【模拟通信】AM、FM等的调制解调

调制相关的概念

调制:控制载波的参数,使载波参数随调制信号的规律变化

已调信号:受调载波,含有调制信号的全部特征

调制的作用:

  • 提高发射效率
  • 多路复用,提高信道利用率
  • 提高系统抗干扰能力

两种调制方式

线性调制(幅度调制)

线性调制的通用模型

  • 一般模型
    线性调制系统
    已调信号 s m ( t ) s_m(t) sm(t)频谱 S m ( w ) S_m(w) Sm(w)只是按照载波的频率进行简单的搬移(线性),故幅度调制称为线性调制

  • 抗噪声性能
    请添加图片描述

  • 抗噪声性能指标
    输出信噪比 S 0 N 0 = m o 2 ( t ) ‾ n o 2 ( t ) ‾ \frac{S_0}{N_0}=\frac{\overline{m_o^2(t)}}{\overline{n_o^2(t)}} N0S0=no2(t)mo2(t)
    调制制度增益(信噪比增益) G = S 0 / N 0 S i / N i G=\frac{S_0/N_0}{S_i/N_i} G=Si/NiS0/N0
    输入噪声功率 N i = n 0 B N_i=n_0B Ni=n0B 注意 n 0 n_0 n0单边功率谱密度(高斯白噪声双边谱密度乘以2)


AM–调幅

已调信号
s A M ( t ) = [ A 0 + m ( t ) ] c o s w c t s_{AM}(t)=[A_0+m(t)]cosw_ct sAM(t)=[A0+m(t)]coswct
A 0 c o s w c t A_0cosw_ct A0coswct载波项

m ( t ) c o s w c t m(t)cosw_ct m(t)coswct边带项

S A M ( w ) = π A 0 [ σ ( w + w c ) + σ ( w − w c ) ] + 1 2 [ M ( w + w c ) + M ( w − w c ) ] S_{AM}(w)=\pi A_0 [\sigma (w+w_c)+\sigma (w-w_c)]+\frac{1}{2}[M(w+w_c)+M(w-w_c)] SAM(w)=πA0[σ(w+wc)+σ(wwc)]+21[M(w+wc)+M(wwc)]

AM调制需要满足的条件:调制信号 m ( t ) m(t) m(t)和叠加的直流偏量 A 0 A_0 A0需满足 ∣ m ( t ) ∣ m a x ≤ A 0 |m(t)|_{max} \leq A_0 m(t)maxA0
这样就可以使用包络检波的方法恢复原始调制信号,否则就会发生y轴上下混叠,需改用相干解调,失去了AM接受设备要求简单的特性
请添加图片描述

AM已调信号的频谱由载波分量、上边带和下边带组成(使用对称的双边谱在搬移时产生了两个边带)
B A M = 2 f H B_{AM}=2f_H BAM=2fH

画AM已调信号的原则:先用虚线画信号 A 0 + m ( t ) A_0+m(t) A0+m(t)的波形,再画其关于t轴对称波形,阐明了载波的最大幅度包络边界;然后按照载波原有的频率(周期)将其搬移到两个对称波形之间,幅度按照对称波形的包络起伏

调制效率 η A M = P S P A M \eta_{AM}=\frac{P_S}{P_{AM}} ηAM=PAMPS P S P_S PS边带功率最大值为 1 3 \frac{1}{3} 31,效率低

条件及引理:

  • 通常假设 m ( t ) ‾ = 0 \overline{m(t)}=0 m(t)=0,时间平均为零
  • 信号的平均功率等于其均方值
  • c o s 2 w c ( t ) ‾ = 1 2 \overline{cos^2w_c(t)}=\frac{1}{2} cos2wc(t)=21

P A M = s A M 2 ( t ) ‾ = 1 2 [ A 0 2 + m 2 ( t ) ‾ ] = P c + P s P_{AM}=\overline{s^2_{AM}(t)}=\frac{1}{2}[A_0^2+\overline{m^2(t)}]=P_c+P_s PAM=sAM2(t)=21[A02+m2(t)]=Pc+Ps
总功率等于载频功率和边带功率之和

