MIMO-OFDM1.1无线信道python

已于 2023-09-23 12:29:34 修改
阅读量1.2k 收藏 25
点赞数 16
文章标签： 信息与通信 python 5G
于 2023-09-15 23:13:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_56164993/article/details/132912673
版权

文章目录

无线信道：传播与衰落

特点：动态且不可预测
传播方式：反射、绕射和散射

衰落和加性噪声的区别：衰落引起非加性的信号扰动，可以有多径传播引起，也可以由障碍物的遮蔽引起

衰落现象分为大尺度衰落和小尺度衰落
当移动设备通过一段较长的距离时（如小区大小的距离）会产生大尺度衰落。它是由信号的路径损耗和大的障碍物（建筑物，植物，地形等）形成的阴影引起的。阴影衰落是中等路径损耗的波动特性。

大尺度衰落=平均路径损耗+阴影衰落

小尺度衰落是在较短距离移动时，由多个路径的相消或相长干涉引起信号电平的快速变化。
根据多径效应的相对时延拓展，用信道的频率选择性描述小尺度衰落的特性。同时根据时变特性可以分为快衰落和慢衰落。

在这里插入图片描述
在这里插入图片描述
（可以看做是信号衰落随时间距离变化缓急来排序的？）

链路预算：考虑增益和损耗，预测接受信号的强度和所需的功率储备

平均路径损耗是相对固定的因素，而阴影衰落和小尺度衰落是随机现象，只能通过概率分布来预测（建模）
因此·，必须确定一个衰落余量，保证接受信号的功率大于给定阈值的概率在目标范围内（如98%~99%）
在这里插入图片描述
如图，发射功率-总损耗（平均路径损耗+大尺度衰落+小尺度衰落）大约有98%的可能比接收功率高

1.1大尺度衰落

1.1.1 一般路径损耗模型

在这里插入图片描述
比较经典的自由空间球形传播模型
在这里插入图片描述
对数距离路径损耗模型。其中d0是一个参考距离，在距离参考距离很近的位置，路径损耗具有自由空间损耗的特点，n=2
在这里插入图片描述
不同的环境有不同的n取值，如上表所示

由于自由损耗没有考虑不同的路径损耗，涉及更加真实的环境时，对数正态阴影衰落模型更为实用。
在这里插入图片描述
仿真效果图：
在这里插入图片描述

python程序

def pl_free(fc,dist,Gt=0,Gr=0):
    # 自由空间路径损耗模型
    # 输入
    # fc:载波频率
    # dist:基站和移动台之间的距离(m)
    # Gt:发射机天线增益
    # Gr:接收机天线增益
    # 输出
    # PL:路径损耗(dB)
    pl = np.zeros(shape=dist.shape)
    lamda = 3e8/fc  # 波长
    tmp = lamda / (4*math.pi * dist)
    if Gt != 0:
        tmp = tmp*math.sqrt(Gt)
    if Gr != 0:
        tmp = tmp*math.sqrt(Gr)
    for k in range(0,dist.size):
        pl[k] = -20 * math.log10(tmp[k])
    return pl

def pl_logdist_or_norm(fc,d,d0,n,sigma=0):
    # 对数距离或对数阴影路径损耗模型
    # 输入
    # fc:载波频率
    # d:基站与移动台之间的距离
    # d0:参考距离
    # n:路径损耗指数
    # sigma:方差
    # 输出
    # pl:路径损耗
    pl = np.zeros(shape=d.shape)
    lamda=3e8/fc
    for k in range(0, d.size):
        pl[k] = -20*math.log10(lamda/(4*math.pi*d0)) + 10*n*math.log10( d[k] /d0)
    if sigma != 0:
        pl = pl + sigma*np.random.normal(size=d.shape)
    return pl

# 绘制不同的路径损耗模型
fc = 1.5e9
d0 = 100
sigma = 3
distance = np.arange(1,33,2)**2  #好像比matlab里的少个数,arange不包括初始值

Gt = np.array([1,1,0.5])
Gr = np.array([1,0.5,0.5])
Exp = np.array([2,3,6])
y_Free = np.zeros([3,16])
y_logdist = np.zeros([3,16])
y_lognorm = np.zeros([3,16])


for k in range(0,3):
    y_Free[k,...] = pl_free(fc,distance,Gt[k],Gr[k])
    y_logdist[k,...] = pl_logdist_or_norm(fc,distance,d0,Exp[k])
    y_lognorm[k,...] = pl_logdist_or_norm(fc,distance,d0,Exp[0],sigma)


