qq_58860480的博客

原创 独立非同分布（i.n.i.d.）指数随机变量的和的概率密度函数 (PDF)

**指数衰减项 \(e^{-\frac{x}{\lambda_k}}\)**：它表明了 \(S\) 的概率密度随着 \(x\) 的增大而衰减的方式，具体由 \(k\) 对应的速率参数决定。- **分母项 \(\lambda_j - \lambda_k\)**：这个项确保了每个部分概率密度函数是以独特的方式加权，使得整体概率密度函数反映了所有不同速率参数的影响。这里，\(\lambda_k\) 是每个 \(X_k\) 的速率参数。我们需要求和 \(S\) 的概率密度函数 \(f_S(x)\)。

原创 Meijer‘s G 函数

Bessel函数: \( J_\nu(z) = G_{0,2}^{1,0} \left( \frac{z^2}{4} \ \bigg| \begin{array}{c} - \\ \frac{\nu}{2}, -\frac{\nu}{2} \end{array} \right) \)- Gamma函数: \( \Gamma(z) = G_{0,1}^{1,0} \left( z \ \bigg| \begin{array}{c} - \\ 0 \end{array} \right) \)

原创 Gauss超几何函数详细介绍

( (a)_n \) 是升阶乘（Pochhammer符号），定义为 \( (a)_n = a(a+1)(a+2)\dots(a+n-1) \)，对于 \( n = 0 \)，\( (a)_0 = 1 \)。Gauss超几何函数是更广泛的超几何函数的一部分，其他超几何函数包括合流超几何函数（Kummer函数）和广义超几何函数（pFq函数）。\( a \)、\( b \)、\( c \) 是任意的复数，\( z \) 是变量，通常在复数域中取值。其中，\( C_1 \) 和 \( C_2 \) 是常数。

原创 Euler-Gauss 极限

是一个在数学分析中涉及无穷级数和极限概念的定理。Euler-Gauss 极限的研究旨在确定在某些条件下，这样的级数是否收敛，以及它们的和是什么。- **超几何级数**：Euler-Gauss 极限能够帮助研究一些复杂的超几何级数的收敛性，这些级数在许多数学和物理学问题中出现。- **渐近分析**：Euler-Gauss 极限在处理渐近级数时特别有用，尤其是当直接计算级数和是不可行的情况下。- **特殊函数**：许多特殊函数，如贝塞尔函数和勒让德多项式，涉及Euler-Gauss 极限的概念。

原创 复高斯分布的模平方服从非中心卡方分布

已知 \( X \sim \mathcal{N}(\mu_X, \sigma^2) \) 和 \( Y \sim \mathcal{N}(\mu_Y, \sigma^2) \)，那么 \( X^2 + Y^2 \) 的分布为非中心卡方分布。其中，\( X \) 和 \( Y \) 是服从均值为 \( \mu_X \) 和 \( \mu_Y \)，方差为 \( \sigma^2 \) 的实高斯分布的独立随机变量。假设 \( Z \) 是一个复随机变量，且 \( Z \) 服从复高斯分布。

原创 Nakagami衰落——详细介绍

这种现象被称为衰落。根据传播环境的不同，衰落可以表现为瑞利衰落、莱斯衰落或Nakagami衰落等。1. 移动通信：Nakagami模型适用于复杂的移动通信环境，特别是在城市环境中，建筑物和其他障碍物引起的多径传播可能导致m参数在0.5到2之间变化。2. 无线传感器网络：在无线传感器网络中，不同传感器之间的信道可以表现出不同的衰落特性，Nakagami衰落模型可以灵活地适应这些不同的环境。3. 卫星通信：在卫星通信中，信号可能通过不同的路径传播到接收端，Nakagami衰落模型可以描述不同路径下的衰落特性。

原创 鲁棒性（Robustness）介绍

鲁棒性是Robust的音译，意味着健壮和强壮。它特指系统在异常和危险情况下生存的能力。

原创 OFDM详细介绍

OFDM的核心思想是将整个可用的频带划分为多个子载波，并在这些子载波上并行传输数据。无线信道中存在多径效应、干扰等问题，但由于OFDM的设计，正交子载波之间不会相互干扰，加上循环前缀的保护，即使信号受到反射、衰减等影响，接收端仍然能够较好地恢复原始数据。它通过将高数据率信号分成多个较低数据率的子信号，每个子信号通过不同的载波频率传输，从而提高数据传输的可靠性和抗干扰能力。这是原始信号的一部分重复，它可以防止多径效应引起的符号间干扰（ISI），提高接收端信号的解调性能。你的路由器通过Wi-Fi传输视频数据。