AM抗噪声性能–只讨论包络检波
通过包络检波器后的合成包络 E ( t ) = [ A 0 + m ( t ) + n c ( t ) ] 2 + n s ( t ) 2 ) E(t)=\sqrt{[A_0+m(t)+n_c(t)]^2+n_s(t)^2)} E(t)=[A0+m(t)+nc(t)]2+ns(t)2)

  • 大信噪比: E ( t ) = A 0 + m ( t ) + n c ( t ) E(t)=A_0+m(t)+n_c(t) E(t)=A0+m(t)+nc(t) 经过电容器后直流分量 A 0 A_0 A0被消除 S o = m 2 ( t ) ‾ S_o=\overline{m^2(t)} So=m2(t) N o = n c ( t ) 2 ‾ = n i ( t ) 2 ‾ = n o B N_o=\overline{n_c(t)^2}=\overline{n_i(t)^2}=n_oB No=nc(t)2=ni(t)2=noB
    结论 G A M = 2 3 G_{AM}=\frac{2}{3} GAM=32
  • 小信噪比:有门限效应(输出信噪比在输入信噪比小于门限值时急剧下降)

DSB–双边带调制

将AM中的直流偏置去除,就消除了频谱中的载频分量,消除了已调信号表达式的载频项,调制效率为1
请添加图片描述

s D S B ( t ) = m ( t ) c o s w c t s_{DSB}(t)=m(t)cosw_ct sDSB(t)=m(t)coswct
S D S B ( w ) = 1 2 [ M ( w + w c ) + M ( w − w c ) ] S_{DSB}(w)=\frac{1}{2}[M(w+w_c)+M(w-w_c)] SDSB(w)=21[M(w+wc)+M(wwc)]
S i ( t ) = S m 2 ( t ) ‾ = 1 2 m 2 ( t ) S_i(t)=\overline{S_m^2(t)}=\frac{1}{2}m^2(t) Si(t)=Sm2(t)=21m2(t)
经过相干解调乘上同步载波后恢复出来 m o ( t ) = 1 2 m ( t ) m_o(t)=\frac{1}{2}m(t) mo(t)=21m(t)
S o ( t ) = m o 2 ( t ) ‾ = 1 4 m 2 ( t ) ‾ S_o(t)=\overline{m_o^2(t)}=\frac{1}{4}\overline{m^2(t)} So(t)=mo2(t)=41m2(t)
由于高斯窄带噪声 n i ( t ) = n c ( t ) c o s w 0 t − n s ( t ) s i n w 0 t n_i(t)=n_c(t)cosw_0t-n_s(t)sinw_0t ni(t)=nc(t)cosw0tns(t)sinw0t且窄带噪声及其两个分量的均值相同均为 N i N_i Ni

则同理输出的噪声 n 0 n_0 n0也是其同相分量 n c n_c nc的一半

N o = n o 2 ( t ) ‾ = 1 4 n c 2 ( t ) ‾ = 1 4 N i N_o=\overline{n_o^2(t)}=\frac{1}{4}\overline{n_c^2(t)}=\frac{1}{4}N_i No=no2(t)=41nc2(t)=41Ni
而其正交分量 n i n_i ni被抑制掉

所以 G D S B = 2 G_{DSB}=2 GDSB=2


SSB–单边带调制

与DSB相比只传输其上下边带中的一个,节省一半的带宽 B S S B = f H B_{SSB}=f_H BSSB=fH
请添加图片描述
请添加图片描述

请添加图片描述

S i = S S S B 2 ( t ) ‾ = 1 4 m 2 ( t ) ‾ S_i=\overline{S_{SSB}^2(t)}=\frac{1}{4}\overline{m^2(t)} Si=SSSB2(t)=41m2(t)
由于有两个分量的影响 m o ( t ) = 1 4 m ( t ) m_o(t)=\frac{1}{4}m(t) mo(t)=41m(t)
S o = m o 2 ( t ) ‾ = 1 16 m 2 ( t ) ‾ S_o=\overline{m_o^2(t)}=\frac{1}{16}\overline{m^2(t)} So=mo2(t)=161m2(t)
N i N_i Ni N o N_o No和DSB情况相同

