jakes信道模型

Jakes 模型

前面我們介紹了多徑信道合成信號可表示為:
r(t)=Re{∑i=0N(t)?1ai(t)u(t?τi(t))ej2πfc(t?τi(t))+?Di(t)} r(t)=Re \left\{\sum_{i=0}^{N(t)-1}a_{i}(t)u(t-\tau_{i}(t))e^{j2\pi f_{c}(t-\tau_{i}(t))+\phi_{D_{i}}(t)} \right\} r(t)=Re????i=0N(t)?1?ai?(t)u(t?τi?(t))ej2πfc?(t?τi?(t))+?Di??(t)????
假設窄帶模型這個在OFDM系統中是可以滿足的即時延擴展遠小于符號長度,這樣符號時間內u(t?τi(t))=u(t)u(t-\tau_{i}(t))=u(t)u(t?τi?(t))=u(t),為了更好的描述基帶信號我們假設發射信號只是相位為?0\phi_{0}?0?未調制信號。
r(t)=Re{∑i=0N(t)?1ai(t)u(t)e?j2πfcτi(t)+?Di(t)}=∑i=0N(t)?1ai(t)e?j2πfcτi(t)+?Di(t)+?0 \begin{align*}r(t)&=Re \left\{\sum_{i=0}^{N(t)-1}a_{i}(t)u(t)e^{-j2\pi f_{c}\tau_{i}(t)+\phi_{D_{i}}(t)}\right\}\\&=\sum_{i=0}^{N(t)-1}a_{i}(t)e^{-j2\pi f_{c}\tau_{i}(t)+\phi_{D_{i}}(t)+\phi_{0}} \end{align*} r(t)?=Re????i=0N(t)?1?ai?(t)u(t)e?j2πfc?τi?(t)+?Di??(t)????=i=0N(t)?1?ai?(t)e?j2πfc?τi?(t)+?Di??(t)+?0??
這里我們假設觀察時間內變化足夠緩慢:ai(t)=ai,τi(t)=τi,fDi(t)=fDi,?Di(t)=2πfDita_{i}(t)=a_{i},\tau_{i}(t)=\tau_{i},f_{D_{i}}(t)=f_{D_{i}},\phi_{D_{i}}(t)=2\pi f_{D_{i}}tai?(t)=ai?,τi?(t)=τi?,fDi??(t)=fDi???Di??(t)=2πfDi??t,則可使用信道沖擊響應替換如下:
h(t)=∑i=0N(t)?1aie?j2πfcτi+2πfDit+?0=∑i=0N(t)?1aie?j?i(t) \begin{align*}h(t) &=\sum_{i=0}^{N(t)-1}a_{i}e^{-j2\pi f_{c}\tau_{i}+2\pi f_{D_{i}}t+\phi_{0}}\\&=\sum_{i=0}^{N(t)-1}a_{i}e^{-j\phi_{i}(t)}\\\end{align*} h(t)?=i=0N(t)?1?ai?e?j2πfc?τi?+2πfDi??t+?0?=i=0N(t)?1?ai?e?j?i?(t)?
其中?i(t)=2πfcτi?2πfDit??0\phi_{i}(t)=2\pi f_{c}\tau_{i}-2\pi f_{D_{i}}t-\phi_{0}?i?(t)=2πfc?τi??2πfDi??t??0?