原创 复高斯随机变量的模平方服从伽马分布

我们知道，具有自由度 \( k \) 的卡方分布可以看作是伽马分布 \( \text{Gamma}(\alpha, \beta) \) 的特例，其中 \(\alpha = \frac{k}{2}\) 且 \(\beta = 2\)。其中 \( X \) 和 \( Y \) 是独立同分布的实值高斯随机变量，且均服从均值为零、方差为 \(\sigma^2\) 的正态分布，即 \( X, Y \sim \mathcal{N}(0, \sigma^2) \)。

原创 拉普拉斯逆变换和矩生成函数（MGF）之间的关系

这个公式表明，我们可以通过对 \( M_X(s) \) 除以 \( s \) 然后进行拉普拉斯逆变换，得到随机变量 \( X \) 的累积分布函数 \( F_X(x) \)。（1）首先，我们知道 \( M_X(s) = \int_{0}^{\infty} e^{-st} f_X(t) \, dt \)。- \( M_X(s) = \mathbb{E}[e^{sX}] \) 是随机变量 \( X \) 的矩生成函数（MGF）。其中 \( f_X(t) \) 是 \( X \) 的概率密度函数 (PDF)。

原创 最大比率合并（Maximum Ratio Combining)(MRC）

权重通常设定为信道增益的复共轭，即 \(\mathbf{w}_i = \mathbf{h}_i^*\)，其中 \(\mathbf{h}_i\) 是第 \(i\) 个信道的增益。其中 \(h_i\) 是第 \(i\) 条信道的增益，\(s\) 是发射信号，\(n_i\) 是第 \(i\) 个天线接收到的噪声。信号接收：接收端拥有多个天线，每个天线接收相同的信号，但由于不同的路径损耗、衰落和噪声的影响，每个天线接收的信号可能有所不同。信号合并：将所有加权后的信号相加，得到最终的输出信号。

原创 蒙特卡罗模拟

2. 生成随机样本：在单位正方形 \([0, 1] \times [0, 1]\) 中生成随机点 \((x_i, y_i)\)。\[ \pi \approx 4 \cdot \frac{\text{圆内点数}}{\text{总点数}} \]然后，建立相应的数学模型。3. 计算输出：检查每个点是否在单位圆内，即判断 \( x_i^2 + y_i^2 \leq 1 \)。例如，对于积分问题，计算 \( f(x_i) \)。4. 统计分析：对所有样本的输出结果进行统计分析，以估计系统的整体行为或问题的解。

原创 Zotero笔记导出为PDF的方法

第一步第二步第三步这样就欧克啦，如果对你有帮助请点个免费的赞!

原创 准静态平坦衰落信道（Quasi-Static Flat Fading Channel）

由于噪声的存在，接收信号会在 \( h \cdot x(t) \) 的基础上加上一些随机扰动。在准静态平坦衰落信道中，信道增益 \( h \) 可以被视为在短时间内（例如一个符号周期或几个符号周期内）保持不变。假设在当前符号周期内，信道增益 \( h \) = 0.8 + 0.6j，且噪声 \( n(t) \) 是均值为0、方差为0.01的复数高斯白噪声。- 莱斯衰落信道：假设多径信号中有一条直达路径，信道增益 \( h \) 服从莱斯分布。- \( h \) 是信道增益，表示信道的复数增益系数。

原创 非中心卡方分布的矩生成函数

3. MGF 的形式：对于标准的中心卡方分布，其 MGF 为 \( M(t) = (1 - 2t)^{-\frac{k}{2}} \)。1. 定义：设 \( X \sim \chi^2(k, \lambda) \)，即 \( X \) 服从非中心卡方分布。这里的 \( k \) 和 \( \lambda \) 分别是非中心卡方分布的自由度和非中心参数。要证明图片中的内容，我们可以逐步展开说明。这里的 \( \nu \)、\( \sigma_1^2 \) 和 \( \sigma_2^2 \) 是参数。

原创 伽马函数的极点及相关性质

每个极点的留数可以通过公式 \(\text{Res}(\Gamma(z), z = -n) = \frac{(-1)^n}{n!首先，我们知道伽马函数 \(\Gamma(z)\) 在非正整数点（即 \(0, -1, -2, -3, \ldots\)）处具有简单极点。\[ \Gamma(z) \sim \frac{-1}{z + 1} \quad \text{当 } z \to -1 \]这意味着 \(\Gamma(z)\) 的值可以通过 \(\Gamma(z+1)\) 的值递推得到。

