学习《现代通信原理》(曹志刚)时,对其中相关接收机的近似阐述非常不解。借此机会,整理了大量课外资料,对相关接收机的原理有了比较清楚的认识。

一、 接收机的概念

接收机:由信号解调器检测器组成。

1、信号解调器

功能:将接受波形\(r(t)\)变换为N维向量\(\boldsymbol r=[r_1,r_2,...,r_N]\),N为发送信号波形的维数。

目的:求接受波形在各基向量上的投影,即求\(r_i\)。

实现方式:

  • 基于匹配滤波器的实现方法(匹配滤波器)。
  • 基于信号相关器的实现方法(相关解调器)。

2、检测器

根据信号解调器输出的N维向量\(r=[r_1,r_2,...,r_N]\),判断发送波形。

发送信号波形的集合为\(\{S_m(t),m=1,2,...,M\}\),维数为N。

二、 相关解调器的解调过程及其原理

1、构造相关解调器

根据发送信号波形集合\(\{S_m(t),m=1,2,...,M\}\),构造正交基\(\{f_n(t),n=1,2,...,n\}\)

要求:每一个\(S_m(t)\)都可以表示为\(\{f_n(t)\}\)的线性加权组合:
\[
S_m(t)=\sum_{k=1}^N {S_{mk}f_k(t)}
\]
其中\(S_{mk}\)是在某个基向量上的幅度(投影)。

注意:尽管接收信号中会叠加信道噪声:

但在构造正交基\(\{f_n(t)\}\)时,我们不考虑噪声空间。
因此接收信号会被分解为:
\[
r(t)=\sum_{k=1}^N {S_{mk}f_k(t)}+n(t)=\sum_{k=1}^N {S_{mk}f_k(t)}+\sum_{k=1}^N {n_kf_k(t)}+n'(t)
\]
其中\(n'(t)\)是无法用基函数组合的噪声组分。

至于为什么不考虑噪声空间,我们马上揭晓。

2、得到接收信号在基向量上的投影

令接收信号\(r(t)\)通过一组并行的N个互相关器:

注意:在后面结合检测器,我们会对改图作改进和简化。因此这不是最终电路图!

各个相关器的输出为:

\[
\int_0^T {r(t)f_k(t)dt} = S_{mk}+n_k = r_k
\]

\(S_{mk}\)就是我们想要的投影,\(n_k\)是噪声的投影,是一个高斯随机变量,由信道引入的加性噪声决定。

而无法被基向量表示的\(n'(t)\)(在线性空间外),积分为0(由于噪声均值为0,因此不相关和正交等价),因此对输出没有任何影响!
这就是为什么我们在构造正交基时,不考虑噪声空间!

3、相关器输出的性质

由于\(S_{mk}\)是一个确定的值,而\(n_k\)是一个高斯随机变量,因此:
\(r_k\)也是一个高斯随机变量,其均值为\(S_{mk}\),方差同\(n_k\),为\(\frac{n_0}{2}\)。

因此,相关解调器最终输出的N维向量\(\boldsymbol r=[r_1,r_2,...,r_N]\),其概率满足联合高斯分布:

\[
P(\boldsymbol r|\boldsymbol S_m) = \prod_{k=1}^N {P(r_k|S_{mk})}
\]

\[
= \frac{1}{(\sqrt{2\pi\frac{n_0}{2}})^N}exp[\frac{-\sum_{k=1}^N{(r_k-S_{mk})^2}}{2\frac{n_0}{2}}]
\]

三、检测器的实现及其数学原理

尽管相关器已经为我们得到了一个满足联合高斯分布的N维向量,但由于噪声的存在,为了使判错率最小,我们还需要合理地选出最合适的波形,作为最终判断结果。

1、MAP准则

全称为最大后验概率Maximum A posteriori Probability,其中A posteriori在拉丁文中是“后验”的意思。

根据推导(参见信息论相关书籍),选择后验概率\(P(\boldsymbol S_m|\boldsymbol r)\)最大对应的发送信号\(S_m(t)\)作为判断结果,则错误率最小。
这一点也很好理解。在接收到\(r(t)\)并转换得到\(\boldsymbol r\)的条件下,发送信号最有可能是\(S_m(t)\),那么我们当然选择它作为输出结果啦~

可惜的是,后验概率很难通过电路获得
因此,我们无法直接利用MAP准则。

2、ML准则

全称为最大似然Maximum Likelihood

根据贝叶斯公式:

\[
P(\boldsymbol S_m|\boldsymbol r)=\frac{P(\boldsymbol S_m,\boldsymbol r)}{P(\boldsymbol r)}=\frac{P(\boldsymbol r|\boldsymbol S_m)P(\boldsymbol S_m)}{\sum_{i=1}^M{P(\boldsymbol r|S_i)P(S_i)}}
\]

