奈奎斯特定理和香农第二定理

最新推荐文章于 2023-10-31 18:51:57 发布

者乎之类的

最新推荐文章于 2023-10-31 18:51:57 发布

阅读量1.1w

点赞数 12

分类专栏：通信原理

本文链接：https://blog.csdn.net/weixin_44884357/article/details/104454655

版权

通信原理专栏收录该内容

20 篇文章 10 订阅

订阅专栏

奈奎斯特定理：若信道带宽为W,则最大码元速率R=2W。
理想情况下，时域码元主瓣长度的倒数为W,频域基带带宽只需要W，而时域码元速率可以达到2W 在这里插入图片描述
.

讲奈奎斯特定理，先讲一下门函数和Sa函数的傅里叶变换

在这里插入图片描述

即 不管是Sa函数还是门函数，时域主瓣宽度为a，频率为b=1/a时，傅里叶变换主瓣宽度为2b 。

右图，当传码率为fB时，即码元间隔Tb=1/fB时，一个Sa函数的主瓣宽度为2Tb,对应频率为1/2Tb=fB/2,傅里叶后得到的门函数（左图)的宽度为两倍的fB /2=fB ,即2fch=fB ,得到最小理论传输带宽为 $f_{c h}=\frac{1}{2} f_{B}$
到这里就得到了奈奎斯特定理：Cmax = 2B * log（L）
B是信道带宽，Cmax是最大信道带宽，L是电平个数。
也就是说，当电平为2电平时，Cmax=2B，4电平时Cmax=2B*2。为什么四电平时乘以2呢？因为一方面四电平时一个符号上承载的信息是2bit了，另一方面四电平时所需要的带宽和2电平时是一样的。这里应该用类似于下式的公式证明，在此就不证了（应该不会，不试了），只用2电平和四电平的matlab频谱图说明一下在这里插入图片描述

clear all
data=randi(2,2000,1)-1;
datain=reshape(data,1000,2);
for ii=1:1:1000
    if (datain(ii,1)==0&&datain(ii,2)==0)
        signal(ii)=0;
    elseif (datain(ii,1)==0&&datain(ii,2)==1)
        signal(ii)=1;
    elseif (datain(ii,1)==1&&datain(ii,2)==0)
        signal(ii)=2;%2电平改成0
    else signal(ii)=3;%2电平改成1
    end
end
signal=repmat(signal,16,1);%设RB=1，则fs=16
signal=reshape(signal,16000,1);
 N = nextpow2(16000)-1;
 
    y = abs(fft(signal(1:2^N),2^N)).^2;
    y = y/max(y);
    Psd = y(1:2^(N));
    freq = (1:length(Psd))/(length(Psd))*(16)-16/2;
figure(1)
plot(freq,[10*log10(Psd(2^(N-1)+1:end))' 10*log10(Psd(1:2^(N-1)))']')
xlabel('Frequency / Hz')
ylabel('psd')
 axis([ -16/2 16/2 -100 0])
grid on

下图上为2电平基带频谱图，下为4电平基带频谱图，可以看到是类似的，即主瓣宽度是类似的，那么带宽是一样的

ps:上图中为什么中心频率处有一极大值？
用的单极性信号（0和1），功率谱是由连续谱和直流分量组成，若用双极性（-1和1）则功率谱就只有连续谱没有直流分量了如下图
在这里插入图片描述