fig, ax = plt.subplots(1,3,figsize=(14,7))
ax[0].plot(distance,y_Free[0,...],label='Gt=1,Gr=1')
ax[0].plot(distance,y_Free[1,...],label='Gt=1,Gr=0.5')
ax[0].plot(distance,y_Free[2,...],label='Gt=0.5,Gr=0.5')
ax[0].set_xscale('log')
ax[0].set_title('Free PL-loss Model,fc=%d MHz'%fc)
ax[0].set_xlabel('Distance[m]')
ax[0].set_ylabel('Path loss[dB]')
ax[0].set(xlim=(1,1000),ylim=(40,110))
ax[0].legend()
ax[0].grid(which='both',axis='both')


ax[1].plot(distance,y_logdist[0,...],label='n=2')
ax[1].plot(distance,y_logdist[1,...],label='n=3')
ax[1].plot(distance,y_logdist[2,...],label='n=6')
ax[1].set_xscale('log')
ax[1].set_title('Log-distance Path-loss Model,fc=%d'%fc)
ax[1].set_xlabel('Distance[m]')
ax[1].set_ylabel('Path loss[dB]')
ax[1].set(xlim=(1,1000),ylim=(40,110))
ax[1].legend()
ax[1].grid(which='both',axis='both')


ax[2].plot(distance,y_lognorm[0,...],label='path 1')
ax[2].plot(distance,y_lognorm[1,...],label='path 2')
ax[2].plot(distance,y_lognorm[2,...],label='path 3')
ax[2].set_xscale('log')
ax[2].set_title('Log-norm Path-loss Model,fc=%d,sigma=%ddB'%(fc,sigma))
ax[2].set_xlabel('Distance[m]')
ax[2].set_ylabel('Path loss[dB]')
ax[2].set(xlim=(1,1000),ylim=(40,110))
ax[2].legend()
ax[2].grid(which='both',axis='both')

1.1.2 Okumura/Hata模型

主要适用于载波范围为200-1500MHz，小区半径为1-100km，天线高度为30-1000m的移动通信系统，其路径损耗可以表示为：

在这里插入图片描述

AMU(f,d)是频率f处的中等起伏衰减因子，GRx和GTx分别为接收天线和发射天线的增益，GAREA是具体地区的传播环境增益。这里天线增益仅仅是天线高度的函数，不考虑天线方向图等其他因素，此外可以从经验图中查到AMU(f,d)，GAREA。

Hata模型将Okumura模型拓展到各种传播环境，是当今最常用的路径损耗模型。对于发射天线高度为hTx[m],载波频率为fc[MHz],距离为d[Km]，在市区环境中的损耗为：

在这里插入图片描述

注：这里的距离是以Km为单位的，书上的有问题

CRx为接收天线相关系数，取决于覆盖范围的大小。市区环境中，对于中等大小的覆盖范围，CRx取值为：

在这里插入图片描述

hRx为接收天线高度，对于大的覆盖范围，CRx取决于载波频率，例如：

在这里插入图片描述

对于郊区和开阔地，Hata模型分别表示为：

在这里插入图片描述
在这里插入图片描述
仿真：
在这里插入图片描述
python程序
pl_hata函数

def pl_hata(fc,d,htx,hrx,etype='URBAN'):
    # etype:环境类型，‘urban’,'suburban','open'
    pl = np.zeros(d.shape)
    fc=fc/1e6
    for k in range(0,d.size):
        pl[k] = 69.55 + 26.16*math.log10(fc) - 13.82*math.log10(htx) + (44.9-6.55*math.log10(htx))*math.log10(d[k])
    if etype == 'URBAN':
        if fc>=150 and fc <=200:
            C = 8.29*math.log10(1.54*hrx)**2 - 1.1
        elif fc>=200 and fc<=1500:
            C = 3.2*math.log10(11.75*hrx)**2 - 4.97
        pl = pl - C
    else:
        C = 0.8 + (1.1*math.log10(fc)-0.7)*hrx - 1.56*math.log10(fc)
        pl = pl -C
        if etype == 'SUBURBAN':
            pl = pl - 2*math.log10(fc/28)**2 - 5.4
        elif etype == 'OPEN':
            pl = pl - 4.78*math.log10(fc)**2 + 18.33*math.log10(fc) - 40.97
    return pl