原创 erf 和 erfc 函数介绍以及在通信系统中的应用

2. 互补误差函数 \( \text{erfc}(1.5) \approx 0.034 \) 表示从1.5到无穷大的范围内标准正态分布的累积概率约为0.034。1. 误差函数 \( \text{erf}(1.5) \approx 0.966 \) 表示从0到1.5的范围内标准正态分布的累积概率约为0.966。计算 \( \text{erf}(1.5) \) 和 \( \text{erfc}(1.5) \)，并解释其含义。这些函数的计算和解释在许多统计和概率问题中非常有用，尤其是在评估置信区间和假设检验时。

原创 H变换理论

对于整数 \( m, n, p, q \) ，满足 \( 0 \leq m \leq q \), \( 0 \leq n \leq p \)，对于 \( a_i, b_j \in \mathbb{C} \) ，复数集合，并且对 \( \alpha_i, \beta_j \in \mathbb{R}_+ = (0, \infty) \) ( \( i = 1, 2, \cdots, p;其中 \( \log|z| \) 表示 \( |z| \) 的自然对数，且 \( \arg z \) 不一定是主要值。

原创 chatgpt中的公式复制到word的方法(超实用！)

一、首先复制chatgpt里面的公式二、粘贴在下面网站网站：Mathpix Accounts三、利用网站中的word导出我们就导出了word形式如果对您有帮助请点个免费的赞！

原创 复高斯分布和CN(0,1)详细解释

对于复高斯分布 \( \text{CN}(0,1) \) 的复数随机变量 \( Z = X + jY \)，其中 \( X \) 和 \( Y \) 分别是实部和虚部，实部 \( X \) 和虚部 \( Y \) 都服从均值为 0、方差为 0.5 的独立实高斯分布。其中 \( \sigma_{XX} \) 和 \( \sigma_{YY} \) 是 \( X \) 和 \( Y \) 的方差，\( \sigma_{XY} \) 和 \( \sigma_{YX} \) 是它们的协方差。

原创 瑞利衰落（Rayleigh Fading）

在无线通信中，信号从发射天线到接收天线的路径不仅有直射路径，还会有由于环境中的反射、散射和折射等产生的多个路径。瑞利衰落的核心特征是接收信号的幅度服从瑞利分布。假设信号的幅度是由多个独立的路径信号叠加而成的，每条路径的信号幅度符合独立同分布的高斯分布，那么接收信号的幅度将遵循瑞利分布。通过这些步骤，设计师可以评估无线通信系统在瑞利衰落环境下的性能，并采取相应的设计优化措施来提高系统的可靠性和效率。信道容量计算：在瑞利衰落的环境下，计算信道容量，并比较不同系统设计（如MIMO系统）对信道容量的提升。

原创 采用量化相位的Ris辅助通信的保密中断概率和平均速率(部分公式推导)

原创 安全分集阶数、阵列增益和速率缩放

在MIMO系统中，通过协调多个天线同时发射相同的信号，可以增强接收端的信号强度，从而提升合法用户的信道质量。阵列增益能够提升接收信号的质量，从而提高通信系统的保密性能。在一个多天线系统中，通过增加发射端和接收端的天线数量，可以增加独立的信道路径，从而提升安全分集阶数。例如，在多天线系统中，通过增加发射天线或接收天线数量，可以增加信道的独立路径，从而提升系统的抗干扰和抗窃听能力。在安全通信中，阵列增益通过提升信噪比（SNR）来提高合法用户的信道容量，同时相对降低窃听者信道的信噪比，从而提升保密容量。

原创 指数积分函数（Exponential Integral Function）

指数积分函数在很多数学软件中都有内置函数，如Mathematica, MATLAB, Python的SciPy库等，都可以直接调用来计算 \( \text{Ei}(x) \)。其中 \( x \) 可以是实数或复数。换句话说，\( \text{Ei}(x) \) 是从 \(-x\) 到无穷大 \( \infty \) 的积分。- 对于正值 \( x \)，\(\text{Ei}(x)\) 是单调递增的。- 对于负值 \( x \)，\(\text{Ei}(x)\) 是单调递减的。

