声学通信！多尺度-多滞后信道！水下作战！水下声学通道中的通信信号周期统计特性研究（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

文献来源：

水下声学传播对通信信号的周期统计特性的影响进行了建模和分析。考虑了两种类型的信道：多尺度-多滞后信道，通常用于移动和宽带声学系统之间的通信，以及由浅水中低频模态传播产生的色散信道。结果表明，多尺度-多滞后信道将周期性信号转换为速度和加速度相关的时间扭曲周期统计过程的总和。这种时间扭曲被认真考虑，以有效地恢复周期统计特性。另一方面，发现低频色散信道保留了原始的周期性，但会衰减较短的周期并传播相关性。为了说明理论结果，还提供了对模拟和实际数据的应用。具体而言，解决了多尺度-多滞后信道的时间变化多普勒尺度估计问题，以及具有独特周期统计特征的信号的检测。还讨论了在色散信道中应用盲符号速率估计的例子，特别关注了PSK、QAM、OFDM和DSSS信号。
索引词
声学通信、周期统计、模态色散、多尺度-多滞后信道、水下作战。

通信信号在定义上是随机且不可预测的。然而，由于重复的脉冲塑形、周期性载波、帧结构或编码，它们通常涉及周期性过程与其随机波动的组合。尽管通信信号本身不是时间的周期函数，但它们通常表现出统计特性，这些特性会周期性变化。它们属于所谓的周期统计（CS）过程集合。对CS信号的分析依赖于一个完善的理论，该理论扩展了历史上为静止信号开发的大多数信号处理工具。这样的理论主要旨在建模、揭示和利用CS信号的隐藏周期性（也称为“周期”），以提取相关信息。周期统计已在无线通信中找到了许多应用，如信号检测、调制分类和参数估计、源定位、干扰抑制或盲通道估计等。基于CS的算法具有几个有趣的特性。与所有基于统计的方法一样，它们对要处理的信号的先验知识要求很少，并且“在采用足够长的观测间隔来估计周期统计时，它们可能对噪声和干扰的影响具有免疫力”。

尽管在陆地射频通信环境中非常流行，基于CS的方法在专门用于水下声学通信（UAC）的文献中却鲜有涉及。水下声学通信的特定贡献示例包括多普勒尺度估计、符号速率估计和盲调制分类。然而，这些工作应用并测试射频方法，对水下信道的特定特征进行了很少的调整。例如，它们都假设运动引起的多普勒效应在某个（可能是短暂的）测量时间段内会导致接收信号的恒定时间压缩/膨胀。正如本文后文所示，这样的假设在高度移动的场景中可能被违反。

📚2 运行结果

部分代码：

% 1- Load the DSSS signal (after channel filtering) 

load('DISP_DSSS_data')

n_hydrophone = 1; % choose the number of hydrophones to use (must be less than 3)

% 2- Add noise

SNR     = 0; % (Specify a given value for the in-band SNR) 
Eb_N0   = SNR+10*log10(Ts*B/2); % deduce the value for Eb/N0;
signal  = DISP_DSSS_sig(:,1:n_hydrophone);
Eb      = sum(sum(abs(signal).^2,1),2)./(n_hydrophone*n_bits);
N0      = Eb*10.^(-Eb_N0/10);
noise   = sqrt(N0/2)*(randn(size(signal))+1i*randn(size(signal)));
r       = signal + noise;

switch n_hydrophone
    case 1
        disp('Using data from hydophone 1...')
        det_threshold =  det_threshold_h1;  
        figure
        [prr,f_dsp]=pwelch(r(:,1),1024,512,1024,fs,'centered');
        plot(f_dsp,10*log10(prr));
        xlabel('f (Hz)')
        ylabel('power/frequency (dB/Hz)')
        grid on;
        legend('Hydrophone #1')
        title('DSP of the received signal')
        xlim([-fs/2 fs/2])
    case 2    
        disp('Using data from hydophones 1 and 2...')
        det_threshold =  det_threshold_h2;
        figure
        [prr,f_dsp]=pwelch(r(:,1),1024,512,1024,fs,'centered');
        plot(f_dsp,10*log10(prr));
        grid on;
        hold on;
        [prr,f_dsp]=pwelch(r(:,2),1024,512,1024,fs,'centered');
        plot(f_dsp,10*log10(prr));
        xlabel('f (Hz)')
        ylabel('power/frequency (dB/Hz)')
        legend('Hydrophone #1','Hydrophone #2')
        title('DSP of the received signals')
        xlim([-fs/2 fs/2])
    otherwise
        disp('Using data from hydophones 1 to 3...')
        det_threshold =  det_threshold_h3;
        n_hydrophone = 3;
        figure
        [prr,f_dsp]=pwelch(r(:,1),1024,512,1024,fs,'centered');
        plot(f_dsp,10*log10(prr));
        grid on;
        hold on;
        [prr,f_dsp]=pwelch(r(:,2),1024,512,1024,fs,'centered');
        plot(f_dsp,10*log10(prr));
        [prr,f_dsp]=pwelch(r(:,3),1024,512,1024,fs,'centered');
        plot(f_dsp,10*log10(prr));
        xlabel('f (Hz)')
        ylabel('power/frequency (dB/Hz)')

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、数据、文章