于此得到了奈奎斯特定理：Cmax = 2B * log（L）

B是信道带宽，Cmax是最大信道带宽，L是电平个数。

那么奈奎斯特定理和香农第二定理有什么关系呢？
问题1：奈奎斯特定理是香农定理的极限形式吗？
这里的极限是指信噪比趋于正无穷的意思。
还有第二个问题：为什么香农定理不受码元可取的离散值个数的影响？
香农定理：Cmax=B * log（1+S/N）
那奎斯特定理：Cmax = 2B * log（L）
先回答第二个问题，S/N确定了，最多能有几个电平量就确定了。 如果两个电平量离得太近了，就会因为噪音无法区分。比如电平为0，会因为噪音变成（-N，N）中的任何数。另一个电平如果不和它冲突，就只能取比2N大或者比-2N小的电平。在信号最大强度是S时，电平量可以取值范围是[-S，S]。两个电平量之间至少间隔2N，所以可用的电平量个数最多就是S/N+1。这样就可以简单（但不严谨）地理解香农定理。回到第一个问题，那奎斯特定理是针对无噪音信道的。没有噪音，两个电平量之间就可以无限接近，可以有无穷多个电平量，所以容量可以到无穷大。这时考虑其他因素（比如信号检测的灵敏度），需要对电平量个数给出限制，假设最多只能有L个电平量，就得到了那奎斯特定理。那奎斯特定理里还有一个系数2，是因为它针对的是低通信道，公式里的B不是信道带宽，而是最高频率。这样信道的带宽就是从-B到B，有2B宽。

2020.3.18补充

香农定理：Cmax=B * log（1+S/N）中的S/N是EbN0还是EsN0呢？答案是都不是。EsN0是每个符号的功率和噪声的比值，S/N才是信噪比，不过有时候都把这些概念叫做信噪比了。参考香农限
 参考你真的懂了与信噪比类似的相关概念了吗？

2020.3.10补充

香农定理告诉我们，在保证通信容量一定的前提下，信道带宽可以和信噪比互换。应用的最好的一个例子就是CDMA系统，原理就是通过扩频来降低信噪比要求，并且可以利用不同码组区分不同用户。
当使用扩频系统时，信号解扩时都是乘以扩频码后，进行时域累加运算，累加，就是将一个码扩频成的多个码乘以扩频码后累加。在累加的过程中，噪声不会累加（噪声抵消了，就两零均值高斯相加仍然是零均值高斯），有用信号进行累加了。所以就能恢复出原始数据了。如下图
在这里插入图片描述
附源码：

clear all
N=1024*128

;

fc=5;
fs=20;
k=60;
ts=1/fs;
snr=-20;
samplesPerCode = 2;
t=0:1/fs:N/fs-1/fs;
yuan=round(rand(1,10000))*2-1;
yuanvalueundex=ceil((1:N)/k);
yuan1=yuan(yuanvalueundex);
s1=yuan1;
% plot(s1);
pwsq=abs(fft(s1));
subplot(321)
plot(pwsq);
title('扩频前');



s2=awgn(s1,snr);
pws=abs(fft(s2));
subplot(325)
plot(pws);
title('未扩频加噪声后');
% k=60;
% for j=1:N/k
%     s(k*(j-1)+1:k*j)=sum(s2(k*(j-1)+1:k*j));
% end
% % plot(s0);
% pws1=abs(fft(s));
% subplot(326)
% plot(pws1);
% title('虚假');

caCode = generateCAcode(1);
longCaCode = caCode((rem(floor(t), 1023) + 1));
st=s1.*longCaCode;  %扩频
pws=abs(fft(st));
subplot(322)
plot(pws);
title('扩频后');


s2=awgn(st,snr);
pws=abs(fft(s2));
subplot(323)
plot(pws);
title('扩频加噪声后');


s0=s2.*longCaCode;
pws1=abs(fft(s0));
subplot(324)
plot(pws1);
title('解扩后未累加');
k=60;
for j=1:N/k
    s(k*(j-1)+1:k*j)=sum(s0(k*(j-1)+1:k*j));
end
% plot(s0);
pws1=abs(fft(s));
subplot(326)
plot(pws1);
title('解扩后累加');
%实际上，你接收时，如果能累加，就表明你用多个码传递了一个码的信息，这就已经相对是扩频了，
%不管你有没有乘以扩频码（没乘就相当于乘以了全1序列）（ps:不考虑采样问题）

