通信+信号处理基础
文章平均质量分 76
通信与信号处理的基础知识
ndwuhuangwei
这个作者很懒,什么都没留下…
展开
-
【概念解释】packet, frame,...
参考[1] Definition of Network Units: Packet, Fragment, Frame, Datagram, and Segment[2] Difference between Frame and packets in IEEE 802.111 背景不同的OSI层 & 不同的协议都有自己的 specific unitsthe packet, fragment, frame, datagram, and segment, …作为wireless领域的的phd原创 2022-01-05 19:53:34 · 1035 阅读 · 0 评论 -
【链接】傅里叶变换深入理解
https://panjiacheng.site/blog-others/2018/06/19/%E5%82%85%E9%87%8C%E5%8F%B6%E5%88%86%E6%9E%90/这篇文章用了很多非常形象的图,讲解了频域分析与时域分析的区别、如何理解傅里叶变换后的幅度、频率与相位https://www.cnblogs.com/ybqjymy/p/13645794.html得到幅度谱与相位谱的matlab代码幅度谱 abs,相位谱anglehttps://blog.csdn.net/shen原创 2021-12-01 19:28:01 · 1231 阅读 · 0 评论 -
时频分析常用工具:STFT短时傅里叶变换 & 小波变化
文章目录1 傅里叶变换的局限性2 STFT3 小波变换参考:时频分析之STFT:短时傅里叶变换的原理与实现形象易懂讲解算法I——小波变换https://www.zhihu.com/question/588149341 傅里叶变换的局限性4个不同频率的正弦信号按不同顺序组成时域信号,但是不同的时域组合信号的傅里叶变换都是一样的,FFT无法捕捉到信号在时域分布上的不同再看一组例子时域上出现了一个很明显的突变扰动,然而在频域图中,这样的变化并没有很好的被捕捉到。注意到红框中部分,显然傅里叶原创 2021-11-04 01:47:57 · 5204 阅读 · 0 评论 -
Peak Detection 算法
文章目录背景只有一个peak找多个Peak主要参考:https://www.baeldung.com/cs/signal-peak-detection背景最近在利用CIR估计结果进行解卷积从而抵消信道的卷积影响,在这过程种,发现对于CIR估计结果的截取非常重要。估计出来的CIR可能是含有相对时延和一段接近零的“尾巴”,但是我们需要的值只是第一个peak到最后一个peak这一段范围(下图多径不明显,只有一个突出的Peak,那需要的就是这一个peak附近的大概十几个采样点)刚开始为了检验idea我是先原创 2021-11-01 17:46:05 · 1100 阅读 · 0 评论 -
FFT两种长度对齐方法比较
文章目录问题背景长度统一方法3种卷积计算方法矩阵法解卷积问题背景此问题是在频域解卷积时遇到的长度统一方法在没有噪声时,这两种方法的效果一样,都能正确接卷积出ht,但是如果加了噪声(我实验时加的高斯白噪声),方法1的正确率会比方法2高,这是为什么呢?在解释之前,需要先了解一下卷积计算三种方法3种卷积计算方法矩阵法解卷积上面是用傅里叶变换的方法解卷积,还可以用矩阵法解卷积,用这种方法解卷积时就可以明白两种长度对齐方法的区别...原创 2021-10-16 21:25:38 · 281 阅读 · 0 评论 -
利用卷积定理进行信道估计 + 深入探究 DFT 与 matlab 中的 fft 用法
文章目录1 背景2 DFT & FFT 公式级别解析2.1 DFT / IDFT2.2 FFT3 利用卷积定理进行信道估计1 背景最近尝试用时域卷积定理来进行信道估计假设 TX信号为 s(t),信道脉冲响应(CIR)为 h(t),那么RX信号 y(t) = s(t) * h(t)根据时域卷积定理,时域卷积的傅里叶变换,等于各自傅里叶变换的乘积因此,在已知 s(t) 和 y(t) 的前提下, 可以通过 Y(f) / S(f) 来获得 H(f),然后再进行傅里叶逆变换,就可以得到 h(t)用原创 2021-10-10 03:22:01 · 1445 阅读 · 0 评论 -
【文献笔记】【通信】MAVL: Multiresolution Analysis of Voice Localization
文章地址:MAVL: Multiresolution Analysis of Voice Localization这是2021年春季刚发的文章类似的文献笔记:【文献精读】【通信】Symphony: Localizing Multiple Acoustic Sources with a Single Microphone Array常见术语:AoA:到达信道的角度(也就是 DoA)xH:x的共轭转置文章目录Insight1 Introduction2 Primer on AoA Estima原创 2021-09-01 18:35:23 · 684 阅读 · 0 评论 -
【实践】多径效应CIR估计
这周最紧要任务,写多径效应的CIR估计,故将思路历程收集于一个 blog 中,以供今后参考文章目录1 题目解读2 信道估计初探2.1 基于训练符号的信道估计Reference1 题目解读首先这个任务题目就看不懂,啥叫 CIR估计?问了学姐,是信道脉冲响应,突然联想到之前一直听说的信道估计,百度百科对于信道估计的解释是:所谓信道估计,就是从接收数据中将假定的某个信道模型的模型参数估计出来的过程。如果信道是线性的话,那么信道估计就是对系统冲激响应进行估计。需强调的是信道估计是信道对输入信号影响的一种原创 2021-09-01 18:34:57 · 5503 阅读 · 3 评论 -
【代码库】【通信】各调制方式编程实现
将各种调制方式的代码集中一下,随时更新,应该大部分都是 python文章目录OFDMOFDM输入的待调制信号一般用一个矩阵表示[M, N]其中,M(行数)表示 symbol数量,N(列数)表示一个symbol中的码元数量(一个码元可能有n位,即2**n进制)比如说5个symbol,每个symbol 有4个码元,且码元是四进制的(值为 00, 01, 10, 11, 也就是 0, 1, 2 ,3),那么这个矩阵就为012310233102210原创 2021-08-30 21:38:52 · 367 阅读 · 0 评论 -
为什么要有基于NN的通信系统?
