✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
更多Matlab完整代码及仿真定制内容点击👇
🔥 内容介绍
摘要 在无中继情况下,多输入多输出(MIMO)通信系统中,发送端和接收端采用三节点结构模型,分别采用最小均方误差(MMSE)、奇异值分解(SVD)预编码和MMSE均衡技术。本文通过理论分析和仿真实验,比较了这三种技术的误码率(BER)性能。
引言 MIMO技术是一种提高无线通信系统容量和抗干扰能力的有效手段。在无中继情况下,三节点结构模型是MIMO系统的一种典型结构,它具有实现简单、成本低廉等优点。为了提高三节点结构模型MIMO系统的BER性能,需要采用有效的预编码和均衡技术。
三节点结构模型 三节点结构模型MIMO系统由发送端、接收端和信道三部分组成。发送端和接收端各有两个天线,信道是一个平坦衰落信道,其信道系数服从复高斯分布。
预编码技术 预编码技术通过在发送端对信号进行处理,可以改善信道的条件,从而提高BER性能。本文考虑两种预编码技术:
-
**MMSE预编码:**根据信道的统计信息,最小化接收信号与发送信号之间的均方误差。
-
**SVD预编码:**对信道的奇异值分解,将信号投影到信道奇异值最大的子空间上。
均衡技术 均衡技术通过在接收端对接收信号进行处理,可以补偿信道的失真,从而提高BER性能。本文考虑MMSE均衡技术,它根据信道的统计信息,最小化均衡信号与发送信号之间的均方误差。
BER性能比较 通过理论分析和仿真实验,比较了MMSE预编码、SVD预编码和MMSE均衡的三种技术的BER性能。仿真结果表明:
-
在低信噪比(SNR)条件下,MMSE预编码的BER性能最好,SVD预编码次之,MMSE均衡最差。
-
在高SNR条件下,SVD预编码的BER性能最好,MMSE预编码和MMSE均衡的BER性能相近。
-
随着天线数的增加,三种技术的BER性能都得到改善,但改善程度不同。
结论 在无中继情况下,MIMO通信三节点结构模型中,SVD预编码和MMSE均衡技术的BER性能优于MMSE预编码技术。在低SNR条件下,MMSE预编码技术更适合;在高SNR条件下,SVD预编码技术更适合。天线数的增加可以改善BER性能,但不同技术的改善程度不同。
📣 部分代码
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 导入数据
res = xlsread('数据集.xlsx');
%% 划分训练集和测试集
temp = randperm(357);
P_train = res(temp(1: 240), 1: 12)';
T_train = res(temp(1: 240), 13)';
M = size(P_train, 2);
P_test = res(temp(241: end), 1: 12)';
T_test = res(temp(241: end), 13)';
N = size(P_test, 2);
%% 数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);
⛳️ 运行结果
🔗 参考文献
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类