Rh(Δt)=E[h(t)h?(t+Δt)]=E[∑iN(t)?1∑jN(t)?1aie?j?i(t)aj?ej?j(t+Δt)]=E[∑iN(t)?1∑jN(t)?1aiaj?e?j?i(t)ej?j(t+Δt)]=E[∑iN(t)?1∑jN(t)?1aiaj?e?j(2πfcτi?2πfDit??0)+j(2πfcτj?2πfDj(t+Δt)??0)]=E[∑i=0N(t)∣ai∣2e?j2πfDiΔt]=E[∑i=0N(t)∣ai∣2e?j2πfmcos?θiΔt] \begin{align*} R_{h}(\Delta t)&=E\left[ h(t)h^{*}(t+\Delta t)\right]\\ &=E\left[\sum_{i}^{N(t)-1}\sum_{j}^{N(t)-1}a_{i}e^{-j\phi_{i}(t)}a_{j}^{*}e^{j\phi_{j}(t+\Delta t)} \right]\\ &=E\left[\sum_{i}^{N(t)-1}\sum_{j}^{N(t)-1}a_{i}a_{j}^{*}e^{-j\phi_{i}(t)}e^{j\phi_{j}(t+\Delta t)} \right]\\ &=E\left[\sum_{i}^{N(t)-1}\sum_{j}^{N(t)-1}a_{i}a_{j}^{*}e^{-j(2\pi f_{c}\tau_{i}-2\pi f_{D_{i}}t-\phi_{0})+j(2\pi f_{c}\tau_{j}-2\pi f_{D_{j}}(t+\Delta t)-\phi_{0})} \right]\\ &=E\left[ \sum_{i=0}^{N(t)}|a_{i}|^2e^{-j2\pi f_{D_{i}}\Delta t} \right]\\ &=E\left[ \sum_{i=0}^{N(t)}|a_{i}|^2e^{-j2\pi f_{m}\cos \theta_{i}\Delta t} \right] \end{align*} Rh?(Δt)?=E[h(t)h?(t+Δt)]=E?iN(t)?1?jN(t)?1?ai?e?j?i?(t)aj??ej?j?(t+Δt)?=E?iN(t)?1?jN(t)?1?ai?aj??e?j?i?(t)ej?j?(t+Δt)?=E?iN(t)?1?jN(t)?1?ai?aj??e?j(2πfc?τi??2πfDi??t??0?)+j(2πfc?τj??2πfDj??(t+Δt)??0?)?=E?i=0N(t)?ai?2e?j2πfDi??Δt?=E?i=0N(t)?ai?2e?j2πfm?cosθi?Δt??
i≠ji\neq ji=jai,aj,?i,?ja_{i},a_{j},\phi_{i},\phi_{j}ai?,aj?,?i?,?j?相互獨立,fDi=fmcos?θif_{D_{i}}=f_{m}\cos\theta_{i}fDi??=fm?cosθi? ,功率歸一化E{∣ai∣2}=1E\{|a_{i}|^2\}=1E{ai?2}=1,當存在N條路徑N→∞,θ∽(0,2π)N \to \infty,\theta \backsim(0,2\pi)Nθ(0,2π)。看文獻好像大于8條多徑就可以了。
Rh(Δt)=12π∫?ππe?j2πfmcos?θΔtdθ=1π∫0πe?j2πfmcos?θΔtdθ=J0(2πfmΔt) \begin{align*}R_{h}(\Delta t)&=\frac{1}{2\pi}\int_{-\pi}^{\pi}e^{-j2\pi f_{m}\cos\theta\Delta t} d\theta\\&=\frac{1}{\pi}\int_{0}^{\pi}e^{-j2\pi f_{m}\cos\theta\Delta t} d\theta\\&=J_{0}(2\pi f_{m}\Delta t) \end{align*} Rh?(Δt)?=2π1??ππ?e?j2πfm?cosθΔtdθ=π1?0π?e?j2πfm?cosθΔtdθ=J0?(2πfm?Δt)?