故有 G S S B = 1 G_{SSB}=1 GSSB=1
两者的抗噪声能力相同(相同带宽)


VSB–残留边带调制

这里以DSB信号通过滤波器为例
请添加图片描述

VSB滤波器需满足的条件(载频处互补对称
H ( w + w c ) + H ( w − w c ) = c o n s t H(w+w_c)+H(w-w_c)=const H(w+wc)+H(wwc)=const
已调信号的带宽
f H < B V S B < 2 f H f_H<B_{VSB}<2f_H fH<BVSB<2fH


非线性调制(角度调制)

s m ( t ) = A c o s ( w c t + ϕ ( t ) ) s_m(t)=Acos(w_ct+\phi (t)) sm(t)=Acos(wct+ϕ(t))
ϕ ( t ) \phi (t) ϕ(t)称作瞬时相位偏移(相对于载波相位 w c t w_ct wct

d ϕ ( t ) d t \frac{d\phi(t)}{dt} dtdϕ(t)陈作瞬时频偏(相对于载频 w c w_c wc),这里用到了瞬时相位对时间求导得到瞬时频率

与线性调制相比:

  • 较高的抗噪声性能
  • 占用更宽的带宽

PM–调相

瞬时相位偏移随调制信号线性变化
S P M ( t ) = A c o s ( w c ( t ) + K p m ( t ) ) S_{PM}(t)=Acos(w_c(t)+K_pm(t)) SPM(t)=Acos(wc(t)+Kpm(t))调相灵敏度 K p ( r a d / V ) K_p(rad/V) Kp(rad/V)

调相系数 m p = K p A m m_p=K_pA_m mp=KpAm

FM–调频

瞬时频率偏移随调制信号线性变化(瞬时相位偏移随信号积分线性变化)
S F M ( t ) = A c o s ( w c ( t ) + K f ∫ m ( λ ) d λ ) = A c o s [ w c ( t ) + K f A m ∫ c o s w m τ d τ ] = A c o s [ w c ( t ) + K f A m w m s i n w m t ] \begin{aligned}S_{FM}(t)&=Acos(w_c(t)+K_f\int m(\lambda)d\lambda)\\&=Acos[w_c(t)+K_fA_m\int cosw_m\tau d\tau]\\&=Acos[w_c(t)+\frac{K_fA_m}{w_m}sinw_mt]\\\end{aligned} SFM(t)=Acos(wc(t)+Kfm(λ)dλ)=Acos[wc(t)+KfAmcoswmτdτ]=Acos[wc(t)+wmKfAmsinwmt]调相灵敏度 K f ( r a d / ( V ⋅ s ) K_f(rad/(V\cdot s) Kf(rad/(Vs)

调频系数 m f = K f A m w m = Δ w w m = Δ f f m m_f=\frac{K_fA_m}{w_m}=\frac{\Delta w}{w_m}=\frac{\Delta f}{f_m} mf=wmKfAm=wmΔw=fmΔf Δ f \Delta f Δf为最大频偏, f m f_m fm相邻变频间隔

带宽(卡森公式,工程近似) B F M = 2 ( m f + 1 ) f m = 2 ( Δ f + f m ) B_{FM}=2(m_f+1)f_m=2(\Delta f+f_m) BFM=2(mf+1)fm=2(Δf+fm)

调频信号的产生:直接调频和间接调频(NBFM-WBFM)

调频信号的解调:

  • 非相干解调(NBFM和WBFM)
  • 相干解调(NBFM)
    调制后总功率不变,功率分配比例与 m f m_f mf有关

输出信噪比(大信噪比) S o N o = 3 2 m f 2 A 2 / 2 n o f m \frac{S_o}{N_o}=\frac{3}{2}m^2_f\frac{A^2/2}{n_of_m} NoSo=23mf2nofmA2/2
制度增益 G F M = 3 m f 2 ( m f + 1 ) G_{FM}=3m_f^2(m_f+1) GFM=3mf2(mf+1)
输出信噪比与调幅信号相比为其 3 m f 2 3m^2_f 3mf2

