加性高斯色噪声信道

article/2025/9/25 15:41:26

1 加性高斯色噪声信道

  对于高斯白噪声,不同时刻的样本值是不相关的。为方便,在实际应用中通常将在信号上叠加高斯白噪声,对一些算法性能进行评估。依据评估结果,指导工程设计实现。在实际工程中,高斯白噪声的不相关性并一定能够很好近似反映实际使用的噪声环境。这会使得利用高斯白噪声获得的性能评估结果通常是实际工程问题的过估计。本节将从接收通道的噪声简化模型出发,分析加性高斯噪声的相关性,讨论实际工程中常用的高斯色噪声模型。

1.1 接收通道噪声简化模型

  在实际应用中,高斯白噪声通常认为是接收端各多级混频器和滤波器(通常为两级混频)等器件产生的热噪声,如下图所示。该噪声在A/D变换器之前的抗混叠滤波器 g ( t ) g(t) g(t)的输入端通常认为是白噪声。
在这里插入图片描述

若抗混叠滤波器的输入端的高斯白噪声为 w ( t ) w(t) w(t),其均值为0,方差为 σ 2 σ^2 σ2。将该噪声通过一个冲激响应为 g ( t ) g(t) g(t)的抗混叠滤波器,其输出 v ( t ) v(t) v(t)仍为高斯噪声,可表示为
v ( t ) = g ( t ) ⊗ w ( t ) v(t)= g(t)⊗w(t) v(t)=g(t)w(t)
其中,⊗为卷积运算。将 v ( t ) v(t) v(t)进行离散采样,采样周期为 T s = 1 ⁄ F s T_s=1⁄F_s Ts=1Fs F s F_s Fs为中频采样频率,可得离散信号 v ( n ) v(n) v(n)

  离散信号 v ( n ) v(n) v(n)进行数字下变频,可得
v b ( n ) = v I ( n ) + j v Q ( n ) = v ( n ) e − j ω I F n ⊗ h ( n ) v_b (n)=v_I (n)+jv_Q (n)=v(n) e^{-jω_{IF} n} ⊗h(n) vb(n)=vI(n)+jvQ(n)=v(n)ejωIFnh(n)
其中, ω I F ω_{IF} ωIF为中频数字角频率。它与中频模拟角频率的关系为
ω I F = Ω I F / F s ω_{IF}=Ω_{IF}/F_s ωIF=ΩIF/Fs
其中, Ω I F Ω_{IF} ΩIF为抗混叠滤波器模拟中心频率。 h ( n ) h(n) h(n)为低通滤波器。将数字下变频输出进一步展开,可得
v b ( n ) = v ( n ) e − j ω I F n ⊗ h ( n ) = ∑ m h ( m ) v ( n − m ) e − j ω I F ( n − m ) v_b (n)=v(n) e^{-jω_{IF} n}⊗h(n)=∑_m h(m)v(n-m) e^{-jω_{IF} (n-m) } vb(n)=v(n)ejωIFnh(n)=mh(m)v(nm)ejωIF(nm)
因离散信号 v ( n ) v(n) v(n)可表示为
v ( n ) = ∑ k w ( k ) g ( n − k ) v(n)=∑_k w(k)g(n-k) v(n)=kw(k)g(nk)
由此可得
v b ( n ) = ∑ m h ( m ) e − j ω I F ( n − m ) ∑ k w ( k ) g ( n − m − k ) v_b (n)=∑_m h(m) e^{-jω_{IF}(n-m)} ∑_k w(k)g(n-m-k) vb(n)=mh(m)ejωIF(nm)kw(k)g(nmk)
= ∑ k w ( k ) e − j ω I F k ∑ m h ( m ) e − j ω I F ( n − m − k ) g ( n − m − k ) =∑_k w(k) e^{-jω_{IF} k} ∑_m h(m) e^{-jω_{IF} (n-m-k) } g(n-m-k) =kw(k)ejωIFkmh(m)ejωIF(nmk)g(nmk)

