該文章更新發表在我的新部落格:https://www.cnblogs.com/RyanXing/p/9468275.html
一、概述
接收機由信号解調器和檢測器組成。
信号解調器:
1) 功能:将接收波形
變換為N維向量
,N為發送信号波形的維數(線性組合的基底數)。
2) 變換方法:求接收波形在各基向量上的投影。
3) 兩種實作形式:
a) 基于比對濾波器的實作方法——比對濾波器。
b) 基于信号相關器的實作方法——相關解調器。
檢測器:
根據N維向量
的取值,判斷發送波形為哪一個
。
二、相關解調器的數學原理和解調過程
1、構造相關解調器
根據發送信号集
,構造正交基
。
即:發送信号可能的種類數為M,但維數隻有N。
要求:
中每一個信号
都可以表示成
的權重線性:
注意,正交基
的構造不考慮噪聲空間。
疊加了信道噪聲
後,接收信号
理論上可以分解為:
其中:
是誤差項,是噪聲中無法用基函數組合的部分。
2、得到接收信号在各基函數上的投影
令接收信号通過一組并行的個互相關器:
注意:由于還沒有考慮檢測器原理,是以該電路和最終實作電路不同!
其中:
就是信号
在基
方向上的投影,是我們需要的。
是高斯随機變量,由信道引入的加性噪聲決定。
這裡用到了一個結論:線上性空間外的噪聲
,對信号檢測(相關器輸出)沒有影響。原因很簡單:
是與
不相關的分量,是以積分為0。
最終相關器各路輸出為:
顯然,相關器的輸出和噪聲一樣滿足高斯分布(
是确定的函數值)。其均值和方差分别為:
是以,當發送信号在基函數上權重值為
時,最終得到向量
的機率服從聯合高斯分布:
三、檢測器的數學原理
1、MAP準則
理想情況下,我們希望接收機能得到所有後驗機率,最大後驗機率對應的
就是我們的判決結果:
2、ML準則 :Maximum Likelihood 最大似然
理想很豐滿,現實很骨感。後驗機率很難用電路獲得。
由貝葉斯公式進行變換:
其中:
是先驗機率,一般設為等概;
,與發送信号無關,不影響判決。
是以:尋找最大
,變成了尋找最大
。這個機率,恰好就是前面的信号解調器(相關器)計算得到的。
為了友善,我們通常取對數:
顯然,第一項是常數項,第二項是關于
單調的函數。
是以:尋找最大
,變成了尋找最小歐氏距離:
是以,基于ML的判決準則,又被稱為最小距離檢測。
進一步展開、化簡:
第一項是向量r的模值,對判斷沒有作用。設後兩項的相反數為相關度量:
第二項是接收信号的能量
,第一項是接收信号向量r在發送信号向量
上的投影:
是以:
最終結論:
a) 能使相關度量
最大的信号,就是我們的判決結果。
b) 我們希望:接收信号
能在信号解調器中,被轉換成相關度量。
c) 如果所有發送符号是等能量的,則
最大就是判決結果。
是以最終實作圖如下:
3、不等機率情況
此時,MAP準則不可以直接轉換為ML準則。
因為:
是以我們考慮
的最大值即可。結論和前面類似,也取對數。