Jump to content

    

coding4dsp

Участник
  • Content Count

    40
  • Joined

  • Last visited

Community Reputation

0 Обычный

About coding4dsp

  • Rank
    Участник

Recent Profile Visitors

566 profile views
  1. Мотивация - использование фильтров в лучшей АЧХ (большее подавление в полосе затухания), чем у фильтра с прямоугольной импульсной характеристикой (как в классическом FFT). У Сергиенко в Цифровой обработке сигналов (3-изд.) см главу Банки фильтров.
  2. Не совсем понял ваш вопрос. Если речь о расчете ArrayFactor, то в сигналах Ant1,2 фазы уже рассчитаны для заданного направления прихода сигнала.
  3. Как правильно описать модель Mutual Coupling в бейсбэнде (в квадратурах, комплексные числа) для цифрового сигнала для приёмника с двумя антеннами, RF-тракты разные, система SIMO? На данный момент я описываю модель следующим образом исходя только из интуитивных соображений. y1(nK) = Ant1(nK) + Ant2(nK) * gain * exp(1j*w1); y2(nK) = Ant2(nK) + Ant1(nK) * gain * exp(1j*w2); Ant - цифровой сигнал, к сигналу антенны имеет отношение только такое, что я его так трактую. gain - ослабление, пускай 40 дБ по мощности. Фазы w1 и w2 я моделирую, как независимые и случайные на время моделирования.
  4. Декодер Витерби

    На Figure 5 представлен алгоритм нормализации двух метрик, когда мы находимся в одном состоянии. Когда мы прошли все состояния, нужно выбрать одно из максимальных. Ну да, по всем состояниям тоже можно пройтись этой модульной логикой. Вы это имели в виду? Я сейчас понял, что я написал про нюанс в реализации в турбо-декодере, где нормализованные по модулю альфа и бетта суммируются с гаммой. Там мне пришлось сделать "вторичную" нормализацию к единому квадранту, потому что финальные LLR у меня без нормализации...
  5. Декодер Витерби

    С модульной нормализацией есть нюанс. Когда все метрики уже нормализованы и нужно найти состояние решетки с наилучшей метрикой, то может оказаться так, что нормализованные метрики расположены на границах переходов разрядной сетки от + к - (в квадрантах 2 и 3). Нужно это учитывать. Если все это и так знают, то хорошо. Я же с этим чуток повозился. Пришлось делать приведение всех метрик к одному квадранту перед определением состояния с наилучшей метрикой.
  6. Я планирую декодировать канальные LLRы. LLR же рассчитываю с учетом оценки канала. А как подобрать под канал? У меня обратной связи между ПРМ и ПРД нет. А так я знаю, под каждый рассматриваемый канал, сколько из 100 принятных символов будут статистически ненадежными.
  7. Декодер Витерби

    В первую очередь рассматривают АБГШ канал.
  8. Декодер Витерби

    По bit error ratio (BER). Если ваш декодер правильно реализован, то графики BER совпадут с матлабовскими.
  9. Декодер Витерби

    https://www.mathworks.com/help/comm/ug/estimate-ber-for-hard-and-soft-decision-viterbi-decoding.html Качайте, матлаб!
  10. Декодер Витерби

    А вам BER нравится? Сравнивали с эталоном из матлабовского bertool, например? Методом нормализации целочисленных метрик много: вычитание на каждом шаге минимальной, по модулю-2 и пр. Без нормальзации метрик BER становится правильным?
  11. Вот хочу я, например, супер-надежно передать 1 бит по беспроводному каналу. Есть много места под избыточность, порядка 100 бит. Первое, что приходит в голову использовать 2^1 ортогональных кодовых слов длины 100. На приеме декодировать их по ML (коррелятор). А какие еще есть подходы для низко скоростного кодирования единиц бит? Посмотрел стандарт LTE. Есть там сообщения из 1-2 бит: HARQ и CFI. В обоих случаях используется блоковый код (терминология стандарта). По сути, этот блоковый код и есть набор ортогональных кодовых слов. Для HARQ код (1,3), а для канала CFI - (4,32). Похоже на то, что я написал в самом начале о моей задумке. Это и стоит использовать?
  12. Декодер Витерби

    BER не понравился?
  13. С математической точки зрения, такого не может быть. ЦП нужен для устранения МСИ от предыдущего символа. При точной синхронизации на приеме по времени и частоте после отбрасывания ЦП каких-либо изменений в бинах быть не должно.
  14. Сумбурно... Наткнулся на сайт https://www.deepsig.io/. Стартап, который разрабатывает "принципиально" новые беспроводные решения. Есть два решения: анализатор спектра и что-то непонятное под название OmniPHY. Я уже видел статьи, где машин лернинг используется для классификации и обнаружения радиосигналов. А вот с brandNew Machine Learning беспроводными системами я не сталкивался. Вот вроде бы есть оптимальные метода приема, эквалайзеры, вариации каналов и пр, которые активно обсуждаются на форуме. Неужели нейронные сети действительно хорошо справятся не только с задачами классификации, но и приема? Надо ли переучиваться на Machine Learning? Кто-то есть в теме данного направления?
  15. Я не понимаю, это вы так стебётесь?