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.mzph.cn/news/646082.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

​第20课 在Android Native开发中加入新的C++类

​这节课我们开始利用ffmpeg和opencv在Android环境下来实现一个rtmp播放器&#xff0c;与第2课在PC端实现播放器的思路类似&#xff0c;只不过在处理音视频显示和播放的细节略有不同。 1.压缩备份上节课工程文件夹并修改工程文件夹为demo20&#xff0c;将demo20导入到Eclipse或…

RBD —— 简介

目录 General workflow Tips RBD SOP inputs and outputs Clustering Importing a fractured object into DOPs RBD SOP support nodes Related SOPs Low-level SOPs 通常在刚体模拟中&#xff0c;希望实体对象会因某些碰撞或力而破碎&#xff1b;Houdini内大多数破碎…

C# Bitmap类学习1

Bitmap对象封装了GDI中的一个位图&#xff0c;此位图由图形图像及其属性的像素数据组成.因此Bitmap是用于处理由像素数据定义的图像的对象。 using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using …

教你如何低成本自建「幻兽帕鲁」服务器,快速一键部署

创建幻兽帕鲁服务器1分钟部署教程&#xff0c;阿里云和腾讯云均推出幻兽帕鲁服务器服务器和部署教程&#xff0c;4核16G和4核32G配置可选&#xff0c;阿腾云atengyun.com分享1分钟自建幻兽帕鲁Palworld服务器教程&#xff1a; 幻兽帕鲁服务器创建教程 幻兽帕鲁服务器官方推荐…

EF core连接数据库的前期完整配置流程-开发环境搭建

EF core连接数据库完整流程-开发环境搭建 前置&#xff1a;.net6 core webapi不勾选任何配置 声明&#xff1a;这里是以两个配置类来做的&#xff0c;一个T_Books表&#xff0c;一个T_Person表 Book&#xff1a;创建属性及类型 BookConfig&#xff1a;对创建的进行属性数据表…

66.Spring是如何整合MyBatis将Mapper接口注册为Bean的原理?

原理 首先MyBatis的Mapper接口核心是JDK动态代理 Spring会排除接口&#xff0c;无法注册到IOC容器中 MyBatis 实现了BeanDefinitionRegistryPostProcessor 可以动态注册BeanDefinition 需要自定义扫描器&#xff08;继承Spring内部扫描器ClassPathBeanDefinitionScanner ) 重…

物业app开发实战:10大功能必备,打造智能社区生活

随着智能科技的快速发展&#xff0c;物业管理也逐渐迈入数字化时代。物业app开发成为了提升社区管理效率、改善居民生活质量的重要途径。在本文中&#xff0c;我将分享10大必备功能&#xff0c;帮助开发者打造智能社区生活的物业app。 1. 便捷的社区公告发布功能 通过物业app…

R语言VRPM包绘制多种模型的彩色列线图

列线图&#xff0c;又称诺莫图&#xff08;Nomogram&#xff09;&#xff0c;它是建立在回归分析的基础上&#xff0c;使用多个临床指标或者生物属性&#xff0c;然后采用带有分数高低的线段&#xff0c;从而达到设置的目的&#xff1a;基于多个变量的值预测一定的临床结局或者…

免费畅享,打破写作瓶颈:星火写作助手覆盖全面,助你轻松创作

啰嗦几句 最近年终岁末&#xff0c;公司的各种文案各种总结&#xff0c;写得人是头晕脑胀&#xff0c;所以好多小伙伴最近在求智能写作的软件&#xff0c;最好是ChatGPT。 ChatGPT是国外产品&#xff0c;在国内并不能访问。而就智能写作来说&#xff0c;我们何必舍近求远呢&am…

1.新建项目

愿你出走半生,归来仍是少年&#xff01; 环境&#xff1a;.NET 7、MAUI 1.新建项目 打开VS2022,点击“创建新项目”。 新建项目 2.选择项目类型 在搜索框输入“Maui”&#xff0c;选择“NET MAUI应用”&#xff0c;配置项目名称、保存地址等&#xff0c;并选择框架版本。 项目…

