Jakes 模型

前面我们介绍了多径信道合成信号可表示为:
r(t)=Re{∑i=0N(t)−1ai(t)u(t−τi(t))ej2πfc(t−τi(t))+ϕDi(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)=Rei=0N(t)1ai(t)u(tτi(t))ej2πfc(tτi(t))+ϕDi(t)
假设窄带模型这个在OFDM系统中是可以满足的即时延扩展远小于符号长度,这样符号时间内u(t−τi(t))=u(t)u(t-\tau_{i}(t))=u(t)u(tτi(t))=u(t),为了更好的描述基带信号我们假设发射信号只是相位为ϕ0\phi_{0}ϕ0未调制信号。
r(t)=Re{∑i=0N(t)−1ai(t)u(t)e−j2πfcτi(t)+ϕDi(t)}=∑i=0N(t)−1ai(t)e−j2πfcτi(t)+ϕDi(t)+ϕ0 \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)=Rei=0N(t)1ai(t)u(t)ej2πfcτi(t)+ϕDi(t)=i=0N(t)1ai(t)ej2πfcτi(t)+ϕDi(t)+ϕ0
这里我们假设观察时间内变化足够缓慢:ai(t)=ai,τi(t)=τi,fDi(t)=fDi,ϕDi(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)=fDiϕDi(t)=2πfDit,则可使用信道冲击响应替换如下:
h(t)=∑i=0N(t)−1aie−j2πfcτi+2πfDit+ϕ0=∑i=0N(t)−1aie−jϕi(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)1aiej2πfcτi+2πfDit+ϕ0=i=0N(t)1aiejϕi(t)
其中ϕi(t)=2πfcτi−2πfDit−ϕ0\phi_{i}(t)=2\pi f_{c}\tau_{i}-2\pi f_{D_{i}}t-\phi_{0}ϕi(t)=2πfcτi2πfDitϕ0
Rh(Δt)=E[h(t)h∗(t+Δt)]=E[∑iN(t)−1∑jN(t)−1aie−jϕi(t)aj∗ejϕj(t+Δt)]=E[∑iN(t)−1∑jN(t)−1aiaj∗e−jϕi(t)ejϕj(t+Δt)]=E[∑iN(t)−1∑jN(t)−1aiaj∗e−j(2πfcτi−2πfDit−ϕ0)+j(2πfcτj−2πfDj(t+Δt)−ϕ0)]=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)]=EiN(t)1jN(t)1aiejϕi(t)ajejϕj(t+Δt)=EiN(t)1jN(t)1aiajejϕi(t)ejϕj(t+Δt)=EiN(t)1jN(t)1aiajej(2πfcτi2πfDitϕ0)+j(2πfcτj2πfDj(t+Δt)ϕ0)=Ei=0N(t)ai2ej2πfDiΔt=Ei=0N(t)ai2ej2πfmcosθiΔt
i≠ji\neq ji=jai,aj,ϕi,ϕja_{i},a_{j},\phi_{i},\phi_{j}ai,aj,ϕi,ϕj相互独立,fDi=fmcos⁡θif_{D_{i}}=f_{m}\cos\theta_{i}fDi=fmcosθi ,功率归一化E{∣ai∣2}=1E\{|a_{i}|^2\}=1E{ai2}=1,当存在N条路径N→∞,θ∽(0,2π)N \to \infty,\theta \backsim(0,2\pi)Nθ(0,2π)。看文献好像大于8条多径就可以了。
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)=2π1ππej2πfmcosθΔtdθ=π10πej2πfmcosθΔtdθ=J0(2πfmΔt)

0 阶贝塞尔函数性质
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)=π10πejxcosθdθJn(x)=(1)nJn(x)J0(x)=J0(x)
上面我的得到了多径多普勒信道下的时域相关性描述。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.pswp.cn/diannao/90598.shtml
繁体地址,请注明出处:http://hk.pswp.cn/diannao/90598.shtml
英文地址,请注明出处:http://en.pswp.cn/diannao/90598.shtml

如若内容造成侵权/违法违规/事实不符,请联系英文站点网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

JVM类加载机制解析

什么是类加载器? 类加载器是JVM的核心组件之一,负责将Java字节码文件(.class文件)加载到JVM内存中。由于JVM只能执行二进制字节码,类加载器的作用就是将编译后的.class文件转换为JVM可以理解和执行的格式,使…

用Python和OpenCV从零搭建一个完整的双目视觉系统(二)

本系列文章旨在系统性地阐述如何利用 Python 与 OpenCV 库,从零开始构建一个完整的双目立体视觉系统。 本项目github地址:https://github.com/present-cjn/stereo-vision-python.git 项目架构设计:蓝图、分工与工作流 在上一篇文章中&#…

亿级流量下的缓存架构设计:Redis+Caffeine多级缓存实战

亿级流量下的缓存架构设计:RedisCaffeine多级缓存实战 一、为什么需要多级缓存? 在亿级流量场景下,单纯依赖Redis会遇到三大瓶颈:网络延迟:Redis远程访问通常需要1-5ms,QPS超过10万时成为瓶颈资源成本&…

AI基建还能投多久?高盛:2-3年不是问题,回报窗口才刚开启

高盛表示,尽管AI商业化变现仍处早期阶段,但基于成本削减的第一阶段回报已经显现。预测到2030年AI自动化可为财富500强企业节省约9350亿美元成本。分析师认为,这一早期收益足以支撑当前AI基础设施投资水平,尽管增长率可能放缓。虽然…

