OFDM, ISI ,ICI,FFT

最新推荐文章于 2022-04-28 09:49:56 发布

明朝百晓生

最新推荐文章于 2022-04-28 09:49:56 发布

阅读量946

点赞数 2

分类专栏：芯片开发文章标签：芯片 modem

4AM_明朝百晓生

本文链接：https://blog.csdn.net/chengxf2/article/details/123687211

版权

芯片开发专栏收录该内容

94 篇文章 33 订阅

订阅专栏

参考文档

[转载]OFDM基本原理及系统框图 - 爱码网

通信原理-6.3 - 第3讲无ISI基带传输特性 Ⅰ-网易公开课

OFDM技术与FDM技术区别_CHANG12358的博客-CSDN博客_fdm和ofdm

图文并茂—FDM、OFDM的区别及优缺点、调制解调过程_Mr DaYang的博客-CSDN博客_ofdm调制和解调过程

LTE关键技术：OFDM和MIMO（四电老陈）_哔哩哔哩_bilibili

英泰移动通信：数通LTE的关键技术(OFDM3)_哔哩哔哩_bilibili

前言

根据一些文献，简单的对OFDM技术做了总结

FDM OFDM 区别
ISI
ICI
DFT FFT

一 FDM（Frequency Division Multiplexing 频分复用）

子载波之间有一定的间隔，互不干扰

缺点：频谱利用率不高

二 OFDM（Orthogonal Frequency Division Multiplexing 正交频分复用）

将高速数据分成若干正交子信道，将高速信道转换为低速子数据流

优点：频谱利用率高

2.1 总体效果

同一个symbol内,子载波间可以重叠,提高带宽效率。

2.2 总体流程

数据流（时域）->(S/P 串并变换 $a_0,a_1,..a_n$ )->调制（QPSK,QAM）->IFFT(OFDM）

->P/S（ $x_1,x_2,...x_n$ (并串变换） >符号映射（时域）->插入CP

2.3 算法原理

先把子载波进行调制成正交的子载波（频域。

然后把这些子载波映射到一个符号周期内（LTE 66.67us）.

整个流程可以通过IFFT 来实现：

因为离散傅里叶逆变换(时间复杂度 $N^2$ ）。

为了降低计算的时间复杂度，采样IFFT(NlogN)，最终得到的数据

$x(t)=\sum_{k=0}^{N-1}a_ke^{j2\pi f_kt}$

N: 采样点数目，必须为2的N次方，比如2048,1024

$N_f=4096$ （采样点个数）

$T_s=\frac{1}{\Delta f_{ref}N_{f}}$ （最小采样周期）

$\Delta f_{ref}=15 *10^3Hz$ （最小采样频率）

2.4 正交的解释

一般资料都通过信号系统解释，一个周期内内积为0.

这里通过线性代数，更加简洁：

$y=Wx$

$y_0=w_0x_0$

$y_1=w_1x_1$

$y_2=w_2x_2$

$y_i:$ 调制后的信号,标量

$x_i:$ 原始信号,向量

$w_i:$ 该channel调制方式

要解码出原始x, W必须可逆， $w_i$ 之间必定线性无关

$x=W^{-1}y$ ，

三 ISI

如下，由于多径传输问题，在采样窗口2.路径2,路径3,都有来自于

符号1 的干扰,则信号就不能正确的恢复出来。

同一路径，不同符号之间因为采样导致的干扰。

解决方案：增加时延扩展时间GI（Guard Interval),

同一个路径，符号2 就没有上一个符号信号的干扰了。

四 ICI

解决了符号间干扰，但是因为部分信息丢失，导致不同

导致了ICI（信号间干扰)依然无法解码出发送数据

，解决方案增加CP(循环前缀）

主要思想：把后面

Y = HS

H依然为可逆矩阵，可以还原出原始的发送数据。

五 DFT 以及 FFT 快速傅里叶变换

5.1 DFT 算法

$F(k)=\sum_{n=0}^{N-1}x(t)W_{N}^{tk}$

其中：

$W_{N}^{tk}=e^{-j2\pi \frac{tk}{N}}$

5.2 FFT 算法：

$X[k]=\sum_{r=0}^{\frac{N}{2}-1}x(2r)W_{N}^{2rk}+\sum_{r=0}^{\frac{N}{2}-1}x(2r+1)W_{N}^{(2r+1)k}$

$=\sum_{r=0}^{\frac{N}{2}-1}x(2r)W_{N/2}^{rk}+W_{N}^{k}\sum_{r=0}^{\frac{N}{2}-1}x(2r+1)W_{N/2}^{rk}$

$=A[k]+W_{N}^{k}B[k]$

$X[k+\frac{N}{2}]=A[k]-W_{N}^{k}B[k]$

# -*- coding: utf-8 -*-
"""
Created on Wed Mar 23 11:32:52 2022

@author: chengxf2
"""

import numpy as np

'''
离散傅里叶变换
'''
def DFT(x,f,N):
    real = 0.0
    imag = 0.0
    for n  in range(N):
        a = x[n] #当前的x值
        real += a*np.cos(f*n)
        imag += a*np.sin(f*n)
    return np.round(real,2),np.round(imag,2)
        
        

'''
离散傅里叶变换
c=complex(3,4)
num.real	该复数的实数部分
num.imag	该复数的虚数部分
N:采样点个数
k: 采样频率
'''
def GetDFT(x,N=8):
    
    for k in range(N): 
        f = -2*np.pi*k/N
        real, iamg =DFT(x, f, N)
        
        dft = complex(real, iamg)
        print("\n DFT[%d] "%k, "\t ",dft)
      
    
        

def division(x,N):
    
    even = [] #偶数
    odd =  [] #基数
    for i in range(int(N)):
        a = x[i]
        if i%2 == 0: #偶数项
            even.append(a)
        else:
            odd.append(a)
    return even, odd
            
'''
快速傅里叶变换
'''
def FFT(x, N=8):

    if 1==N:
        comp = complex(x[0],0)
        return {0:comp}
    

    M = int(N/2)
    even, odd = division(x, N)
    fft_even = FFT(even,M)
    fft_odd =  FFT(odd, M)
    
    #print("\n M: ",M,"\t N ",N)
    f_dict={}
    #这里面的k 值相对于上一层的相差N/2
    for k in range(0,M):
          #print("\n k:%d \t "%k)
          f = (2*np.pi/N)*k
          real = np.cos(f)
          imag = -np.sin(f)         
          w  = complex(real, imag)
          #print("\n  *****k: %d******   "%k,type(k), fft_even,fft_odd,k)
          f_dict[k]=     np.round(fft_even[k] + w*fft_odd[k],3)
          f_dict[k+M] =  np.round(fft_even[k] - w*fft_odd[k],3)
          
    return f_dict
  

#x=[1,2]   
x =[1,2,2,2,1,1,1,1]
N = len(x)
GetDFT(x,N)
print("\n ---------FFT-----------")
#x= [1,2]
f=FFT(x,N)

for key in range(N):
    print("\n FFT[%d] "%key, "\t ",f[key])

明朝百晓生

关注

2
点赞
踩
13

收藏

觉得还不错? 一键收藏
0
评论
OFDM, ISI ,ICI,FFT

参考文档[转载]OFDM基本原理及系统框图 - 爱码网一 DFT 离散傅里叶变换其中：二 FFT 快速傅里叶变换 # -*- coding: utf-8 -*-"""Created on Wed Mar 23 11:32:52 2022@author: chengxf2"""import numpy as np'''离散傅里叶变换...
复制链接

扫一扫