7003
.pdfКогда мы запускаем эту схему, мы добавили немного шума (0,2), некоторое смещение частоты 0,025) и некоторое смещение времени (1,0005), чтобы увидеть результирующий сигнал.
Порядок выполнения работы
1.Соберите схему на рис 1.
2.Посмотрите как влияет добавление шума, смещение частоты и смещение времени на QPSK сигнал.
Лабораторная работа 5
Синхронизация времени, частоты и фазы в приемнике QPSK сигнала
Существуют различные алгоритмы, которые мы можем использовать для восстановления тактового сигнала в приемнике, и почти все они включают какой-либо контур управления с обратной связью. Те, которые этого не делают, обычно основаны на данных с использованием известного слова, такого как преамбула. Мы будем использовать метод восстановления тактового сигнала многофазного набора фильтров, который можно найти в книге Фреда Харриса « Многоскоростная обработка сигналов для систем связи ». Этот блок делает для нас три вещи. Во-первых, он выполняет восстановление времени. Во-вторых, он выполняет согласованный фильтр приемника, чтобы устранить проблему ISI. В- третьих, он снижает частоту дискретизации сигнала и производит выборки с частотой 1 отсчет в секунду.
Блок работает, вычисляя первый дифференциал входящего сигнала, который будет связан со смещением его часов. Если мы сначала смоделируем это очень просто, мы увидим, как дифференциальный фильтр будет работать для нас. Во-первых, используя блок-схему в примере symbol_ Differential_filter.grc, мы можем увидеть, как все выглядит идеально, когда наш параметр rate равен 1 (т. е. нет смещения часов). Образец, который нам нужен, очевидно, равен 0,22 мс. Разностный фильтр ([-1, 0, 1]) генерирует дифференциал символа, и, как показано на следующем рисунке, выход этого фильтра в правильной точке выборки равен 0. Затем мы можем инвертировать это утверждение и вместо этого сказать, когда выход дифференциального фильтра равен 0, мы нашли оптимальную точку дискретизации.
21
Рис. 5.1. Схема дифференциального фильтра
Что происходит, когда у нас есть смещение времени? Рис 2 справа, показывает, что при смещении времени фильтр производной не показывает нам точку в нуле.
Рис. 5.2. Выход дифференциального фильтра
Применим этот блок в нашей симуляции. Пример потоковой диаграммы mpsk_stage3.grc берет выходные данные модели канала и передает их через наш блок синхронизации многофазных часов. Блок также принимает значение для ожидаемых выборок на символ, но это только наше предположение о том, каким, по нашему мнению, должно быть это значение. Внутри блок будет адаптироваться вокруг этого значения на основе скоростей входящего сигнала. Обратите внимание, однако, что я настроил эту симуляцию так, что оценка немного отличается от 4-х семпла в секунду, с которыми мы передаем. Это должно имитировать начальное смещение синхронизации между передатчиком и приемником, поскольку мы инициализируем наш элемент управления смещением синхронизации равным 1,0.
Вместо того, чтобы использовать один фильтр, мы можем создать серию фильтров, каждый из которых имеет свою фазу. Если у нас есть достаточно фильтров на разных фазах, один из них является правильной фазой фильтра, которая даст нам желаемое значение времени. Давайте посмотрим на симуляцию, которая создает 5 фильтров, что означает 5 разных фаз. Думайте о
22
каждом фильтре как о сегментации единичного круга (от 0 до 2pi) на 5 равных частей. Используя пример потокового графа symbol_ Differential_filter_phases.grc, мы можем увидеть, как это нам помогает. Обратите внимание, что здесь мы используем дробный ресемплер , потому что он упрощает фазовый сдвиг (между 0 и 1), но также изменяет задержки фильтров сигналов, поэтому мы исправляем это, используя последующие блоки задержки.
.
Рис. 5.3. Банк дифференциальных фильтров.