0 階貝塞爾函數性質
J0(x)=1π∫0πe?jxcos?θdθJn(?x)=(?1)nJn(x)J0(x)=J0(?x)J_{0}(x)=\frac{1}{\pi}\int_{0}^{\pi}e^{-jx\cos\theta}d\theta\\J_{n}(-x)=(-1)^{n}J_{n}(x)\\J_{0}(x)=J_{0}(-x) J0?(x)=π1?0π?e?jxcosθdθJn?(?x)=(?1)nJn?(x)J0?(x)=J0?(?x)
上面我的得到了多徑多普勒信道下的時域相關性描述。

本文來自互聯網用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務,不擁有所有權,不承擔相關法律責任。
如若轉載,請注明出處:http://www.pswp.cn/diannao/90598.shtml
繁體地址,請注明出處:http://hk.pswp.cn/diannao/90598.shtml
英文地址,請注明出處:http://en.pswp.cn/diannao/90598.shtml

如若內容造成侵權/違法違規/事實不符,請聯系多彩編程網進行投訴反饋email:809451989@qq.com,一經查實,立即刪除!

相關文章

JVM類加載機制解析

什么是類加載器? 類加載器是JVM的核心組件之一,負責將Java字節碼文件(.class文件)加載到JVM內存中。由于JVM只能執行二進制字節碼,類加載器的作用就是將編譯后的.class文件轉換為JVM可以理解和執行的格式,使…

用Python和OpenCV從零搭建一個完整的雙目視覺系統(二)

本系列文章旨在系統性地闡述如何利用 Python 與 OpenCV 庫,從零開始構建一個完整的雙目立體視覺系統。 本項目github地址:https://github.com/present-cjn/stereo-vision-python.git 項目架構設計:藍圖、分工與工作流 在上一篇文章中&#…

億級流量下的緩存架構設計:Redis+Caffeine多級緩存實戰

億級流量下的緩存架構設計:RedisCaffeine多級緩存實戰 一、為什么需要多級緩存? 在億級流量場景下,單純依賴Redis會遇到三大瓶頸:網絡延遲:Redis遠程訪問通常需要1-5ms,QPS超過10萬時成為瓶頸資源成本&…

AI基建還能投多久?高盛:2-3年不是問題,回報窗口才剛開啟

高盛表示,盡管AI商業化變現仍處早期階段,但基于成本削減的第一階段回報已經顯現。預測到2030年AI自動化可為財富500強企業節省約9350億美元成本。分析師認為,這一早期收益足以支撐當前AI基礎設施投資水平,盡管增長率可能放緩。雖然…

【mac】快捷鍵使用指南

在Mac上,根據選擇對象的不同,在選擇時移動的方法也有所不同,以下是具體介紹: 移動文件或文件夾:可通過拖放操作移動。打開“訪達”(Finder),找到要移動的文件或文件夾,按…

CS144 lab2 tcp_receiver

1. 實驗目的 lab2 的目的是實現tcp的接收端。 主要包括兩方面 (1) 從發送端接收消息,使用Reassembler聚合字節流(Bytestream) (2)將確認號(ackno)和window size發回對端 …

【論文筆記】A Deep Reinforcement Learning Based Real-Time Solution Policy for the TSP

《基于 DRL 和 DCNN 的實時 TSP 求解策略》IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 24, NO. 6, JUNE 2023一段話總結本文提出了一種基于深度強化學習(DRL) 和深度卷積神經網絡(DCNN) 的實時旅行商問題&am…

MMaDA:多模態大型擴散語言模型

集眾家之所長,成大一統。普林斯頓大學、北京大學、清華大學、字節跳動的研究者將“文本推理、多模態分析、圖像生成”三大方向融合在一個單一擴散模型里,并用恰當的優化策略來提升模型在各個方向的性能。 研究動機 研究人員致力于開發一個能夠處理多種模…

容器技術入門與Docker環境部署

容器技術入門與Docker環境部署Docker概述什么是 DockerDocker 的優勢Docker 的應用場景Docker 核心概念(1)鏡像(2)容器(3)倉庫Docker 安裝1.關閉系統防火墻和內核2.下載Docker的repo文件3.替換倉庫地址4.更新索引文件并安裝Docker5.添加國內鏡像站6.開啟Docker服務7.優化內核參…

【01】MFC入門到精通—— MFC新建基于對話框的項目 介紹(工作界面、資源視圖 、類視圖)

文章目錄1 創建工程2 運行3 工作界面介紹3. 1 類視圖 Class View3.2 如何打開 類視圖3.3 資源視圖1 創建工程 選擇菜單項 文件->新建->項目,彈出 “新項目” 對話框。 選擇 MFC,點擊下一步,然后鍵入工程名稱,本例取名“Add…

2025!在Windows的Python中安裝GDAL包(小白能成!)

