
′
(
τ
)
=
2
y
n
ℜ
(
τ
)
,
n
=
0
,
1
,
⋯
,
N
−
1
,
y
2
n
+
1
′
(
τ
)
=
2
y
n
ℑ
(
τ
)
,
n
=
0
,
1
,
⋯
,
N
−
1
y_{2 n}^{\prime}(\tau)=2 y_{n \Re}(\tau), n=0,1, \cdots, N-1 ,\quad y_{2 n+1}^{\prime}(\tau)=2 y_{n \Im}(\tau), n=0,1, \cdots, N-1
y2n′(τ)=2ynℜ(τ),n=0,1,⋯,N−1,y2n+1′(τ)=2ynℑ(τ),n=0,1,⋯,N−1
上式取得极大值的充分条件:
d
Λ
~
L
(
τ
)
d
τ
=
0
\frac{d \tilde{\Lambda}_{L}(\tau)}{\mathrm{d} \tau}=0
dτdΛ~L(τ)=0
实现时,又可以写为两种形式:
-
∑
n
d
y
n
′
2
(
τ
)
d
τ
=
0
\sum_{n} \frac{\mathrm{d} y_{n}^{\prime 2}(\tau)}{\mathrm{d} \tau}=0
∑ndτdyn′2(τ)=0,原理框图如下
-
∑
n
y
n
′
(
τ
)
d
y
n
′
(
τ
)
d
τ
=
0
\sum_{n} y_{n}^{\prime}(\tau) \frac{\mathrm{d} y_{n}^{\prime}(\tau)}{\mathrm{d} \tau}=0
∑nyn′(τ)dτdyn′(τ)=0,原理框图如下
ps. 图中只画出了I路信号,Q路处理方式与之相同
与载波恢复技术对比:
第一种类似于载波恢复中的平方环
第二种类似于载波恢复中的Costas环
区别是,载波恢复中,微分的结果是相移 π / 2 \pi/2 π/2,而这里用了显式的微分表达;另外,这里的加法器起到了环路滤波器的作用