无线通信均衡技术matlab仿真.doc

现给出迫零均衡(ZF)、最小均方误差均衡中的最小均方算法(LMS)的matlab程序，理解各程序，完成以下习题。将程序运行结果及各题目的解答写入word中：用matlab分别运行“main_zf.m”和“main_lms.m”(a)在程序中标注“注释”处加上注释(英文或中文)。(b)写出这两种算法实现的流程。(c)运行程序，会得到关于信号的一系列图形，包括信号序列图、均衡前后眼图以及均衡前后的误码率图，分析这些图形，你能得到什么结论答：(a)在程序中标注“注释”处加上注释(英文或中文)。main_zf程序：dataout=conv(r,C);%注释：接收信号进入ZF滤波器title( 迫零均衡后的眼图 );%注释：绘制眼图snr_in_dB=[4:11];%注释：不同的误码率N=[123];%注释：不同的滤波器抽头系数(2N+1)SNR=10^(snr_in_dB(jj)/10);%注释：将dB形式的信噪比转化为线性的err=0;%注释：误码率清零err1=0;%注释：未经均衡的误码率清零err1=0;%注释：未经均衡的误码率清零forkk=1:10^3%注释：仿真次数……这个不用注释了吧x=2*round(rand(1,M)+P-0.5)-1;%注释：产生一列01码x2=awgn(x,SNR, measured , linear );%注释：按照SNR加入加性高斯白噪声x1=conv(x2,h);%注释：信号进入信道y=conv(x1,C);%注释：迫零均衡L=(length(y)-M)/2;y=y(L+1:L+M);%注释：只取卷积的一部分用于判决y=sign(y);%注释：判决err=err+sum(abs(x-y))/2;%注释：统计误码总数(经过均衡的)L1=(length(x1)-M)/2;%注释：确定取卷积的其实位置x11=x1(L1+1:L1+M);%注释：只取卷积的一部分用于判决y11=sign(x11);%注释：err1=err1+sum(abs(x-y11))/2;%注释：确定未经均衡的误码总数err_rate(ii,jj)=err/(M*10^3)%注释：经过均衡的误码率err_rate1(1,jj)=err1/(M*10^3)%注释：未经均衡的误码率main_LMS.m函数fori=1:length(SNRdB)%注释：仿真不同信噪比下的情形disp([ 目前仿真到第 ,num2str(i), 轮: , SNR= ,num2str(SNRdB(i)), dB ]);%注释：在命令窗口输出当前仿真的轮数TotalError=0;%注释：初始化误码数SNR=10^(SNRdB(i)/10);%注释：转换成线性的信噪比forJJJ=1:Loops(i)%注释：仿真轮数…x=randsrc(1,N,[0,1;0.5,0.5]);%注释：等概率产生01序列x1=1-x*2;%注释：将序列转换成双极性x2=conv(x1,h);%注释：信号进入信道x3=AWGN(x2,SNR, measured , linear );%注释：双极性信号加入加性高斯白噪声x6=filter(C,1,x3);%注释：使用上面生成的多项式对加入噪声的信号进行滤波x7=(1-sign(x6))/2;%注释：判决x8=x3<0;%注释：过零判决TotalError=TotalError+sum(abs(x-x7(3:end)));%注释：均衡后误码总数totalerror1=totalerror1+sum(abs(x8(1:end-2)-x));%注释：均衡前误码总数BER(i)=TotalError/(N-order)/Loops(i);%注释：均衡后的误码率ber1(i)=totalerror1/N/Loops(i);%注释：均衡前的误码率semilogy(SNRdB,BER, r.- );%注释：绘制误码率曲线(b)写出这两种算法实现的流程。迫零算法：确定抽头数生成信号序列，并转为双极性码叠加高斯白噪声乘以多径系数，模拟多径信号破零均衡器解调根据多径信道系数，及抽头数计算出迫零均衡器系数计算误码总数，并累计循环1000次求得误码率LMS算法：生成信号序列，并转为双极性码乘以多径系数，模拟多径信号叠加高斯白噪声对序列进行10000次比较，得到LMS解调序列计算误码总数，并累计循环100次求得误码率改变信噪比可得不同数据LMS解调(c)运行程序，会得到关于信号的一系列图形，包括信号序列图、均衡前后眼图以及均衡前后的误码率图，分析这些图形，你能得到什么结论迫零算法：050010001500-1-0.500.51七七七七七七0500100015002000-2-1012七七七七七七0500100015002000-2-1012七七七七七七七七-0.500.5-2-1.5-1-0.500.511.52TimeAmplitude七七七七七七七七-0.500.5-1.5-1-0.500.511.5TimeAmplitude七七七七七七七七456789101110-710-610-510-410-310-210-1七七七SNR七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七七无论是从多径序列还是从其眼图上，我们都可以发现信号的质量是非常差的，眼图的“眼睛”张开缝隙非常小，并且也存在定时抖动，而经过迫零论衡后的眼图的质量有着显著的提升，眼睛张开的很大，并且定时抖动也非常小，可以说是比较理想的。从后面的误码率-信噪比曲线也可以看出来，经过迫零算滤波器处理的信号比未经均衡的信号有在同样的信噪比下有着更低的误码率，并且还可以发现，随着迫零滤波器的阶数的增加，相同信噪比下的误码率会降低。LMS算法：0500010000-1-0.500.51七七七七七七050001000015000-1-0.500.51七七七七七七050001000015000-2-1012七七七七七七七七七050001000015000-2-1012七七七七七七七-0.500.5-1.5-1-0.500.511.5TimeAmplitude七七七七七七-0.500.5-2-1.5-1-0.500.511.52TimeAmplitude七七七七七七567891011213141510-610-510-410-310-210-1100SNR七七七七dB七七七七七七七七七七七七七七七七七七七七七七七七七七七七七从眼图以及信号时域波形可以看出，未经均衡的信号的质量可谓非常差的，眼睛张开的程度非常小，相位抖动也非常大；经过LMS算法滤波后质量有所改观，总误码率-信噪比曲线上也可以证实这一点。在相同的信噪比下，LSM算法均衡后可以不同程度的降低误码率，在仿真的信噪比(5～15dB)下，随着信噪比的增大，LMS算法均衡的降低误码率的作用就越明显。