原创 香农定理公式和综合考虑的链路容量公式

2. 使用香农定理计算基础容量：\( C = 20 \times 10^6 \log_2(1 + 1000) \approx 20 \times 10^6 \times 9.97 \approx 199.4 \text{Mbps} \)。为了计算链路容量的期望值，我们假设信噪比 \( \frac{S}{N} \) 是一个随机变量 \(Y_d\) ，具有概率密度函数 \( f_{Y_d}(y) \)。- \(\mathbb{E}\{C_d\}\) 表示链路遍历容量 \(C_d\) 的期望值。

原创 累积密度函数（Cumulative Density Function，CDF）

当 \(x \to +\infty\) 时，\(F_X(x) \to 1\)。假设有一个连续型随机变量 \(Y\) 服从均匀分布 \(U(a, b)\)，其中 \(a = 0\)，\(b = 1\)。右连续性：CDF是右连续函数，即对于任意 \(x\)，有 \(\lim_{x \to x_0^+} F_X(x) = F_X(x_0)\)。非递减性：CDF是一个非递减函数，即对于任意的 \(x_1 < x_2\)，有 \(F_X(x_1) \leq F_X(x_2)\)。

原创 信噪比（Signal-to-Noise Ratio, SNR）详细介绍

信噪比（Signal-to-Noise Ratio，SNR）是衡量信号质量的重要参数，表示有用信号的功率与背景噪声功率的比值。其中，\( P_{\text{signal}} \) 表示信号功率，\( P_{\text{noise}} \) 表示噪声功率。- 音频处理：在音频设备和录音系统中，SNR决定了音质的好坏，高SNR表示音频信号更清晰，噪声更少。- 低SNR：信号中噪声成分较大，接收端难以分辨有用信号和噪声，可能导致误码率高，通信质量差。SNR定义为信号功率与噪声功率之比，通常用分贝（dB）表示。

原创 傅里叶变换、FS、s变换、z变换性质大全

原创 梅森公式——信号系统框图快速画法

梅森公式（Mason's Gain Formula）是用于计算线性信号流图（Signal Flow Graph）中特定传递函数（Transfer Function）的一个重要工具。该公式可以直接从信号流图得出系统的整体传递函数，而无需进行复杂的方程求解。梅森公式的定义$$T = \frac{Y(s)}{X(s)} = \frac{\sum_{k=1}^N P_k \Delta_k}{\Delta}$$其中：- \( T \) 是传递函数，即输出 \( Y(s) \) 与输入 \

原创 傅里叶变换、傅里叶级数、拉普拉斯变换、离散傅里叶变换、z变换之间的关系

傅里叶变换 | 任意连续时间信号 | \( X(f) = \int_{-\infty}^{\infty} x(t) e^{-j 2 \pi f t} \, dt \) | 拉普拉斯变换的 \( s \) 替换为 \( j \omega \) 得到傅里叶变换。| z 变换 | 离散时间信号 | \( X(z) = \sum_{n=-\infty}^{\infty} x[n] z^{-n} \) | DFT 的推广，包含 \( |z| \) 不同的范围。

原创 傅里叶级数性质证明大全(信号系统)

原创 留数 (Residue)以及在最低的极点处评估路径的留数

留数定理是计算复平面上围道积分的重要工具。一个复变函数 \( f(z) \) 在 \( z = z_0 \) 处的留数是其 Laurent 级数展开中 \( (z - z_0)^{-1} \) 项的系数。设函数 \( f(z) = \frac{1}{(z-1)(z-2)} \)，其在 \( z = 1 \) 和 \( z = 2 \) 处有简单极点。其中，系数 \( a_{-1} \) 称为 \( f(z) \) 在 \( z_0 \) 处的留数，记作 \( \text{Res}(f, z_0) \)。

原创 多重Mellin-Barnes型围线积分以及与多重H函数的关系

Mellin-Barnes 积分是分析特殊函数和超几何函数的一种强大工具，多重 H 函数是这些特殊函数中的一种广义形式。其中 \(p_i, q_i, r_i, s_i\) 是非负整数，\(a_{i,j}, b_{i,j}\) 是复数，\(A_{i,j}, B_{i,j}\) 是正实数，\(x_1, x_2, \ldots, x_m\) 是变量。其中，\(G(s_1, s_2, \ldots, s_n)\) 是待积分的核函数，通常包含 Gamma 函数或其他特殊函数，\(L_i\) 是适当选择的积分路径。

