博客
关于我
通信原理速识1:绪论
阅读量:309 次
发布时间:2019-03-01

本文共 1179 字,大约阅读时间需要 3 分钟。

模块1 通信系统的端到端框架

(一)模拟通信系统

模拟通信系统将信息直接以电信号形式传输。发送端通过将连续信息转换为基带信号(信源)进行传输,接收端则将电信号恢复为连续消息。调制器将基带信号调制为适合信道传输的带通信号,而解调器则在接收端将已调信号还原为基带信号。

(二)数字通信系统

数字通信系统通过对信源、信道和信号进行编码和调制来实现信息传输。具体包括:

  • 信源编码:通过A/D转换将模拟信号转为数字信号,并通过数据压缩技术减少码元数目和速率。
  • 信道编码:通过加入抗噪声成分增强信号的抗干扰能力。
  • 加密与解密:确保信息传输安全。
  • 调制与解调:将基带信号调制为带通信号并通过ASk、FSk、PSk、DPSk等方式传输。
  • 数字通信系统具有:

    • 抗干扰能力强,噪声不累积,便于数字信号处理。
    • 差错可控,易于集成和加密。

    (三)通信系统方式

  • 工作方式

    • 单工通信:仅单向传输。
    • 半双工通信:双向传输但不能同时收发。
    • 全双工通信:双向同时收发。
  • 信号传输方式

    • 并行传输:多个码元同时传输,速度快但成本高。
    • 串行传输:一个码元接着一个码元传输,适合远距离通信。
  • 模块2 重要概念与辨析

    (一)模拟信号与数字信号

    • 模拟信号:电信号参量取值连续。
    • 数字信号:电信号参量取值为有限个值。

    (二)连续时间信号与离散时间信号

    • 连续时间信号:信号自变量在连续时间内连续变化。
    • 离散时间信号:信号仅在离散时间点有定义。

    (三)通信系统分类

  • 按通信业务:蜂窝通信、卫星通信、电报通信。
  • 按调制方式:基带传输与带通信号传输。
  • 按信号特征:模拟通信与数字通信。
  • 按传输媒质:有线通信(光纤、同轴电缆)与无线通信(射频、微波)。
  • 按工作波段:长波、中波、短波、远红外线。
  • 按复用方式:频分复用、时分复用、码分复用。
  • 模块3 信息及度量方法

    (一)信息量

    信息量衡量消息中不确定内容的量度。公式为:[ I = -\log_a P(X) ]其中,( a ) 为基数,( P(X) ) 为事件发生概率。

    信息量单位:

    • ( a = 2 ):比特(bit)
    • ( a = e ):奈特(nats)
    • ( a = 10 ):哈特莱(hartleys)

    (二)等概率离散消息度量

    • 二进制信号每个码元信息量为1比特。
    • 四进制信号每个码元信息量为2比特。
    • 八进制信号每个码元信息量为3比特。

    (三)非等概率离散消息度量

    通过熵的概念衡量信息量的期望值。

    模块4 通信系统评价指标

    (一)有效性

    确保通信系统能够准确、可靠地传输信息。

    (二)可靠性

    衡量通信系统传输质量。关键指标包括:

    • 误码率(BER)和误比特率(FER)。
    • 误码率与误比特率何时相等:[ \text{BER} = \text{FER} \Rightarrow \frac{E_c}{N_0} = 2 ]

    通过调制技术和信道编码技术提高可靠性。

    转载地址:http://gsno.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
    查看>>
    OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
    查看>>
    OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
    查看>>
    OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
    查看>>
    OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
    查看>>
    OpenCV与AI深度学习 | 深度学习检测小目标常用方法
    查看>>
    OpenCV与AI深度学习 | 超越YOLOv10/11、RT-DETRv2/3!中科大D-FINE重新定义边界框回归任务
    查看>>
    OpenCV与AI深度学习 | 高效开源的OCR工具:Surya-OCR介绍与使用
    查看>>
    OpenCV与AI深度学习|16个含源码和数据集的计算机视觉实战项目(建议收藏!)
    查看>>
    Opencv中KNN背景分割器
    查看>>
    OpenCV中基于已知相机方向的透视变形
    查看>>
    OpenCV中的监督学习
    查看>>
    opencv中读写视频
    查看>>
    OpenCV中遇到Microsoft C++ 异常 cv::Exception
    查看>>
    opencv之cv2.findContours和drawContours(python)
    查看>>
    opencv之namedWindow,imshow出现两个窗口
    查看>>