... text je určen jak zájemcům z řad studentů magisterského, doktorského a bakalářského studia elektrotechnických oborů vysokých škol, tak i zájemcům z řad odborné veřejnosti, kteří si potřebují osvěžit či doplnit znalosti z dané oblasti. Text je členěn do celkem 18 kapitol. Pomyslně může být rozdělen do dvou částí - úvodní spíše teoreticky zaměřené (Teorie informace, Komunikační signály, Mezi symbolové interference, Příjem komunikačních signálů), následované více aplikačně zaměřenými kapitolami (Číslicové modulace, Rozprostřené spektrum a CDMA, Systémy s více nosnými a OFDM, Kombinace OFDM/CDMA/UWB, Komunikační kanály, Vyrovnavače kanálů, Protichybové kódování, UWB komunikace, MIMO systémy, Softwarové, kognitivní a kooperativní rádio, Adaptivní metody v rádiových komunikacích, Analýza spektra rádiových signálů, Změna vzorkovacího kmitočtu, Zvyšování přenosové rychlosti rádiových komunikačních systémů) ...
1: Vztahy mezi entropiemi [8]
kde pX,Y (x, simultánní hustota pravděpodobnosti náhodých proměnných a
pX(x|y) podmíněná hustota pravděpodobnosti. Jelikož pro rušivý signál byl
zaveden předpoklad normálního rozdělění součet dvou veličin normálním rozdělěním
. Vzorkováním
přijatého signálu (t) zašuměného aditivním bílým gausovským šumem nulovou střední
hodnotou spektrální hustotou výkonu N0/2 vzniknou vzorky Yk:
Yk Nk.1
Po zavedení potřebných veličin nyní můžeme přistoupit odvození teorému kapacitě
kanálu. 1.25)
Vzhledem tomu, jsou nezávislé, platí h(Yk|Xk) h(Nk) také:
I(Xk; Yk) h(Yk) h(Nk).22)
Vztahy mezi entropiemi možné graficky ilustrovat, jak uvedeno obr. Předpokládejme vysílač generuje stacionární náhodný proces X(t) nulovou
střední hodnotou. Jak bylo uvedeno výše.Teorie rádiové komunikace 12
Obrázek 1. (1. Obdobně jako pro diskrétní kanál, platí
i tomto případě:
I(X; h(X) h(X|Y h(Y h(Y |X). (1. (1.23)
Nk jsou vzorky šumového signálu rozptylem σ2
N Předpokládejme dále, průměrný
výkon vysílače E[X2
k Kapacita (propustnost) kanálu je:
C max
pX(x)
{I(Xk; Yk)}. (1. Jak již bylo řečeno, diferenciální en-
tropie maximální pro případ normálního rozdělění [2]. (1. platí:
I(Xk; Yk) h(Xk) h(Xk|Yk) h(Yk) h(Yk|Xk).26)
Protože h(Nk) nezávisí rozdělění pravděpodobnosti pX(x), maximalizace vzájemné
informace I(Xk; Yk) dosáhneme maximalizací h(Yk). Jeho vzorkováním vzniknou vzorky n).24)
Je tedy třeba maximalizovat vzájemnou informaci ohledem funcki hustoty pravdě-
podobnosti pX(x)