主函数

import numpy as np
import math
import matplotlib.pyplot as plt
import paths


# 绘制不同的路径损耗模型
fc = 1.5e9
d0 = 100
sigma = 3
distance = np.arange(1,33,2)**2  #好像比matlab里的少个数,arange不包括初始值

htx = 70
hrx = 1.5

y_urban = paths.pl_hata(fc,distance,htx,hrx,'URBAN')
y_suburban = paths.pl_hata(fc,distance,htx,hrx,'SUBURBAN')
y_open = paths.pl_hata(fc,distance,htx,hrx,'OPEN')
fig,ax = plt.subplots(figsize=(14,7))
ax.plot(distance,y_urban,label='urban')
ax.plot(distance,y_suburban,label='suburban')
ax.plot(distance,y_open,label='open area')
ax.set_xscale('log')
ax.set_title('Hata PL model,fc=%dMHz'%(fc/1e6))
ax.set_xlabel('Distance[Km]')
ax.set_ylabel('Path loss[dB]')
ax.grid(which='both',axis='both')
ax.legend()

1.1.3 IEEE 802.16d 模型

属于对数正态阴影路径损耗模型。根据郊区宏蜂窝中发射机和接收机之间的障碍物密度(按照树密度)，可以将其分为三种类型（A,B,C）

在这里插入图片描述

其中ART和BRT分别表示屋顶上方和屋顶下方。

路径损耗模型为：
在这里插入图片描述

其中d0=100m，γ=a-bhTx+c/hTx,a,b,c为参数，hTx为发射天线高度，Cf为与fc相关的系数。

在这里插入图片描述

CRx为接收天线相关系数

在这里插入图片描述

或

在这里插入图片描述

发现此模型有不连续处，是因为在d0之前按照自由空间传播计算的，所以需要计算出新的参考距离：

在这里插入图片描述

在这里插入图片描述

效果图：
在这里插入图片描述
代码：
主程序：

# 绘制不同的路径损耗模型
fc = 2e9
d0 = 100
htx = np.array([30,30])
hrx = np.array([2,10])
distance = np.arange(1,1001)
y_ieee16d = np.zeros([2,distance.size])
y_mieee16d = np.zeros([2,distance.size])

for k in range(0,2):
    y_ieee16d[k,...] = paths.pl_ieee80216d(fc,distance,'A',htx[k],hrx[k],'ATNT')
    y_mieee16d[k,...] = paths.pl_ieee80216d(fc,distance,'A',htx[k],hrx[k],'ATNT','MOD')
fig,ax = plt.subplots(1,2,figsize=(14,7))
ax[0].plot(distance,y_ieee16d[0,...],label='htx=%dm,hrx=%dm'%(htx[0],hrx[0]))
ax[0].plot(distance,y_ieee16d[1,...],label='htx=%dm,hrx=%dm'%(htx[1],hrx[1]))
ax[0].set(xlim=(1,1000),ylim=(10,150))
ax[0].set_xscale('log')
ax[0].set_xlabel('Distance[m]')
ax[0].set_ylabel('Pathloss[dB]')
ax[0].legend()
ax[0].grid(axis='both',which='both')
ax[0].set_title('IEEE 802.16d path loss models,fc=%dMHz'%(fc/1e6))

ax[1].plot(distance,y_mieee16d[0,...],label='htx=%dm,hrx=%dm'%(htx[0],hrx[0]))
ax[1].plot(distance,y_mieee16d[1,...],label='htx=%dm,hrx=%dm'%(htx[1],hrx[1]))
ax[1].set(xlim=(1,1000),ylim=(10,150))
ax[1].set_xscale('log')
ax[1].set_xlabel('Distance[m]')
ax[1].set_ylabel('Pathloss[dB]')
ax[1].legend()
ax[1].grid(axis='both',which='both')
ax[1].set_title('Modified IEEE 802.16d path loss models,fc=%dMHz'%(fc/1e6))

函数：

def pl_ieee80216d(fc,d,type,htx,hrx,corr_fact,mod='UNMOD'):
    # corr_fact:如果存在阴影，那么设置为‘ATnT’或‘Okumura'，否则设置为No
    d0 = 100
    d0_new = 100
    lammda = 3e8/fc
    fc = fc/1e6
    Cf = 6*math.log10(fc/2e3)
    pl = np.zeros(d.shape)