g L F ( n ) = g ( n ) e − j ω I F n g_{LF} (n)=g(n) e^{-jω_{IF} n} gLF(n)=g(n)ejωIFn w L F ( n ) = w ( n ) e − j ω I F n w_{LF} (n)=w(n) e^{-jω_{IF} n} wLF(n)=w(n)ejωIFn,则有
v b ( n ) = ∑ k w L F ( k ) ∑ m h ( m ) g L F ( n − m − k ) v_b (n)=∑_k w_{LF} (k) ∑_m h(m) g_{LF} (n-m-k) vb(n)=kwLF(k)mh(m)gLF(nmk)
若令
h L F ( n ) = g L F ( n ) ⊗ h ( n ) = ∑ m h ( m ) g L F ( n − m ) h_{LF} (n)= g_{LF} (n)⊗h(n)=∑_m h(m) g_{LF} (n-m) hLF(n)=gLF(n)h(n)=mh(m)gLF(nm)
则有
v b ( n ) = ∑ k w L F ( k ) h L F ( n − k ) = w L F ( n ) ⊗ h L F ( n ) = w L F ( n ) ⊗ [ g L F ( n ) ⊗ h ( n ) ] v_b (n)=∑_k w_{LF} (k) h_{LF} (n-k) = w_{LF} (n)⊗h_{LF} (n)=w_{LF} (n)⊗[g_{LF} (n)⊗h(n)] vb(n)=kwLF(k)hLF(nk)=wLF(n)hLF(n)=wLF(n)[gLF(n)h(n)]
  经上述推导,可得接收通道噪声的简化模型如下图所示。前述抗混叠滤波器的输入端高斯白噪声的等效为复高斯白噪声 w L F ( t ) w_{LF} (t) wLF(t),抗混叠滤波器与数字下变频等效为实低通滤波器 h L F ( n ) h_{LF} (n) hLF(n),简化模型输出 v b ( n ) = v I ( n ) + j v Q ( n ) v_b (n)=v_I (n)+jv_Q (n) vb(n)=vI(n)+jvQ(n)为复噪声。
在这里插入图片描述

  为接下来的讨论方便,省略前述简化模型的下标,如下图所示。注意,该图中, v ( n ) = v I ( n ) + j v Q ( n ) v(n)=v_I (n)+jv_Q (n) v(n)=vI(n)+jvQ(n)
在这里插入图片描述


http://chatgpt.dhexx.cn/article/nWV0fXDs.shtml

相关文章

噪声是什么?

1.噪声的概念 日常我们说的噪声是——“除了我想听到的声音”以外的声音,就是噪声。比如我想听A君讲话,但是B君和C君在旁边喋喋不休,他们俩说的话是“我不想听到的声音”,那么他们两个的声音就是噪声。而在电路中,噪声…

噪声和信噪比的转换(如何在数据集中添加噪声)

之前参考别人的博客写了一篇,后来用的过程中发现有问题,但是相关理论部分还是可以用的。 之前我写的:https://blog.csdn.net/Kathleen_yuan/article/details/89817487 别人的推论(推论1要加个条件才能用,就是信号强度…

乘性噪声理解

来自:乘性噪声图像处理方法研究 乘性噪声普遍存在于现实世界的图像应用当中,如合成孔径雷达、超声波、激光等相干图像系统当中.与标准加性高斯白噪声相区别,乘性噪声符合瑞利或伽玛分布函数.乘性噪声对图像的污染严重&…

噪声,白噪声,加性噪声和乘性噪声

对于一个学遥感或者说做图像处理的人来说,对噪声应该很敏感。但什么是加性噪声和乘性噪声,估计有部分并不很清楚。下面简要介绍之,内容摘自http://hi.baidu.com/%D2%B9%CB%AE%BE%A7%CD%F5%BD%A8%C7%E0/blog/item/137c42bf243d9c0f19d81f82.ht…

加性噪声和乘性噪声、均值滤波器、方框滤波器、中值滤波器、高斯滤波器、双边滤波器

1.滤波器的作用 滤波,也称平滑或者模糊,主要是为了减小图像噪声和伪影,同时在降低图像分辨率的时候,平滑也是必要的。 2.认识两种噪声 首先我们来认识两种常见噪声: 椒盐噪声,也就是夹杂在图像中的黑色…

java 抽奖 高并发处理_如何设计高并发下的抽奖?

关于抽奖,需要考虑的点有很多,这里稍微整理了下主要需要考虑以下三点: 用户抽奖次数限制 奖品数量限制 奖品发放的分布 中奖的概率的可控性 用户抽象次数限制 一个用户必须限制抽奖的次数,而同一个用户的并发几率其实是很小的,所以这里可以用悲观锁来控制用户的抽奖次数。 奖品…

使用Lua脚本实现高并发处理方案

我们使用 Lua 脚本可以很轻松构建出百万并发的应用系统。 由于 Tomcat 并发处理能力弱,nginx 并发处理能力强,我们可以在 nginx 上结合 Lua 脚本来高效处理业务逻辑,不用经过 Tomcat,就能够通过 Lua 脚本来操作 Redis、Kafka、My…