其中:

  • \(P(\boldsymbol S_m)\)是先验概率,一般设为等概。
  • \(P(\boldsymbol r)=P(\boldsymbol r|S_i)P(S_i)\)与发送信号无关。因为无论发的是哪个\(P(\boldsymbol S_m)\),\(P(\boldsymbol r)\)都是既定的,客观存在且无法改变的。具体而言,其中的先验概率\(P(S_i)\)和发送概率\(P(\boldsymbol r|S_i)\)都不随发送信号的变化而改变。

这么看来,我们有重要结论:

  • 当\(P(\boldsymbol S_m)\)等概时,最大的\(P(\boldsymbol S_m|\boldsymbol r)\),对应最大的\(P(\boldsymbol r|\boldsymbol S_m)\)!这就是MAP准则到ML准则的转化!
  • 当不等概时,最大的\(P(\boldsymbol S_m|\boldsymbol r)\),对应最大的\(P(\boldsymbol r|\boldsymbol S_m)P(\boldsymbol S_m)\),稍微复杂一些,但也很好求。

先剧透一波,ML准则非常容易通过电路实现!我们接着看~

3、简化ML准则,实现检测器

现在我们讨论\(P(\boldsymbol S_m)\)等概的情况,即ML准则可以使用。

由第一部分我们知道:解调器输出为:

\[
P(\boldsymbol r|\boldsymbol S_m)=\frac{1}{(\sqrt{2\pi\frac{n_0}{2}})^N}exp[\frac{-\sum_{k=1}^N{(r_k-S_{mk})^2}}{2\frac{n_0}{2}}]
\]

我们取对数:

\[
ln[P(\boldsymbol r|\boldsymbol S_m)]=-\frac{N}{2}ln(\pi n_0)-\frac{\sum_{k=1}^N{(r_k-S_{mk})^2}}{n_0}
\]

显然,第一项是常数,对判断发送信号没有贡献。

第二项是关于\(\sum_{k=1}^N{(r_k-S_{mk})^2}\)单调的函数。
因此,最大后验概率,对应着最小的欧氏距离:
\[
D(\boldsymbol r,\boldsymbol S_m)=\sum_{k=1}^N{(r_k-S_{mk})^2}
\]

因此,基于ML准则的判决,又称为最小距离检测

进一步展开、化简得到:
\[
D(\boldsymbol r,\boldsymbol S_m)=\sum_{k=1}^N{(r_k)^2}+\sum_{k=1}^N{(S_{mk})^2}-2\sum_{k=1}^N{r_kS_{mk}}
\]

其中,第一项是向量\(\boldsymbol r\)的模值,对判断没有贡献。
第二项是接收信号的能量:\(\varepsilon_m\),与发送信号有关,需要考虑。
第三项是投影,显然也需要考虑:
\[
2\sum_{k=1}^N{r_kS_{mk}}=2\boldsymbol r\bigodot \boldsymbol S_m = 2 \int_0^T {r(t)S_m(t)}dt
\]

我们把需要考虑的后两项的相反数合称为相关度量
\[
C(\boldsymbol r, \boldsymbol S_m)=2\sum_{k=1}^N{r_kS_{mk}}-\varepsilon_m
\]

综上,我们得到判断的最终准则:
最大相关度量\(C(\boldsymbol r, \boldsymbol S_m)\)对应的发送信号\(S_m(t)\),就是最终判决结果。

因此,我们希望整个相关接收机实现如下流程:

  • 将接收信号\(r(t)\)转换为N维向量\(\boldsymbol r\)
  • 求出\(\boldsymbol r\)和各个\(\boldsymbol S_m\)的相关度量\(C(\boldsymbol r, \boldsymbol S_m)\)
  • 选择最大相关度量对应的发送信号波形\(S_m(t)\)输出

最终电路图(相关接收机)如下:

如果发送波形不等概率,那么MAP准则就不可以直接转换为ML准则啦。此时只需要寻找最大\(P(\boldsymbol r|\boldsymbol S_m)P(\boldsymbol S_m)\)对应的发送波形,化简方式类似,这里就不赘述了。

Maths | 相关接收机与最大似然准则的更多相关文章

  1. 参数估计:最大似然估计MLE

    http://blog.csdn.net/pipisorry/article/details/51461997 最大似然估计MLE 顾名思义,当然是要找到一个参数,使得L最大,为什么要使得它最大呢,因 ...