这几天读了一些关于利用NN进行抗干扰通信的paper【文献笔记】【精读】An Introduction to Deep Learning for the Physical Layer【文献笔记】【精读】Deep Learning-Based Communication Over the Air刚才与老师交流,突然有了更清晰的理解,于是赶紧记录下来经常看到正交这个概念,比如正交错误检测,那么什么叫正交?正交本质就是互不干扰,比如对于一个正弦波来说,频率和幅度就是正交的两个纬度,因为它们互不干扰嘛,所原创 2021-08-23 22:07:02 · 294 阅读 · 0 评论 -
【文献笔记】【精读】Metamorph: Injecting Inaudible Commands into Over-the-air V oice Controlled Systems
文章地址:Metamorph: Injecting Inaudible Commands into Over-the-air V oice Controlled Systems不开源发现定会的论文格式都一个样前言介绍+系统设计说明+系统性能评估+相关工作综述+结论文章目录Insight1 INTRODUCTION2 PRELIMINARIES3 DESIGN4 EVALUATION5 RELATED WORK6 CONCLUSIONInsight作者探究了利用声音通信远程攻击神经网络的可能性1原创 2021-08-23 15:10:25 · 314 阅读 · 1 评论 -
【文献笔记】【精读】Near-Ultrasound Communication for TV’s 2nd Screen Services
文章地址:Near-Ultrasound Communication for TV’s 2nd Screen Services不开源文章目录Insight1 INTRODUCTION2 TARGET APPLICATION3 REAL WORLD CHALLENGES AND OUR SOLUTION3.1 Low Volume Transmission3.1.1 Strict low Tx power requirement3.1.2 Guard interval overhead3.1.3 Chir原创 2021-08-23 14:16:49 · 228 阅读 · 0 评论 -
【文献笔记】【精读】Messages Behind the Sound: Real-Time Hidden Acoustic Signal Capture with Smartphones
文章地址:Messages Behind the Sound: Real-Time Hidden Acoustic Signal Capture with Smartphones开头震惊,这篇的工作也太solid了吧,整目录就给????整懵了文章目录Insight分段分析1 Introduction2 Background2.1 Human Auditory System2.2 Speaker and Smartphone Microphone3 THE ACOUSTIC SPEAKER-MICRO原创 2021-08-23 02:16:40 · 460 阅读 · 0 评论 -
【文献笔记】【精读】LEARNING TO PROTECT COMMUNICATIONS WITH ADVERSARIAL NEURAL CRYPTOGRAPHY
文章目录1 主要贡献1.1 背景1 主要贡献证明了神经网络可以在指定策略下保护神经网络之间的通信。1.1 背景密码学中的 attacker 有着复杂度以及成功率方面的限制。在密码学中如果一个 mechanism 能够抵御所有 attacker 的攻击,那么我们就可以说它是安全的,也就是说没有 attacker 能够从密文中提取出明文。如何使用 GAN 来保护通信?论文中如是说:In this latter context, the adversaries are neural network原创 2021-08-17 15:00:28 · 713 阅读 · 1 评论 -
【文献笔记】【精读】Deep Learning-Based Communication Over the Air
文章地址:Deep Learning-Based Communication Over the Air文章目录1 主要贡献2 分段分析2.1 INTRODUCTION2.2 END-TO-END LEARNING OF COMMUNICATIONS SYSTEMS2.2.1 The autoencoder concept2.2.2 Challenges related to hardware implementation2.3 IMPLEMENTATION2.3.1 Two-phase training原创 2021-08-17 15:00:15 · 1037 阅读 · 1 评论 -
【文献笔记】【精读】An Introduction to Deep Learning for the Physical Layer
文章地址:An Introduction to Deep Learning for the Physical Layer其余相关blog参考:【文献学习】An Introduction to Deep Learning for the Physical LayerAn Introduction to Deep Learning for the PhysicalLayer注意,本文一些主观的看法可能是错误的,它们都会以像这样两条线的形式框出,希望读者不要被误导概述这是一篇关于深度学习方法在通原创 2021-08-09 11:31:16 · 2085 阅读 · 7 评论 -
【知识点】IQ调制 IQ数据 星座图
将以下链接依次看完,就能明白IQ调试通信里 星座图 到底是什么意思啊?【通信原理 入坑之路】—— 详解IQ调制以及星座图原理什么是IQ调制,为什么要用IQ调制?什么是高阶调制数字调制系列:如何理解IQ ?(转载)用Matlab复现了第一个知乎链接中给出的代码,存放于https://github.com/ndwuhuangwei/py-radio-autoencoder,注释十分详细...原创 2021-08-07 20:04:17 · 1765 阅读 · 0 评论 -
【知识点】通信中的反向散射技术
参考论文: 反向散射通信技术与物联网传统反向散射技术如RFID,应用于商品识别、停车场收费系统等在要识别的物体上加标签,然后向其发射射频信号,根据反射回来的信号进行判断原创 2021-08-07 12:19:07 · 6143 阅读 · 0 评论