深入浅出通信原理Python代码版
深入浅出通信原理是陈爱军的心血之作,于通信人家园连载,此处仅作python代码笔记训练所用
陈老师的连载从多项式乘法讲起,一步一步引出卷积、傅立叶级数展开、旋转向量、三维频谱、IQ调制、数字调制等一系列通信原理知识
码元(Symbol)详解
码元,对应英文Symbol,又称符号
维基百科:持续一段固定时间的通信信道有效状态就是码元
陈老师解释:在通信信道中持续固定时间,具有一定相位或者幅值的一段余弦载波
网友:在信道(空中或电缆中)码元或者符号就是持续一定(某个)时间,具有一定(某个)幅度和一定(某个)相位的正弦波。
BPSK码元有2种(0,\(\pi\)),QPSK码元有4种,16QAM有16种码元。
设某数字调制对应码元有N种,则每个码元承载的比特数有\(log_2N\)个
但调制效率愈高,抗干扰能力愈差,对信道质量要求愈高
码元速率,也就是波特率,单位是Baud,其实就是每秒钟传输多少的码元,进一步的说,波特率是码元周期的倒数。
BPSK旋转向量理解
详见连载44-46
旋转向量在实轴上的投影就是BPSK调制后的信号,初始相位是0或者pi,但最后相位不一定落在相位0或者pi上
接收到的是个实信号,但可以分解成两者旋转向量之和:
\[s(t)=\cos\omega_0t=Re\{e^{j\omega_0t} \}=\frac{1}{2}(e^{jw_0t}+e^{-jw_0t})
\]
此时乘上初始位置在实轴,顺时针旋转且旋转角速度是w0的单位旋转向量\(e^{-jw_0t}\)
\[2s(t)e^{-jw_0t}=1+2e^{-jw_0t}
\]
通过低通滤波器或积分器便解调出1,即发送端发送的是-1
PSK=映射+调制
调制解调与傅里叶级数展开
IQ调制实际就是将数据作为傅里叶系数与正、余弦信号相乘后合成发送的过程
IQ解调即求解傅里叶级数的过程
\[s(t)=a\cos(w_0t)-bsin(w_0t)
\]
\[Fourier \ \ Transform: f(t)=\frac{a_0}{2}+\sum_{k=1}^{\infty}(a_kcoskw_0t+b_ksinkw_0t)\
\]
矩形波的复傅立叶级数
周期方波信号的傅里叶级数 \(c_k=\frac{1}{2}\frac{sin(k\omega_0T_0/4)}{k\omega_0T_0/4}=\frac{1}{2}\frac{sin(k\pi/2)}{k\pi/2}=\frac{sinc(k/2)}{2}\)
\[sinc(t)=\frac{sin(\pi t)}{\pi t}
\]
# 周期方波频谱c_k=1/2 * sinc(k/2)
x_t = np.sort((list(np.arange(-7,10,2))*2))
y_t = [1,0,0,1,1,0,0,1,1,0,0,1,1,0,0,1,1,0]
plt.subplot(2,1,1)
plt.plot(x_t,y_t)
plt.xticks([-4,-2,0,1,2,4],['$T_0$','$-T_0/2$','0','$T_0/4$','$T_0/2$','$T_0$'])
plt.yticks([0,1],['0','1'])
plt.title('Periodic Square')
plt.subplot(2,1,2)
x_f = np.arange(-8,9,1)
y_f = np.sinc(x_f/2)/2 # spectrum
plt.stem(x_f,y_f,use_line_collection=True)
plt.title('Corresponding_Spectrum')
plt.tight_layout()
plt.show()
周期矩形波信号的傅里叶级数\(c_k=\frac{1}{4}{sinc(\frac{k}{4})}\)
# 周期矩形波频谱
plt.subplot(2,1,1)
x = np.arange(-9,11,2)
y_t = [1,1,0,0,0,1,0,0,0,1]
plt.plot(x,y_t,drawstyle='steps-pre')
plt.title('Rectangular Wave')
plt.subplot(2,1,2)
x_f = np.arange(-16,17,1)
y_f = np.sinc(x_f/4)/4
plt.stem(x_f,y_f,use_line_collection=True)
plt.title('Rectangular Wave Spectrum')
plt.ylim([-0.1,0.3])
plt.tight_layout()
plt.show()
方波的k=2,4,6分别与矩形波k=4,8,12对齐
k=0对应直流分量,k=1对应基波分量,k=2对应二次谐波
基波频率\(f=1/T_0\), 方波周期使\(T_0\), 矩形波周期是\(2T_0\), 因此同一个k,方波频率是矩形波两倍
即方波的k对应矩形波的2k
因此横轴可理解成频率f或者角频率w
x_f = np.arange(-128,129,1)