Рисунок ниже дает нам представление о том, с чем мы имеем дело, хотя и немного неточное. Мы можем видеть, что сигнал, помеченный как d(sym0)/dt + phi3, имеет точку выборки в 0. Это говорит нам о том, что наша идеальная точка выборки находится при этом сдвиге фазы. Следовательно, если мы возьмем фильтр RRC нашего приемника и отрегулируем его фазу на phi3 (что равно 3*2pi/5), то мы сможем скорректировать несоответствие временных характеристик и выбрать идеальную точку дискретизации на этом шаге дискретизации.
23
Рис. 5.4. Выход банка дифференциального фильтра Но, как мы уже говорили, это всего лишь смоделированное приближение;
на самом деле выборки каждого фильтра не будут происходить в один и тот же момент времени. Мы должны увеличить частоту дискретизации на количество фильтров (например, 5), чтобы действительно увидеть это поведение. Однако это может подсказать нам, что происходит немного дальше. Мы можем рассматривать эти разные фильтры как части одного большого фильтра, передискретизированного M, где M=5 в нашем простом примере здесь. Мы могли бы повысить дискретизацию нашего входящего сигнала на это значение и выбрать момент времени, когда мы получим 0 на выходе дифференциального фильтра. Проблема в том, что мы говорим о большой дополнительной вычислительной сложности, поскольку она пропорциональна нашей частоте дискретизации. Вместо этого мы работаем над фильтрами разных фаз на входной частоте дискретизации, но с набором фильтров на этих разных фазах.
Итак, в нашем примере выше мы сместили нашу частоту дискретизации на некоторый известный коэффициент 1,2 и обнаружили, что можем использовать один из пяти фильтров в качестве идеальной точки дискретизации. К сожалению, у нас действительно есть только 5 разных фаз, которые мы можем точно воспроизвести и скорректировать здесь. Любое смещение выборки между этими фазами по-прежнему будет давать несвоевременную выборку с добавленной ISI, как мы исследовали ранее. Поэтому вместо этого мы используем более 5 фильтров в нашем алгоритме восстановления часов. Не углубляясь в математику (см. книгу Харриса, упомянутую выше), мы можем использовать 32 фильтра, чтобы получить максимальный коэффициент шума ISI, который меньше, чем шум квантования 16-битного значения. Если нам нужна точность более 16 бит, мы можем использовать больше фильтров.
И что? У нас есть большой банк фильтров, один из которых находится на идеальном смещении фазы дискретизации (или очень близко к нему). Как мы автоматически находим это? Ну, мы используем контур управления 2-го порядка, как мы почти всегда делаем в таких ситуациях восстановления. Сигнал ошибки для восстановления является выходом дифференциального фильтра.
24
Контур управления начинается с одного из фильтров и вычисляет выходной сигнал как сигнал ошибки. Затем он перемещается вверх или вниз по банку фильтров пропорционально сигналу ошибки, и поэтому мы пытаемся найти, где этот сигнал ошибки ближе всего к 0. Это наш оптимальный фильтр для точки выборки. И поскольку мы ожидаем, что часы передачи и приема будут дрейфовать относительно друг друга, мы используем контур управления второго порядка, чтобы получить как правильную фазу фильтра, так и разницу скоростей между двумя часами.
Порядок выполнения работы
1.Откройте файл mpsk_stage3.grc.
2.Изменяя параметры Noise voltage, Frequency offset, Timing offset посмотрите как меняется созвездие QPSK модуляции на выходе канала и после блока синхронизации.
Лабораторная работа 6 Использование эквалайзера на основе машинного обучения для коррекции
искажений в многолучевом радиоканале
Многолучевое распространение возникает из-за того факта, что в большинстве коммуникационных сред у нас нет единственного пути для прохождения сигнала от передатчика к приемнику. Как показано на рисунке ниже, каждый раз, когда появляется объект, отражающий сигнал, между двумя узлами может быть установлен новый путь. Поверхности, такие как здания, знаки, деревья, люди и т. д., могут создавать отражения сигнала. Каждый из этих отражающих путей будет отображаться в приемнике в разное время в зависимости от длины пути. Сложение их вместе в приемнике вызывает искажения, как конструктивные, так и деструктивные.