    if corr_fact == 'ATNT':
        if type == 'A' or type == 'B':
            Crx = -10.8*math.log10(hrx/2)
        elif type == 'C':
            Crx = -20*math.log10(hrx/2)
    elif corr_fact == 'OKUMURA':
        if hrx <= 3:
            Crx = -10*math.log10(hrx/3)
        elif hrx >3:
            Crx = -20*math.log10(hrx/3)
    if type == 'A':#这段判断语句感觉可以优化
        a=4.6
        b=0.0075
        c=12.6
    elif type == 'B':
        a=4
        b=0.065
        c=17.1
    elif type == 'C':
        a=3.6
        b=0.005
        c=20
    gamma = a - b*htx +c/htx
    if mod == 'MOD':
        d0_new = d0*10**(-(Cf+Crx)/(10*gamma))
    for k in range(0,d.size):
        if d[k] <= d0_new:
            pl[k] = 20*math.log10(4*math.pi*d[k]/lammda)
        elif d[k] > d0_new:
            pl[k] = 20*math.log10(4*math.pi*d0_new/lammda) + 10*gamma*math.log10(d[k]/d0) + Cf + Crx
    return pl
wAnnA_2102
关注
  • 16
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
无线信道
FengKuangXiaoZuo的博客
11-11 1038
Small-Scale Fading 小尺度衰落 Small-scale fading is characteristic of radio propagation resulting from the presence reflectors and scatterers that give rise to multiple components of transmitted signal while traveling. 由反射、散射造成的多径效应，在接收端合成的结果是一个随机变量，常用的（描述接收信号振
考虑大尺度衰落和小尺度衰落的信道建模_Python实现.txt
06-02
信道建模，Python
OFDM python代码
02-19
OFDM python代码
OFDM基本概念及Python仿真
AlphalzZ的博客
04-15 1631
OFDM技术的基本原理是将高速信息数据编码后分配到并行的N个相互正交的载波上，每个载波上的调制速率很低 (1/N)，调制符号的持续间隔远大于信道的时间扩散，从而能够在具有较大失真和突发性脉冲干扰环境下对传输的数字信号提供有效地保护¹。 OFDM调制的基本原理是将原有的传输数据序列分配在多个不同的子载波上并行传输²。OFDM技术调制的基本原理就是把高速的数据流通过串并变换分成多个并行的数据流，并行的数据流通过IFFT（ IFFT为IDFT的快速实现，数字域）变换映射到对应的子载波上³。
【Python】Python 仿真OFDM发射机、信道和接收机-实现多种调制方式
BetterBench的博客
11-18 8172
目录1 引言2 Python实现2.1 初始化和定义函数2.1.1 初始化参数2.1.2 可视化导频插入的格式2.1.3 定义调制和解调方式2.1.4 定义信道2.2 OFDM仿真过程2.2.1 发送端2.2.2 信道2.2.3 接收端 1 引言 OFDM的通信系统仿真，Matlab实现的版本比比皆是，Python版本的底层详细的仿真过程缺少之又少，本人根据Commpy工具包，实现了OFDM的信号发射、经过信道、接收端接收的过程。并可视化了导频的插入方式、信道冲击响应、信号解调前的星座映射和解调后的星座映射
3GPP无线通信信道路损及基于python的计算
风暴之灵得博客
12-23 1934
3GPP路损模型主要在38.901中的Table 7.4.1-1:Pathloss models部分。其中表头部分写明了各参数的单位以及默认值等，下图是计算的示意图，下表是部分表。模型分为城区微站（UMi）、城区宏站（UMa）、农村大尺度（RMa）三个场景，每个场景包括LOS（视距）NLOS（视距）两类；通过分界点距离划分，在分界点两侧是两个公式。
《MIMO-OFDM 无线通信技术》第一章：无线信道传播和衰落
weixin_43730992的博客
01-04 791
《MIMO-OFDM 无线通信技术及 Matlab 仿真》笔记第一章，一些大尺度衰落模型以及小尺度衰落参数解释
Python库 | mimo-1.0.8-py3.5.egg
03-25
资源分类：Python库 所属语言：Python 使用前提：需要解压 资源全名：mimo-1.0.8-py3.5.egg 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