y_f = np.sinc(x_f/32)/32
plt.stem(x_f,y_f,use_line_collection=True)
# plt.title('Rectangular Wave Spectrum')
plt.ylim([-0.03,0.05])
plt.tight_layout()
plt.show()
离散谱推广到连续谱
连载67:
当 \(T \rightarrow \infty\), 周期矩形信号将变成非周期矩形信号,谱线间隔将逐渐减小,傅里叶系数将趋近无穷多,频谱幅值也将逐渐减小趋至0
离散谱是线频谱,横轴单位间隔代表基波频率间隔,纵轴代表其复傅里叶系数\(c_k\)
连续谱又称密度频谱,代表单位带宽下的频谱。横轴单位间隔代表基波频率间隔,纵轴代表频谱密度\({c_k}/{\Delta f}\)
# 连载69:周期矩形波离散谱与连续谱比较
# plt.suptitle('Left:Discrete Spectrum; Right:Continuoous Spectrum')
plt.subplot(3,2,2)
x = np.arange(-8,9,1)
y_t = [0,-0.05,0,0.05,0,-0.1,0,0.3,0.5,0.3,0,-0.1,0,0.05,0,-0.05,-0.05]
plt.plot(x,y_t,drawstyle='steps-post',color='r')
# plt.subplots_adjust(hspace=10)
plt.title('Square Wave Contiuous Spectrum',fontsize=8)
y_f = np.sinc(x/2)/2 # spectrum
plt.plot(x,y_f,color='b')
plt.subplot(3,2,1)
x_f = np.arange(-8,9,1)
y_f = np.sinc(x_f/2)/2 # spectrum
plt.stem(x_f,y_f,use_line_collection=True)
plt.title('Square Wave Discrete Spectrum',fontsize=8)
# plt.subplots_adjust(hspace=10)
plt.subplot(3,2,4)
x = np.arange(-16,17,1)
# y_t = [0,-0.05,0,0.05,0,-0.1,0,0.3,0.5,0.3,0,-0.1,0,0.05,0,-0.05,-0.05]
y_f = np.sinc(x/4)/2 # spectrum
plt.plot(x,y_f,drawstyle='steps-post',color='r')
plt.title('Duty-Cycle-25 Rectangular Wave',fontsize=8)
plt.plot(x,y_f,color='b')
plt.subplot(3,2,3)
x_f = np.arange(-16,17,1)
y_f = np.sinc(x_f/4)/4 # spectrum
plt.stem(x_f,y_f,use_line_collection=True)
plt.title('Duty-Cycle-25 Rectangular Wave',fontsize=8)
plt.subplot(3,2,6)
x = np.arange(-32,33,1)
# y_t = [0,-0.05,0,0.05,0,-0.1,0,0.3,0.5,0.3,0,-0.1,0,0.05,0,-0.05,-0.05]
y_f = np.sinc(x/8)/2 # spectrum
plt.plot(x,y_f,drawstyle='steps-post',color='r')
plt.title('Duty-Cycle-12.5 Rectangular Wave',fontsize=8)
plt.plot(x,y_f,color='b')
plt.subplot(3,2,5)
x_f = np.arange(-32,33,1)
y_f = np.sinc(x_f/8)/8 # spectrum
plt.stem(x_f,y_f,use_line_collection=True)
plt.title('Duty-Cycle-12.5 Rectangular Wave',fontsize=8)
plt.tight_layout()
plt.show()
随着周期T增大,离散谱(左图)谱线间隔减小且谱线幅度渐小
随着周期T增大,连续谱阶梯宽度渐窄,但幅度未变小,其逼近\(X(f)=\frac{T_0}{2}sinc(\frac{T_0}{2}f)\)
令\(\tau=\frac{T_0}{2}\), 则 \(X(f)=\tau sinc(\tau f)\)
由周期矩形信号推广到一般情况(Fourier Transform):\(X(f)=\int_{-\infty}^{+\infty}x(t)e^{-j2\pi ft}dt\)
由于部分图片显示不出,故贴上Github地址备用
各种有用的频谱指标