数字通信2.ppt

* 如何获得似然函数 ,并导出参数估计值? （两条途径） 信号参数估计 由 r(t) 的展开式 根据随机变量 [r1, r2, … rN]的联合PDF来导出； 直接处理接收信号波形，从P(r|?)的连续时间等效形式中导出. 接收信号： 向量表示： 其中： n：零均值高斯白噪声 r的联合PDF: 指数项的自变量： （连续化） * 似然函数 最大 最大 似然函数 等价于 定义： 信号参数估计 P(r|?) 关于信号参数? 的最大化问题： 后面将根据?(?)最大的观点研究参数估计。 估计的参数为： ? → { ?, ? } * * * 有记忆信号的检测 最大似然序列检测算法 两种方法 对接收信号的观测序列判决。 检测：通过网格图来搜索最小欧氏距离路径 以逐个符号为基础，而每个符号的判决基于接收信号向量序列的观测值 有记忆信号：在连续的符号间隔内发送信号是相互关联的。 最大后验概率算法 最大似然序列检测器 考虑到：有记忆调制信号可以用网格图表示，发送信号序列对应于通过网格的路径。消息的数目等于通过网格的路径数。 * 两个可能的发送信号点： 以NRZI信号为例 最大似然序列检测算法 ：每比特能量 匹配滤波器或相关解调器在第k个信号间隔内的输出： nk —— 零均值，方差为 的高斯随机变量。 两个发送信号的条件PDF： 最大似然序列检测器 特点：在有记忆信号的网格图上搜索具有最小欧氏距离的路径 * 最大似然序列检测器 假设：观测到匹配滤波器输出序列是： r1，r2，…rK 检测器确定使该式最大的序列： —— 最大似然序列(ML)检测器 信道噪声： 白高斯噪声 噪声序列： n1, n2, … nk也是白的 r1, r2, … rK的联合PDF为k个边缘PDF的乘积 由于： * ML序列检测器： 选择使欧氏距离度量 最小的s(m) . Viterbi算法 通过网格图搜索欧氏距离D(r, s(m))最小的序列 NRZI信号：搜索从状态s0开始 等价于 如何找到具有最小欧氏距离的序列？ t=2T时: 进入S0节点的两条路径：（0，0）， （1，1） 在两次状态转移后网格达到稳态形式。 从解调器收到的信号： 假设t=2T时刻： t=T时： 等价于信号点 最大似然序列检测器 * 两者比较，舍弃较大者。保留较小度量的路径——幸存路径 两个欧氏距离度量 两者比较，舍弃较大者。 两个欧氏距离度量 同样，假设 t=2T时刻进入S1节点的两条路径：（0，1）， （1，0） 等价于信号点 因此，t=2T时刻，留下了两条幸存路径以及它们相应的度量。 两条幸存路径：一个在节点S0，另一个在节点S1 最大似然序列检测器 * 假设t=2T时刻的幸存路径： t=3T时刻，进入s0的两条路径度量： 进入S1节点的两条路径度量： 如果计算到第k级，KL，在符号位置K-5L及小一些的位置处，所有幸存序列趋于相同。（在延迟5L比特之后判决） 两者比较，舍弃较大者。 两者比较，舍弃较大者。 最后，在剩下的幸存路径条件下如何作出判决？ 当从解调器收到每一个新的信号样值时，该过程继续进行… 最大似然序列检测器 * Viterbi算法可以推广到 M元的调制。 例如：延迟调制（4状态）的最大似然序列检测。 （略） 根据对被检测符号的最大后验概率（MAP）的计算，进行逐个符号的判决。 最大后验概率算法 最大似然序列检测器 算法：递推算法。 * 4.9 CPM信号的最佳接收机 CPM信号的最佳解调和检测 CPM信号的性能 * CPM信号的最佳接收机 CPM发送信号 接收信号 最佳接收机组成: 相关器 最大似然序列检测器 通过状态网格搜索最小欧氏距离的路径 采用Viterbi搜索算法 下面的工作: 建立CPM的状态网格结构 Viterbi度量的计算 有记忆调制； 记忆来自相位连续性 * CPM的状态网格 CPM信号的载波相位（具有固定调制指数h时） 式中，假设: L=1 —— 全响应CPM L1 —— 部分响应CPM L：CPM发送脉冲的宽度 CPM信号的最佳接收机 * 当 h为有理数，h=m/p (m、p是互素的正整数) m为偶数，有p个相位状态 m为奇数，有2p个相位状态 部分响应时： L=1全响应CPM时，这些状态是网格图中唯一的状态； L1部分响应时，存在有附加的状态。 相关状态向量 当前符号In的相位贡献 取决于信息符号{In-1, In-2, … In-L+1} CPM信号的最佳接收机 * 部分响应 L1 时： CPM信号在t=nT 时刻的状态可以表示为相位状态和相关状态的组合。 假设 t=nT 时状态为Sn，则在 t =(n+1)T 时，由于新符号的影响，状态变为： 其中： 当