  2. 一种利用 Cumulative Penalty 训练 L1 正则 Log-linear 模型的随机梯度下降法

    Log-Linear 模型(也叫做最大熵模型)是 NLP 领域中使用最为广泛的模型之一,其训练常采用最大似然准则,且为防止过拟合,往往在目标函数中加入(可以产生稀疏性的) L1 正则.但对于这种带 L ...

  3. 一个用 Cumulative Penalty 培训 L1 正规 Log-linear 型号随机梯度下降

      Log-Linear 模型(也叫做最大熵模型)是 NLP 领域中使用最为广泛的模型之中的一个.其训练常採用最大似然准则.且为防止过拟合,往往在目标函数中增加(能够产生稀疏性的) L1 正则.但对于 ...

  4. 【论文:麦克风阵列增强】Speech Enhancement Based on the General Transfer Function GSC and Postfiltering

    作者:桂. 时间:2017-06-06  16:10:47 链接:http://www.cnblogs.com/xingshansi/p/6951494.html 原文链接:http://pan.ba ...

  5. 论文笔记:Chaotic Invariants of Lagrangian Particle Trajectories for Anomaly Detection in Crowded Scenes

    [原创]Liu_LongPo 转载请注明出处 [CSDN]http://blog.csdn.net/llp1992 近期在关注 crowd scene方面的东西.由于某些原因须要在crowd scen ...

  6. OpenCV相机标定

    标签(空格分隔): Opencv 相机标定是图像处理的基础,虽然相机使用的是小孔成像模型,但是由于小孔的透光非常有限,所以需要使用透镜聚焦足够多的光线.在使用的过程中,需要知道相机的焦距.成像中心以及 ...

  7. 浅议极大似然估计(MLE)背后的思想原理

    1. 概率思想与归纳思想 0x1:归纳推理思想 所谓归纳推理思想,即是由某类事物的部分对象具有某些特征,推出该类事物的全部对象都具有这些特征的推理.抽象地来说,由个别事实概括出一般结论的推理称为归纳推 ...

  8. Reading | 《DEEP LEARNING》

    目录 一.引言 1.什么是.为什么需要深度学习 2.简单的机器学习算法对数据表示的依赖 3.深度学习的历史趋势 最早的人工神经网络:旨在模拟生物学习的计算模型 神经网络第二次浪潮:联结主义connec ...

  9. Reading | 《TensorFlow:实战Google深度学习框架》

    目录 三.TensorFlow入门 1. TensorFlow计算模型--计算图 I. 计算图的概念 II. 计算图的使用 2.TensorFlow数据类型--张量 I. 张量的概念 II. 张量的使 ...

随机推荐

  1. docker 在window10下的安装

    在win10下安装docker 打开下载页面 https://store.docker.com/editions/community/docker-ce-desktop-windows 打开控制面板 ...

  2. vmdk转qcow2格式

    关闭vm 多文件格式转换成单文件格式vmdk 进入cmd命令行模式的窗口 进入VMware workstations的安装路径下 vmware-vdiskmanager.exe -r "E: ...

  3. JVM-字节码

  4. Servlet 教程 各个知识点简单概括

    Servlet 教程 http://www.ziqiangxuetang.com/servlet/servlet-cookies-handling.html Servlet 教程 Servlet 教程 ...

  5. [持续交付实践] pipeline使用:语法详解

    一.引言 jenkins pipeline语法的发展如此之快用日新月异来形容也不为过,而目前国内对jenkins pipeline关注的人还非常少,相关的文章更是稀少,唯一看到w3c有篇相关的估计是直 ...

  6. IDLE的GUI交互模式下完美清屏

    IDLE的GUI交互模式下完美清屏==============================================================================1.首先把 ...

  7. SpringBoot中常用注解@Controller/@RestController/@RequestMapping的区别

    @Controller 处理http请求 @Controller //@ResponseBody public class HelloController { @RequestMapping(valu ...

  8. leetcode236

    class Solution { public: TreeNode* lowestCommonAncestor(TreeNode* root, TreeNode* p, TreeNode* q) { ...

  9. 【Java】获取二维数组行列长度

    二维数组int array[][] = new int[3][3]; 行长度:array.length 列长度:array[i].length

  10. ArcGIS自定义工具箱-字段合并

    ArcGIS自定义工具箱-字段合并 联系方式:谢老师,135-4855-4328,xiexiaokui#qq.com 目的:用指定字符合并两个字段 用例:湖南/长沙=>湖南省长沙市 数据源: 使 ...