Рис. 6.1 Многолучевое распространение
25
Воздействие комбинации этих сигналов на приемник вызывает искажения сигнала. Если разница во времени между отражениями достаточно мала по отношению к ширине символа, искажение может быть внутри символа — внутрисимвольная интерференция. Когда отражения длиннее, чем время символа, отражение от одного символа повлияет на последующие сигналы — еще одна причина межсимвольной интерференции.
Нам нужно скорректировать это поведение, и мы можем сделать это, используя механизм, очень похожий на стереоэквалайзер. На самом деле мы называем их эквалайзерами. С помощью стереоэквалайзера мы можем изменить усиление определенных частот, чтобы либо подавить, либо усилить эти сигналы
— басы и высокие частоты являются обычными.
Рис. 6.2. Схема имитации многолучевости
Эквалайзер наименьшего среднего квадрата (LMS)
Алгоритм LMS был впервые предложен Бернардом Видроу (профессором Стэнфордского университета) и его аспирантом Тедом Хоффом (архитектором первого микропроцессора) в 1960-х годах. Благодаря своей простоте и надежности он стал наиболее широко используемым алгоритмом адаптивной фильтрации в реальных приложениях. Эквалайзер LMS в проектировании систем связи является лишь одним из таких красивых примеров, и его другие приложения включают подавление шума и эха, формирование луча, нейронные сети и так далее.
Беспроводной канал является источником серьезных искажений в принимаемом (Rx) сигнале, и наша основная задача состоит в том, чтобы удалить результирующие межсимвольные помехи (ISI) из выборок принятого сигнала. Выравнивание относится к любому методу обработки сигналов в целом и к фильтрации в частности, который предназначен для устранения или уменьшения
26
этой межсимвольной интерференции перед обнаружением символа. По сути, выход эквалайзера должен быть импульсом Найквиста для случая одного символа.
Алгоритм LMS позволяет реализовать автоматический эквалайзера с самонастраивающимися коэффициентами.
Информация о состоянии канала. При разработке коэффициентов для эквалайзера мы обычно предполагаем, что в приемнике доступна полная информация о канале. Хотя эта информация, широко известная как информация о состоянии канала (CSI), может быть получена из обучающей последовательности, встроенной в сигнал Rx, во многих других ситуациях характеристики канала неизвестны. В любом случае качество оценки канала зависит от качества самого канала. По мере ухудшения качества беспроводного канала снижается и надежность его оценки.
Изменение времени. Даже когда беспроводной канал известен с достаточной точностью, он в конечном итоге меняется через некоторое время. Мы подробно видели, как временные вариации в канале разворачиваются в масштабе времени когерентности и как это влияет на сигнал Rx. По этой причине эквалайзер должен автоматически регулировать свои коэффициенты в ответ на изменения канала. Природа любит тех, кто приспосабливается.
Коэффициенты эквалайзера подбираются таким образом, чтобы минимизировать разницу между известным пилотным символом и принятым символом по методу наименьших квадратов
Порядок выполнения работы
1.Постройте схему рис 6.2
2.Изменяя значения отводов посмотрите как меняется частотная характеристика на выходе модели канала.
3.Загрузить файл mpsk_stage4.grc
4.Изменяя параметры Noise voltage, Frequency offset, Timing offset посмотрите, как меняется созвездие QPSK модуляции до и после блока синхронизации.
27
Кислицын Дмитрий Игоревич
Программно-определяемые телекоммуникационные сети
Учебно-методическое пособие
по выполнению лабораторных работ для обучающихся по дисциплине «Программно-определяемые телекоммуникационные сети»
по направлению подготовки 09.04.02 Информационные системы и технологии, профиль «Искусственный интеллект в системах и сетях передачи данных»
Федеральное государственное бюджетное образовательное учреждение высшего образования «Нижегородский государственный архитектурно-строительный университет»
603950, Нижний Новгород, ул. Ильинская, 65. http://www.nngasu.ru, srec@nngasu.ru
28