越想越觉得香农定理牛逼。一个定理能满足这么多的实际解释。
再从扩频通信延申：
为什么不同的扩频码可以区分不同的用户呢？他们在时域上不是叠加吗？答曰利用的是扩频码的正交性，类似于傅里叶分解时求系数的那么一个过程，正交的相乘累加后为0了，原始相乘累加就成一个大值了。
举个例子：
1.用户1的码：a1=(-1 -1 -1 -1 1 1 1 1)
2.用户2的码：a2=(-1 1 -1 1 1 -1 1 -1)
3.用户1的数据：d1=110
4.用户2的数据：d2=010
下面开始扩频过程，假设发给用户1和用户2的数据叠加在一起，用户1的数据最终成为：
(-1 -1 -1 -1 1 1 1 1)|(-1 -1 -1 -1 1 1 1 1)|(0 0 0 0 0 0 0 0) 【前面的|隔开的是用户1的三位数据编码后的结果，每一位用户数据都是标量，和码相乘，结果还是向量】；
用户2的数据最终为：
(0 0 0 0 0 0 0 0)|(-1 1 -1 1 1 -1 1 -1)|(0 0 0 0 0 0 0 0) ，
二者叠加后为：
(-1 -1 -1 -1 1 1 1 1)|(-1 -1 -1 -1 1 1 1 1)|(0 0 0 0 0 0 0 0)
(0 0 0 0 0 0 0 0)|(-1 1 -1 1 1 -1 1 -1)|(0 0 0 0 0 0 0 0)

(-1 -1 -1 -1 1 1 1 1)|(-2 0 -2 0 2 0 2 0)|(0 0 0 0 0 0 0 0)
最终结果是：
(-1 -1 -1 -1 1 1 1 1)|(-2 0 -2 0 2 0 2 0)|(0 0 0 0 0 0 0 0)
与(-1 -1 -1 -1 1 1 1 1)相乘后累加得（8，8，0）；即用户1发送数据为110
与(-1 1 -1 1 1 -1 1 -1)相乘累加后得（0，8，0）；即用户2发送数据为010
就解扩出来原始数据了，并且区分出不同用户了。
参考：https://www.zhihu.com/question/353164949/answer/875460884
https://blog.csdn.net/dog250/article/details/6420427

分割线

以上讨论的都是香浓第二定理，下补充香浓第一定理：
香农第一定理(可变长无失真信源编码定理)
设离散无记忆信源X包含N个符号{x1,x2,…,xi,…,xN}，信源发出K重符号序列，则此信源可发出N^k个不同的符号序列消息，其中第j个符号序列消息的出现概率为PKj，其信源编码后所得的二进制代码组长度为Bj，代码组的平均长度B为B=PK1B1+PK2B2+…+PKN＊BN
信息量的表示:
h(x)=-log2p(x)
信息熵的表示：
在这里插入图片描述
信息熵即是信息量的均值。
香农第一定理又称为无失真信源编码定理或变长码信源编码定理。

它告诉我们平均码长B小于等于平均信息量信息熵H。但总有一种编码方式使得B=H。
香农第一定理的意义：将原始信源符号转化为新的码符号，使码符号尽量服从等概分布，从而每个码符号所携带的信息量达到最大，进而可以用尽量少的码符号传输信源信息。

2020.6.6补充

OFDM的子载波间隔最低能达到奈奎斯特带宽，也就是说（在不考虑最旁边的两个子载波情况下），OFDM达到了理想信道的频带利用率

者乎之类的

关注

12
点赞
踩
44

收藏

觉得还不错? 一键收藏
3
评论
奈奎斯特定理和香农第二定理

讲奈奎斯特定理，先讲一下门函数和Sa函数的傅里叶变换即不管是Sa函数还是门函数，时域主瓣宽度为a，频率为b=1/a时，傅里叶变换主瓣宽度为2b。右图，当传码率为fB时，即码元间隔Tb=1/fB时，一个Sa函数的主瓣宽度为2Tb,对应频率为1/2Tb=fB/2,傅里叶后得到的门函数（左图)的宽度为两倍的fB /2=fB ,即2fch=fB ,得到最小理论传输带宽为fch=12fBf_{c ...
复制链接

扫一扫