基于机器学习方法(SVM和NB)的MIMO天线选择仿真代码
06-04
本代码实现了基于机器学习方法(SVM和NB)的MIMO天线选择仿真，针对Transmit Antenna Selection in MIMO Wiretap Channels: A Machine Learning Approach论文进行了复现，绘制出信道容量与信噪比SNR关系图。
基于深度学习的大规模 MIMO电力系统功率分配研究（Matlab&Python代码实现）
m0_73907476的博客
01-07 216
在本文中，使用深度学习来解决大规模 MIMO 网络 DL 中的最大最小和最大功率分配问题。受到最近机器学习技术 [5] 的成功应用爆炸式增长的启发，这些技术展示了深度神经网络学习丰富模式和近似任意函数映射的能力 [5]、[6]。特别是，我们旨在证明神经网络可以有效地使用 UE 的位置（可以通过全球定位系统轻松获得）以获得接近最佳的性能。这可以显着降低功率分配的复杂性（因为需要简单的矩阵向量运算），因此可以实时执行功率分配，即跟随 UE 位置的变化。
Log distance path loss model
qq_41836962的博客
12-24 5965
https://www.mathworks.com/matlabcentral/fileexchange/46854-log_normal_shadowing-m 对数距离路径损耗模型是Friis自由空间模型的扩展。它被用来预测广泛的环境下的传播损失，而Friis自由空间模型被限制在发射机和接收机之间畅通无阻的路径。该模型包含了由于信号被山丘、树木、建筑物等遮挡而产生的随机阴影效应。它也被称为对数正态阴影模型。 Pt_dBm=0; %Input transmitted power in dBm
基于MIMO的信号检测算法仿真程序
04-24
这个压缩包里是关于MATLAB信号仿真算法的仿真代码，对在MATLAB中做信号检测的同志有一定的帮助，里面还有一部分运行完成的结果图
USRP开发，频谱感知和ofdm通信
03-03
该资源为应用GNUradio工具，对USRP的开发，主要实现了频谱感知，以及根据频谱感知的结果进行ofdm通信的功能
ofdm.rar_OFDM系统实现_Python 实现ofdm_gnuradio做ofdm_ofdm系统程序_python o
07-13
gnuradio下ofdm系统的python实现。包括收发路径，fft变换，标准的ofdm程序。
MIMOOFDM信道估计仿真_时域.rar_mimo_mimo ofdm代码_mimo 信道_ofdm_信道估计
07-15
本压缩包文件“MIMOOFDM信道估计仿真_时域.rar”包含的是关于MIMO与OFDM结合使用的信道估计仿真代码。信道估计在无线通信中至关重要，因为它能够帮助系统准确地了解信号在传播过程中受到的衰落和干扰，从而进行有效...
MIMo.rar_mimo ber_mimo ber ofdm
09-19
这个代码可能使用了诸如MATLAB或Python等编程语言，通过仿真来计算在不同MIMO配置（如2x2, 4x4等）和OFDM参数设置下，误比特率如何随着EB/No的变化而变化。这样的仿真结果对于理解系统性能，优化通信设计，以及制定...
MIMO.rar_massive_mimo_mimo-arguments_successful9yh_the code
09-23
常见的编程语言有MATLAB、Python等，它们提供了丰富的库和工具进行无线通信系统的建模。 通过深入学习和实践这些代码，我们可以更好地理解MIMO的工作机制，以及如何在实际通信系统中优化MIMO参数以提升性能。对于想...
ChannelPrediction-master_channelprediction_python_5GRuralConecti
09-29
6. **5G通信标准**：理解5G的关键特性，如毫米波通信、 Massive MIMO、OFDM等，这些都可能影响信道预测的需求和方法。 7. **农村5G网络部署**：探讨农村地区的特殊环境因素，如地形、建筑物分布等，如何影响信道...
matlab这个例子展示了如何共同执行MATLAB和Python来模拟MIMO OFDM信道中信道估计压缩对预编码的影响.zip
最新发布
05-16
matlab源码
python无线通信
08-20
Python在无线通信领域有很多应用，可以用于开发无线传感器网络、移动通信、物联网以及无线网络测试等方面。下面列举一些常见的Python库和框架用于无线通信： 1. PySerial：用于串口通信，可以与无线模块进行串口通信，如与蓝牙模块、Wi-Fi模块等进行数据传输。 2. Scapy：用于网络分析和嗅探，可以通过无线网卡进行无线网络流量分析和数据包嗅探。 3. Twisted：一个事件驱动的网络编程框架，可以用于构建可靠的无线通信应用程序，支持多种传输协议和通信方式。 4. PyBluez：用于与蓝牙设备进行通信，可以通过Python与蓝牙设备进行数据交互，实现蓝牙无线通信。 5. MQTT：是一种轻量级的物联网通信协议，Python提供了多个MQTT库（如paho-mqtt）用于与MQTT服务器进行通信，实现物联网设备之间的无线通信。 这些库和框架可以帮助你在Python中实现无线通信功能，并根据具体需求选择适合的工具来开发相应的无线通信应用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值