【mac】快捷键使用指南

在Mac上,根据选择对象的不同,在选择时移动的方法也有所不同,以下是具体介绍: 移动文件或文件夹:可通过拖放操作移动。打开“访达”(Finder),找到要移动的文件或文件夹,按…

CS144 lab2 tcp_receiver

1. 实验目的 lab2 的目的是实现tcp的接收端。 主要包括两方面 (1) 从发送端接收消息,使用Reassembler聚合字节流(Bytestream) (2)将确认号(ackno)和window size发回对端 …

【论文笔记】A Deep Reinforcement Learning Based Real-Time Solution Policy for the TSP

《基于 DRL 和 DCNN 的实时 TSP 求解策略》IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, VOL. 24, NO. 6, JUNE 2023一段话总结本文提出了一种基于深度强化学习(DRL) 和深度卷积神经网络(DCNN) 的实时旅行商问题&am…

MMaDA:多模态大型扩散语言模型

集众家之所长,成大一统。普林斯顿大学、北京大学、清华大学、字节跳动的研究者将“文本推理、多模态分析、图像生成”三大方向融合在一个单一扩散模型里,并用恰当的优化策略来提升模型在各个方向的性能。 研究动机 研究人员致力于开发一个能够处理多种模…

容器技术入门与Docker环境部署

容器技术入门与Docker环境部署Docker概述什么是 DockerDocker 的优势Docker 的应用场景Docker 核心概念(1)镜像(2)容器(3)仓库Docker 安装1.关闭系统防火墙和内核2.下载Docker的repo文件3.替换仓库地址4.更新索引文件并安装Docker5.添加国内镜像站6.开启Docker服务7.优化内核参…

【01】MFC入门到精通—— MFC新建基于对话框的项目 介绍(工作界面、资源视图 、类视图)

文章目录1 创建工程2 运行3 工作界面介绍3. 1 类视图 Class View3.2 如何打开 类视图3.3 资源视图1 创建工程 选择菜单项 文件->新建->项目,弹出 “新项目” 对话框。 选择 MFC,点击下一步,然后键入工程名称,本例取名“Add…

2025!在Windows的Python中安装GDAL包(小白能成!)

最近更新 在2025.06.05日,GDAL发布预告:新版本将适配pipeline和向量读写功能。 直到2025.06.25日,最新的版本才算发行出来。 有朋友催我赶紧更新教程,我上次更新是3月份的时候了,恰好是GDAL上一个版本出来的时间。 前…

Python第一次作业

# 1.技术面试题**(1)TCP与UDP的区别是什么?****答:TCP 是 “可靠但较慢” 的协议,适合对数据完整性要求高的场景;UDP 是 “快速但不可靠” 的协议,适合对实时性要求高的场景。两者互补&#xff…

Linux【大数据运维】下制作Redis绿色免安装包(一)

linux下安装Redis比较繁琐,遇到内网部署环境更是麻烦。根据经验将Redis打包一个绿色版进行使用。 大体思路,在一台正常的机器上面制造好安装包,然后上传到内网服务器,解压使用。 下载: wget https://download.redis…

89104 PCIe Switch芯片国产替代 - PCIE5.0国产AI服务器高性能扩展,支持海光/龙芯/飞腾等

以下是针对89104 PCIe Switch芯片国产替代的高性能PCIe 5.0 AI服务器扩展方案的详细分析:一、核心国产替代芯片:TL63104控制器‌技术规格‌支持PCIe 5.0全速率(32 GT/s),提供968 Lanes配置,聚合双向带宽达1…

Docker跨架构部署实操

需求场景 python项目,开发环境以及可供测试的环境为X86架构下的LINUX服务器,但正式环境需要部署在ARM架构下的麒麟服务器,且正式环境后续可能会长时间处于断网状态,需要一份跨架构的部署方案。 解决思路 在 X86 上打包、在 ARM&am…

JavaScript 树形菜单总结

树形菜单是前端开发中常见的交互组件,用于展示具有层级关系的数据(如文件目录、分类列表、组织架构等)。以下从核心概念、实现方式、常见功能及优化方向等方面进行总结。 一、核心概念 层级结构:数据以父子嵌套形式存在,如{ id: 1, children: [{ id: 2 }] }。节点:树形结…

【python实用小脚本-131】Python 实现 HTML 到 PDF 转换:解决文档处理痛点的高效工具

引言 在当今数字化办公环境中,文档格式的转换需求日益频繁。假设你是一位市场营销人员,需要将公司网站的产品介绍页面(HTML 格式)转换为 PDF 文档,以便用于线下宣传。然而,手动复制粘贴内容并调整格式不仅…

【Linux操作系统】简学深悟启示录:Linux基本指令

文章目录1.什么是操作系统?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数据分析」04如何将 Python 爬取的数据保存为 CSV 文件

如何将 Python 爬取的数据保存为 CSV 文件 从原始网络数据到纯净 CSV - 搭建通往分析的桥梁 恭喜你!经过前面的努力,你的 Python 脚本终于成功地从一个网站上爬取了数据,一个充满信息的宝库正静静地躺在你的变量中。但接下来呢?…

qemu vcpu的创建过程

在 QEMU 中,vCPU 线程的启动流程涉及多个阶段,包括初始化、线程创建和执行逻辑。以下是基于搜索结果的详细分析: QEMU vCPU 线程的启动流程 1. 初始化阶段 设备实例化:QEMU 使用 QOM(QEMU Object Model)系统…