最近更新 在2025.06.05日,GDAL發布預告:新版本將適配pipeline和向量讀寫功能。 直到2025.06.25日,最新的版本才算發行出來。 有朋友催我趕緊更新教程,我上次更新是3月份的時候了,恰好是GDAL上一個版本出來的時間。 前…

Python第一次作業

# 1.技術面試題**(1)TCP與UDP的區別是什么?****答:TCP 是 “可靠但較慢” 的協議,適合對數據完整性要求高的場景;UDP 是 “快速但不可靠” 的協議,適合對實時性要求高的場景。兩者互補&#xff…

Linux【大數據運維】下制作Redis綠色免安裝包(一)

linux下安裝Redis比較繁瑣,遇到內網部署環境更是麻煩。根據經驗將Redis打包一個綠色版進行使用。 大體思路,在一臺正常的機器上面制造好安裝包,然后上傳到內網服務器,解壓使用。 下載: wget https://download.redis…

89104 PCIe Switch芯片國產替代 - PCIE5.0國產AI服務器高性能擴展,支持海光/龍芯/飛騰等

以下是針對89104 PCIe Switch芯片國產替代的高性能PCIe 5.0 AI服務器擴展方案的詳細分析:一、核心國產替代芯片:TL63104控制器?技術規格?支持PCIe 5.0全速率(32 GT/s),提供968 Lanes配置,聚合雙向帶寬達1…

Docker跨架構部署實操

需求場景 python項目,開發環境以及可供測試的環境為X86架構下的LINUX服務器,但正式環境需要部署在ARM架構下的麒麟服務器,且正式環境后續可能會長時間處于斷網狀態,需要一份跨架構的部署方案。 解決思路 在 X86 上打包、在 ARM&am…

JavaScript 樹形菜單總結

樹形菜單是前端開發中常見的交互組件,用于展示具有層級關系的數據(如文件目錄、分類列表、組織架構等)。以下從核心概念、實現方式、常見功能及優化方向等方面進行總結。 一、核心概念 層級結構:數據以父子嵌套形式存在,如{ id: 1, children: [{ id: 2 }] }。節點:樹形結…

【python實用小腳本-131】Python 實現 HTML 到 PDF 轉換:解決文檔處理痛點的高效工具

引言 在當今數字化辦公環境中,文檔格式的轉換需求日益頻繁。假設你是一位市場營銷人員,需要將公司網站的產品介紹頁面(HTML 格式)轉換為 PDF 文檔,以便用于線下宣傳。然而,手動復制粘貼內容并調整格式不僅…

【Linux操作系統】簡學深悟啟示錄:Linux基本指令

文章目錄1.什么是操作系統?2.Xshell的使用3.常用指令3.1 ls指令3.2 pwd指令3.3 cd指令3.4 touch指令3.5 mkdir指令3.6 rmdir指令 && rm指令3.7 man指令3.8 cp指令3.9 mv指令3.10 cat指令3.11 echo指令(重定向)3.12 more指令3.13 less…

「py數據分析」04如何將 Python 爬取的數據保存為 CSV 文件

如何將 Python 爬取的數據保存為 CSV 文件 從原始網絡數據到純凈 CSV - 搭建通往分析的橋梁 恭喜你!經過前面的努力,你的 Python 腳本終于成功地從一個網站上爬取了數據,一個充滿信息的寶庫正靜靜地躺在你的變量中。但接下來呢?…

qemu vcpu的創建過程

在 QEMU 中,vCPU 線程的啟動流程涉及多個階段,包括初始化、線程創建和執行邏輯。以下是基于搜索結果的詳細分析: QEMU vCPU 線程的啟動流程 1. 初始化階段 設備實例化:QEMU 使用 QOM(QEMU Object Model)系統…