瑞利衰落信道仿真（Python）

还有你Y

已于 2025-05-09 17:41:48 修改

阅读量2.2k

点赞数 8

分类专栏： MIMO、物理层、信号处理文章标签： python 开发语言

于 2024-01-28 12:21:34 首次发布

本文链接：https://blog.csdn.net/qq_45889056/article/details/135660662

版权

MIMO、物理层、信号处理专栏收录该内容

32 篇文章

订阅专栏

本文介绍了在无线通信中如何使用对数正常阴影衰落和瑞利衰落模型来模拟多径效应下的信号衰减。通过定义距离依赖的路径损耗函数，结合随机生成的距离值和对数正态分布的阴影衰落，以及复高斯分布的瑞利衰落系数，生成了信道衰落系数数组。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

2024年4月24日16:46:31更新：
（这个比较正确）
在这里插入图片描述
重点是这个对数阴影衰落

    import numpy as np

    # Define distance-dependent path-loss function
    def path_loss(d):
        return 128.1 + 37.6 * np.log10(d)

    # Set the number of channels
    num_channels = 10

    # Simulate distances (assuming random distances for this example)
    distances = np.random.rand(num_channels) * 10  # Distances in kilometers

    # Calculate path loss for each channel
    path_loss_dB = path_loss(distances)

    # Apply log-normal shadowing (10 dB standard deviation) 
    # 阴
    shadowing = np.random.normal(scale=10, size=num_channels)

    # Convert path loss from dB to linear scale
    path_loss_linear = np.power(10, -path_loss_dB / 10)

    # Generate Rayleigh fading coefficients (complex numbers)
    fading = np.random.rayleigh(size=num_channels) * np.exp(2j * np.pi * np.random.rand(num_channels))

    # Combine path loss, shadowing, and fading  log(10^(-shadowing/10)=e^(-shadowing / 10) 正好就是对数正态分布
    channel_coefficients = fading * np.sqrt(path_loss_linear) * 10 ** (-shadowing / 10)
    # Print the channel coefficients
    print(channel_coefficients)

注意几个点：

对数正态分布：如果x服从对数正态分布，则lnx服从正态分布；如果x服从正态分布，则e^x服从对数正态分布。
影衰落服从对数正态分布；则以dB表示的阴影衰落服从正态分布。以dB表示的阴影衰落通常取均值为0，方差为5-12dB的正态分布。所以上述代码有点问题，不需要exp.

ChatGPT答案：

import numpy as np

def generate_rayleigh_channel(num_samples):
    # 生成实部和虚部，均为高斯分布 N(0, 1/2)
    real_part = np.random.normal(0, np.sqrt(0.5), num_samples)
    imag_part = np.random.normal(0, np.sqrt(0.5), num_samples)

    # 合成复数形式的瑞利衰落系数
    h = real_part + 1j * imag_part
    return h

# 生成样本数量
num_samples = 1000

# 生成瑞利信道系数
h = generate_rayleigh_channel(num_samples)

# 打印前10个系数
print("First 10 Rayleigh channel coefficients:", h[:10])

瑞利衰落信道模型通常用于描述多径效应下的信号衰落，其中衰落系数 ( h ) 是复数，并且其幅度服从瑞利分布，相位服从均匀分布。在复高斯分布 $\mathcal{CN}(0,1)$ 的情况下，实际上是指 ( h ) 的实部和虚部分别独立地服从高斯分布 ( \mathcal{N}(0,1/2) )，因为复高斯分布的功率归一化到1。

下面是一个生成瑞利信道衰落系数 ( h ) 的 Python 代码示例，其中 ( h ) 的实部和虚部均服从标准高斯分布（均值为0，方差为1）：

def generate_rayleigh_channels(num_channels):   
# 生成实部和虚部   
	real_parts = np.random.normal(0, 1/np.sqrt(2), num_channels)   
	imag_parts = np.random.normal(0, 1/np.sqrt(2), num_channels)   
	# 合成复数衰落系数数组   
	h = real_parts + 1j * imag_parts   
	return h 
# 生成多个瑞利信道衰落系数
num_channels = 10
h_array = generate_rayleigh_channels(num_channels)
print("Generated Rayleigh channel fading coefficients:", h_array)

注意，由于我们希望 ( h ) 的功率归一化为1，即 ( $h|^2$ ) 的期望值为1，因此我们使用标准差为 ( $1/\sqrt{2}$ ) 的高斯分布来生成实部和虚部。这是因为复数 ( h ) 的功率是实部和虚部平方和的一半，即 ( $h|^2 = (real\_part^2 + imag\_part^2)/2$ )，所以需要将方差设置为 ( 1/2 )，而标准差为 ( $1/\sqrt{2}$ )。