无线通信均衡技术matlab仿真.doc
《无线通信均衡技术matlab仿真.doc》由会员分享,可在线阅读,更多相关《无线通信均衡技术matlab仿真.doc(6页珍藏版)》请在冰点文库上搜索。
![无线通信均衡技术matlab仿真.doc](https://file1.bingdoc.com/fileroot1/2023-5/11/b2292dea-2b43-4ee4-ae11-61e27e6acb6e/b2292dea-2b43-4ee4-ae11-61e27e6acb6e1.gif)
现给出迫零均衡(ZF)、最小均方误差均衡中的最小均方算法(LMS)的matlab程序,理解各程序,完成以下习题。
将程序运行结果及各题目的解答写入word中:
用matlab分别运行“main_zf.m”和“main_lms.m”
(a)在程序中标注“注释”处加上注释(英文或中文)。
(b)写出这两种算法实现的流程。
(c)运行程序,会得到关于信号的一系列图形,包括信号序列图、均衡前后眼图以及均衡前后的误码率图,分析这些图形,你能得到什么结论
答:
(a)在程序中标注“注释”处加上注释(英文或中文)。
main_zf程序:
dataout=conv(r,C);%注释:
接收信号进入ZF滤波器
title('迫零均衡后的眼图');%注释:
绘制眼图
snr_in_dB=[4:
11];%注释:
不同的误码率
N=[123];%注释:
不同的滤波器抽头系数(2N+1)
SNR=10^(snr_in_dB(jj)/10);%注释:
将dB形式的信噪比转化为线性的
err=0;%注释:
误码率清零
err1=0;%注释:
未经均衡的误码率清零
err1=0;%注释:
未经均衡的误码率清零
forkk=1:
10^3%注释:
仿真次数……这个不用注释了吧
x=2*round(rand(1,M)+P-0.5)-1;%注释:
产生一列01码
x2=awgn(x,SNR,'measured','linear');%注释:
按照SNR加入加性高斯白噪声
x1=conv(x2,h);%注释:
信号进入信道
y=conv(x1,C);%注释:
迫零均衡
L=(length(y)-M)/2;
y=y(L+1:
L+M);%注释:
只取卷积的一部分用于判决
y=sign(y);%注释:
判决
err=err+sum(abs(x-y))/2;%注释:
统计误码总数(经过均衡的)
L1=(length(x1)-M)/2;%注释:
确定取卷积的其实位置
x11=x1(L1+1:
L1+M);%注释:
只取卷积的一部分用于判决
y11=sign(x11);%注释:
err1=err1+sum(abs(x-y11))/2;%注释:
确定未经均衡的误码总数
err_rate(ii,jj)=err/(M*10^3)%注释:
经过均衡的误码率
err_rate1(1,jj)=err1/(M*10^3)%注释:
未经均衡的误码率
main_LMS.m函数
fori=1:
length(SNRdB)%注释:
仿真不同信噪比下的情形
disp(['目前仿真到第',num2str(i),'轮:
','SNR=',num2str(SNRdB(i)),'dB']);%注释:
在命令窗口输出当前仿真的轮数
TotalError=0;%注释:
初始化误码数
SNR=10^(SNRdB(i)/10);%注释:
转换成线性的信噪比
forJJJ=1:
Loops(i)%注释:
仿真轮数…
x=randsrc(1,N,[0,1;0.5,0.5]);%注释:
等概率产生01序列
x1=1-x*2;%注释:
将序列转换成双极性
x2=conv(x1,h);%注释:
信号进入信道
x3=AWGN(x2,SNR,'measured','linear');%注释:
双极性信号加入加性高斯白噪声
x6=filter(C,1,x3);%注释:
使用上面生成的多项式对加入噪声的信号进行滤波
x7=(1-sign(x6))/2;%注释:
判决
x8=x3<0;%注释:
过零判决
TotalError=TotalError+sum(abs(x-x7(3:
end)));%注释:
均衡后误码总数
totalerror1=totalerror1+sum(abs(x8(1:
end-2)-x));%注释:
均衡前误码总数
BER(i)=TotalError/(N-order)/Loops(i);%注释:
均衡后的误码率
ber1(i)=totalerror1/N/Loops(i);%注释:
均衡前的误码率
semilogy(SNRdB,BER,'r.-');%注释:
绘制误码率曲线
(b)写出这两种算法实现的流程。
迫零算法:
LMS算法:
(c)运行程序,会得到关于信号的一系列图形,包括信号序列图、均衡前后眼图以及均衡前后的误码率图,分析这些图形,你能得到什么结论
迫零算法:
无论是从多径序列还是从其眼图上,我们都可以发现信号的质量是非常差的,眼图的“眼睛”张开缝隙非常小,并且也存在定时抖动,而经过迫零论衡后的眼图的质量有着显著的提升,眼睛张开的很大,并且定时抖动也非常小,可以说是比较理想的。
从后面的误码率-信噪比曲线也可以看出来,经过迫零算滤波器处理的信号比未经均衡的信号有在同样的信噪比下有着更低的误码率,并且还可以发现,随着迫零滤波器的阶数的增加,相同信噪比下的误码率会降低。
LMS算法:
从眼图以及信号时域波形可以看出,未经均衡的信号的质量可谓非常差的,眼睛张开的程度非常小,相位抖动也非常大;经过LMS算法滤波后质量有所改观,总误码率-信噪比曲线上也可以证实这一点。
在相同的信噪比下,LSM算法均衡后可以不同程度的降低误码率,在仿真的信噪比(5~15dB)下,随着信噪比的增大,LMS算法均衡的降低误码率的作用就越明显。