原创 Stirling 公式 (Stirling‘s Formula)和 Stirling 公式展开的伽马函数近似

在计算组合数时，例如 \( \binom{n}{k} = \frac{n!} \)，使用 Stirling 公式可以简化计算。\) 这样的大数阶乘，直接计算非常复杂，使用 Stirling 公式可以得到一个近似值。在处理大样本问题时，Stirling 公式帮助简化概率分布的计算，例如二项分布、泊松分布和正态分布的近似。\) 表示 \( n \) 的阶乘，\(\pi\) 是圆周率，\(e\) 是自然对数的底。Stirling 公式的推导方法有很多种，以下是一种经典的推导方法，利用了积分和对数的技巧。

原创 拉普拉斯逆变换 (Inverse Laplace Transform)

如果 \( F(s) = F_1(s) \cdot F_2(s) \)，且 \( F_1(s) \) 和 \( F_2(s) \) 分别是 \( f_1(t) \) 和 \( f_2(t) \) 的拉普拉斯变换，那么 \( f(t) = f_1(t) \ast f_2(t) \)，其中 \(\ast\) 表示卷积运算。为了简化计算，我们令 \( u = st \)，则 \( t = \frac{u}{s} \)，\( dt = \frac{du}{s} \)。这是求解拉普拉斯逆变换的通用方法。

原创 平均保密速率 (Average Secrecy Rate, ASR)

设 Alice 到 Bob 的信道增益为 \( h_b \)，Alice 到 Eve 的信道增益为 \( h_e \)，并且假设两者的信道是独立的随机变量。- 设定 Alice 到 Bob 和 Alice 到 Eve 的信道模型，得到信道增益 \( h_b \) 和 \( h_e \) 的分布。- 通过信道增益的分布，计算 Bob 和 Eve 的信噪比 \( \gamma_b \) 和 \( \gamma_e \) 的分布。其中 \([x]^+\) 表示 \(\max(x, 0)\)，以确保保密速率非负。

原创 中心极限定理 (Central Limit Theorem, CLT)

假设我们有一系列独立的测量 \(X_1, X_2, \ldots, X_n\)，每个测量都有相同的均值 \(\mu\) 和方差 \(\sigma^2\)。设 \(X_1, X_2, \ldots, X_n\) 是一组独立同分布的随机变量，每个变量的期望值为 \(\mu\)，方差为 \(\sigma^2\)。换句话说，对于大样本量 \(n\)，样本均值 \(\bar{X}_n\) 近似服从正态分布 \(N(\mu, \sigma^2 / n)\)。中心极限定理是构建置信区间和进行假设检验的基础。

原创 Gamma随机变量 (Gamma Random Variable)

假设某服务台的服务时间 \( T \) 服从 Gamma 分布，形状参数 \( \alpha = 2 \)，尺度参数 \( \beta = 3 \)，即 \( T \sim \text{Gamma}(2, 3) \)。假设某种设备的寿命 \( L \) 服从 Gamma 分布，形状参数 \( \alpha = 5 \)，尺度参数 \( \beta = 1 \)，即 \( L \sim \text{Gamma}(5, 1) \)。在可靠性分析中，Gamma 分布用于描述系统的寿命和失效时间。

原创 可重构智能表面 (Reconfigurable Intelligent Surface, RIS)

可重构智能表面 (RIS) 作为一种创新的无线通信技术，通过智能控制反射单元的相位和幅度，实现对信号传播环境的优化。- **反射单元**：RIS 由大量的小型反射单元（如天线阵列、超表面等）组成，每个单元可以独立地控制反射信号的相位和幅度。- **控制器**：一个集中的控制器用于协调和调节每个反射单元的状态，根据预设的算法和实时反馈调整反射特性。2. **灵活性和可控性**：RIS 可以动态调整反射特性，适应不同的环境和应用需求，提供高度灵活的信道重构能力。

原创 不完全伽马函数 (Incomplete Gamma Function)

不完全伽马函数是伽马函数的推广，分为上不完全伽马函数和下不完全伽马函数。在卡方分布、伽马分布和指数分布等中，不完全伽马函数用于累积分布函数 (CDF) 的计算。这是伽马函数与不完全伽马函数之间的关系，其中 \(\Gamma(s)\) 是完全伽马函数。不完全伽马函数在计算特殊函数（如贝塞尔函数、误差函数等）时，起到重要作用。例如，计算 \(\gamma(2, 3)\) 可以用下不完全伽马函数求值。不完全伽马函数是伽马函数的推广，分为上不完全伽马函数和下不完全伽马函数。