Stanovení charakteristik cyklostacionárního detektoru signálu OFDM

| Kategorie: Diplomové, bakalářské práce  | Tento dokument chci!

Diplomová práce spadá do oblasti kognitivních rádiových sítí. Tyto sítě jsou schopny využívat kmitočtové spektrum efektivněji než současné radiokomunikační sítě, přičemž jednoznačnou předností je možnost koexistence kognitivních i klasických sítí. Pozornost je věnována klíčové úloze kognitivního rádia – sledování spektra. V práci jsou podrobněji zkoumány vlastnosti cyklostacionárního detektoru, jehož hlavní výhodou je vysoká spolehlivost detekce při nízkých hodnotách SNR při apriorní znalosti cyklického kmitočtu vyslaného signálu. Vlastnosti detektoru jsou testovány na OFDM signálech používaných reálnými systémy, u kterých je cyklostacionarita způsobena především využitím cyklického prefixu. Kvantitativně jsou vyjádřeny vlivy decimace cyklické autokorelační funkce a vícecestného šíření OFDM signálu naspolehlivost detekce. Stanoveny jsou optimální hodnoty vah multifrekvenčního detektoru.

Vydal: FEKT VUT Brno Autor: Jiří Lehocký

Strana 79 z 80

Vámi hledaný text obsahuje tato stránku dokumentu který není autorem určen k veřejnému šíření.

Více info o tomto dokumentu zde!
Jak získat tento dokument?






Poznámky redaktora
imag(Ra(round(LDet*DF*(Nominator/Denominator)/Ts)+1))]; % obdobne pro nasobky cyklickeho kmitoctu Rkalphasum B-F T2A RkalphasumA CovMatrixsum RkalphasumA'; %testovaci statistika % obdobne pro nasobky cyklickeho kmitoctu T2B-F . imag(R(round(LDet*DF*(Nominator/Denominator)/Ts)+1))]; % obdobne pro nasobky cyklickeho kmitoctu Rkalpha B-F Ta RkalphaA inv(CovMatrix) RkalphaA'; %testovaci statistika % obdobne pro nasobky cyklickeho kmitoctu Tb-f T1 A*Ta+B*Tb+C*Tc+D*Td+E*Te+F*Tf; %% tataz realizace pouze pro sum %pokud zpracovava kratsi usek,doplni nulami if (length(Sum)<(LDet*DF+lag)) Sum [Sum zeros(1,LDet*DF+lag-length(Sum))]; end Sum1 Sum(1,lag+1:delka); %S1 jsou signaly posunute lag Sum2 Sum(1,1:delka-lag); %korelacni funkce stacionarniho procesu Sum3 Sum1 conj(Sum2Sum3 Sum3/length(Sum1); %prumer pres vsechny hodnoty (aproximace stredni hodnoty) Sum3D=decimate(Sum3,DF); aplikace decimacniho faktoru Ra fft(Sum3D); vypocet cyklicke autokorelacni funkce CAF % vypocet kovariancni matice N length(Ra); Xsum real(Ra); Ysum imag(Ra); Xsum2 Xsum Xsum; Ysum2 Ysum Ysum; XYsum Xsum Ysum; EX2sum sum(Xsum2)/N; EY2sum sum(Ysum2)/N; EXYsum sum(XYsum)/N; CovMatrixsum [EX2sum EXYsum; EXYsum EY2sum]; RkalphasumA =[real(Ra(round(LDet*DF*(Nominator/Denominator)/Ts)+1))...68 X2 X.^2; Y2 Y...^2; XY Y; EX2 sum(X2)/N; EY2 sum(Y2)/N; EXY sum(XY)/N; CovMatrix [EX2 EXY; EXY EY2]; kovariacni matice RkalphaA [real(R(round(LDet*DF*(Nominator/Denominator)/Ts)+1))