精准监测,守护城市脉搏:管网压力、流量监测设备

在繁忙的城市中&#xff0c;每一个管道都如同城市的血脉&#xff0c;承载着重要的使命。为了确保城市的正常运行&#xff0c;我们提供精准的管网压力、流量监测设备&#xff0c;用科技守护城市的脉搏。 我们的设备采用最新的技术&#xff0c;可以实时监测管网的压力和流量&…

【11.PWM捕获】蓝桥杯嵌入式一周拿奖速成系列

系列文章目录 蓝桥杯嵌入式系列文章目录(更多此系列文章可见) PWM捕获 系列文章目录一、STM32CUBEMX配置二、项目代码1.mian.c --> HAL_TIM_IC_CatureCallback 总结 一、STM32CUBEMX配置 STM32CUBEMX PA15 ->TIM2_CH1; PB4-> TIM3_CH1 预分频设置为79,自动重装载设置…

HTML实战

HTML实战 标题 标题排版 img标签路径书写的两种方式&#xff1a; 绝对路径 绝对磁盘路径&#xff1a;C:\User…绝对网络路径&#xff1a;https://i2.sinaimg.cn/dy/deco/2012/0613/yocc20120613img01/news_logo.png 相对路径 ./ : 当前目录 ../ &#xff1a; 上一级目录宽…

Spring基于dynamic-datasource实现MySQL多数据源

目录 多数据源实现 引入依赖 yml配置文件 业务代码 案例演示 多数据源实现 引入依赖 <dependency><groupId>com.baomidou</groupId><artifactId>dynamicdatasourcespringbootstarter</artifactId><version>3.5.0</version> &…

Programming Abstractions in C阅读笔记:p248-p253

《Programming Abstractions in C》学习第69天&#xff0c;p248-p253总结&#xff0c;总计6页。 一、技术总结 “A generalized program for two-player games”如标题所示&#xff0c;该小节强调要学会从一个复杂的程序中抽象出通用的内容——这也是本书的主旨——“Program…

Linux快速入门

目录 一. Linux的结构目录 1.1 Linux的目录结构 1.2 常用的目录介绍 二. 常用命令 # 与 $ 提示的区别 查看ip地址&#xff1a;ifconfig su&#xff1a;切换用户 cd 目录查看 查看文件内容 创建目录及文件 复制和移动 其他 tar which whereis find chmod 三. vim一般使用 四…

C4.5决策树的基本建模流程

C4.5决策树的基本建模流程 作为ID3算法的升级版&#xff0c;C4.5在三个方面对ID3进行了优化&#xff1a; &#xff08;1&#xff09;它引入了信息值&#xff08;information value&#xff09;的概念来修正信息熵的计算结果&#xff0c;以抑制ID3更偏向于选择具有更多分类水平…

<C++>STL->vector

vector的介绍 vector的使用文档 vector是一个可改变数组大小的序列容器vector和数组一样采取连续的空间存放数据&#xff0c;可以使用方括号访问vector的元素&#xff0c;和数组一样高效。但是vector的大小可以动态增长&#xff0c;而数组不行实际上vector内部使用一个动态分…

redis—Set集合

目录 前言 1.常见命令 2.使用场景 前言 集合类型也是保存多个字符串类型的元素的&#xff0c;但和列表类型不同的是&#xff0c;集合中1)元素之间是无序的2)元素不允许重复&#xff0c;如图2-24所示。一个集合中最多可以存储22 - 1个元素。Redis 除了支持集合内的增删查改操…

前端 .then 返回有数据但是return 不出来 ,并 解决处理后的 Promise下的Object

解决方法就是&#xff1a;async await async声明方法为异步方法&#xff0c;await等待异步操作执行完。 &#xff08;async函数return的是Promise&#xff0c;await Promise后得到Object&#xff09; 注意的是&#xff0c;异步方法返回值为peomise<>&#xff0c;接收时需…