Android上实现高并发,可延迟处理

目录 1.Thread和线程池优缺点对比 1.1使用Thread 1.2使用线程池 2.实现Android高并发,可延迟处理的解决方案 2.1为什么不推荐无限制创建Thread执行 2.2实现多线程并发处理解决方案 2.3具体实现如下: 2.4模拟测试多线程并发及延迟执行 1.Thread和线…

01 Nginx的高并发处理

文章目录 Nginx的高并发处理1.为什么需要Nginx?2.Nginx概述2.1 Nginx介绍2.2 Nginx和apache的优缺点2.2.1 Nginx相对于apache的优点2.2.2 apache相对于Nginx的优点2.2.3 Tengine介绍 3. Nginx的下载与安装3.1 Nginx下载3.2 Nginx的源码安装3.2.1 安装前的准备工作3.…

浅谈 高并发 处理方案

愿打开此篇对你有所帮助。 文章目录 高性能开发十大必须掌握的核心技术I/O优化:零拷贝技术I/O优化:多路复用技术线程池技术无锁编程技术进程间通信技术 Scale-out(横向拓展)缓存异步高性能、高可用、高拓展 解决方案❇ 高性能的实…

分布式架构 高并发处理

分布式架构 高并发处理 高并发介绍 在同时或者极短时间内,有大量请求到达服务端,每个请求都需要服务端耗费资源进行处理,并做出相应反馈服务端比如同时开启进程数,能同时运行的线程数、网络连接数、CPU运算、I/O、内存都是有限&am…

iis高并发处理三

使用.NET开发的Web应用程序部署到IIS上后,当有大量用户并发访问,用户在访问的时候可能会出现页面打开慢或无法打开的情况,那么从服务器上的IIS上我们可以做以下调整,让应用支持10万级以内的并发访问。 1、调整IIS 应用程序池队列…

前端优化之高并发处理

大部分的高并发处理基本都是在后端处理,但是在部分特殊情况下,后端无法阻止用户行为,需要前端做配合。例如在抢购、秒杀等场景。 高并发是什么? 对此,我们首先需要简单的去了解一下,高并发是什么&#xff1…

机器学习中的核函数与核方法(是什么?为什么?怎么做?)

我们在学习机器学习的时候,总是会看到一个概念——核,然后看到一堆公式。但是为什么要核呢?核到底是啥玩意?云里雾里。接下来,我们将要把“核”这个东西的神秘面纱一点点揭开。 一、什么是“核函数” 我们都知道&…

【Kernel Method】Kernel Method核方法介绍

引言 核方法是20世纪90年代模式识别与机器学习领域兴起的一场技术性革命。其优势在于允许研究者在原始数据对应的高维空间使用线性方法来分析和解决问题,且能有效地规避“ 维数灾难”。在模式识别的特征抽取领域,核方法最具特色之处在于其虽等价于先将原…

通俗理解核方法(kernel function)

最近对核方法比较有兴趣,想了解一下,在网上查阅了很多资料,感觉说的很晦涩,没有理解,于是查看了李政轩老师的课程,对其有了一定程度上的理解,本博客目的为了记录,也为了加深理解。 …

电机选型及校核方法总结

序:原先最初是没打算写电机选型总结的,而是准备写一些关于数字信号处理相关的东西,但是我的一个朋友提醒了我。他说,现在网上关于数字信号处理的东西写的太多了,特别是基础的知识都写烂了,你再写也没人看&a…

核方法与核技巧

本文对核方法(kernel method)进行简要的介绍。 核方法的主要思想是基于这样一个假设:“在低维空间中不能线性分割的点集,通过转化为高维空间中的点集时,很有可能变为线性可分的” ,例如下图 左图的两类数据…

机器学习中的核方法(Kernel Method)

说到机器学习中的核方法(Kernel Method),大部分人应该是在学习SVM的时候认识到它或者听说它。它的基本思想是说,普通的SVM分类超平面只能应对线性可分的情况,而对于线性不可分的情况我们则需要引入一个Kernel,这个Kernel可以把数据集从低维映射到高维,使得原来线性不可分…

支持向量机原理小结(3)——核方法和非线性支持向量机

前面两篇博客对线性支持向量机进行了详细的讲解,但线性SVM对于非线性的数据是无可奈何的。这篇博客将讲一下非线性支持向量机。 1. 核方法 对SVM有过一定耳闻的人,一定听说过“核技巧”、“核方法”这些名词,其实核方法并不是只能应用于SVM&…