计算机网络:物理层 - 信道极限容量

计算机网络:物理层 - 信道极限容量

    • 实际信道中的数字信号
    • 奈式准则
    • 香农公式
    • 练习


实际信道中的数字信号

信号在传输过程中会受到各种因素的影响,如图所示:

在这里插入图片描述

这是一个数字信号,当它通过实际的信道后,波形会产生失真,当失真不严重时,在输出端还可根据已失真的波形还原出发送的码元。但当失真严重时,在接收端就很难判断这个信号在什么时候是 1 ,在什么时候是 0 :

信号波形失去了码元之间的清晰界限,这种现象叫做码间串扰

产生失真的原因主要有码元传输速率信号传输距离噪声干扰传输媒体质量等。


奈式准则

早在 1924 年,奈奎斯特就推导出了著名的奈氏准则,他给出了在假定的理想条件下,为了避免码间串扰,码元传输速率的上限。

理想低通信道的最高码元传输速率
理想低通信道的最高码元传输速率  = 2 W Baud  = 2 W 码元/秒  \text { 理想低通信道的最高码元传输速率 }=2 \mathrm{~W} \text { Baud }=2 \mathrm{~W} \text { 码元/秒 }  理想低通信道的最高码元传输速率 =2 W Baud =2 W 码元/ 

理想带通信道的最高码元传输速率
理想带通信道的最高码元传输速率 = W Baud  = W 码元/秒  \text { 理想带通信道的最高码元传输速率}= \mathrm{~W} \text { Baud }= \mathrm{~W} \text { 码元/秒 }  理想带通信道的最高码元传输速率= W Baud = W 码元/ 

低通信道:信号的所有低频分量只要其频率不超过某个上限值,都能不失真地通过此信道;而所有频率超过该上限值的高频分量都不能通过该信道。(如果题目没有规定上下限,或者没有指明信道,都默认是低通信道
带通信道:只允许上下限之间的频率的信号不失真地通过,其余所有频率都不能通过该信道

W:信道带宽,单位为Hz

Baud的意思是波特,也就是码元每秒。

码元传输速率,又称为波特率、调制速率、波形速率或符号速率。它与比特率有一定的关系。

  • 当一个码元只携带1比特的信息量时,1 码元每秒 = 1 比特每秒,也就是波特率比特率在数值上是相等的。

  • 当一个码元携带n比特的信息量时,1 码元每秒 = n 比特每秒,则波特率转换成比特率时,数值要乘以n

需要说明的是,实际的信道所能传输的最高码元速率要明显低于奈氏准则给出的这个上限值。这是因为奈氏准则是在假定的理想条件下推导出来的,不考虑其他因素,例如传输距离、噪声干扰、传输媒体质量等。

仅从公式来看,只要采用更好的调制方法,让码元可以携带更多的比特,岂不是可以无限制的提高信息的传入速率吗?

在解决这个问题之前,我们要先了解信噪比这个概念:

实际的信道都是有噪声的,但是噪声的影响是相对的,如果信道较强,那么噪声的影响相对就小,于是用信噪比来评估噪声对信道的影响。信噪比就是信道的平均功率S和噪声的平均功率N之比,记为 S / N  。但是信噪比有一个比较容易混淆的问题,那就是信噪比有两种表示形式:没有单位的形式以及以dB为单位的形式。它们满足以下公式:

信噪比 ( d B ) = 10 log ⁡ 10 S N ( d B ) 信噪比 \left ( dB \right ) = 10 \log_{10}{\frac{S}{N}} \left ( dB \right ) 信噪比(dB)=10log10NS(dB)

左侧的信噪比是以分贝dB为单位的信噪比,而右侧的 S N \frac{S}{N} NS则是无单位的信噪比。

信道的极限信息传输速率还要受限于实际的信号在信道中传输时的信噪比,因为信道中的噪声也会影响接收端对码元的识别,并且噪声功率相对信号功率越大,影响就越大。后来的香农公式中,就量化了信噪比对传输速率的影响:


香农公式

1948 年,香农用信息论的理论推导出了带宽受限且有高斯白噪声干扰的信道的极限信息传输速率。具体公式如下所示:

c = W ⋅ log ⁡ 2 ( 1 + S N ) ( b i t / s ) c = W \cdot \log_{2}{\left ( 1 + \frac{S}{N} \right ) } \left ( bit/s \right ) c=Wlog2(1+NS)(bit/s)

c:信道的极限信息传输速率,单位是bit/s,
W:信道带宽,单位为Hz。
S :信道内所传送信号的平均功率
N :信道内的高斯噪声功率
S N \frac{S}{N} NS :信噪比,此时这个分式整体是没有单位的信噪比

如下所示,从相同公式可以看出,信道带宽或信道中信噪比越大,信息的极限传入速率就越大

需要说明的是,在实际信道上能够达到的信息传输速率要比该公式的极限传输速率低不少,这是因为在实际信道中,信号还要受到其他一些损伤,例如各种脉冲干扰、信号在传输中的衰减和失真等。这些因素在相同公式中并未考虑。综合来看,耐试准则和相同公式在信道带宽一定的情况下,要想提高信息的传入速率,就必须采用多元制,并努力提高信道中的信噪比。自从相同公式发表以后,各种新的信号处理和调制方法就不断出现,其目的都是为了尽可能的接近相同公式所给出的传输速率极限。


练习

接下来我们来做几个与这两个公式有关的练习题。
在这里插入图片描述

答案是D

从香农公式 c = W ⋅ log ⁡ 2 ( 1 + S N ) ( b i t / s ) {\color{Red}c = W \cdot \log_{2}{\left ( 1 + \frac{S}{N} \right ) } \left ( bit/s \right ) } c=Wlog2(1+NS)(bit/s) 可知,信噪比频率带宽都会影响信道数据传输速率。
从奈氏准则 理想低通信道的最高码元传输速率  = 2 W Baud  = 2 W 码元/秒  {\color{Red}\text { 理想低通信道的最高码元传输速率 }=2 \mathrm{~W} \text { Baud }=2 \mathrm{~W} \text { 码元/秒 }}  理想低通信道的最高码元传输速率 =2 W Baud =2 W 码元/  可知,调制速度,也就是码元传入速度和码元所携带的比特数量都会影响信道数据传输速率。


在这里插入图片描述

从奈氏准则 理想低通信道的最高码元传输速率  = 2 W Baud  = 2 W 码元/秒  {\color{Red}\text { 理想低通信道的最高码元传输速率 }=2 \mathrm{~W} \text { Baud }=2 \mathrm{~W} \text { 码元/秒 }}  理想低通信道的最高码元传输速率 =2 W Baud =2 W 码元/  可知,该通信链路的最高码元传播速率为 2 × 3 k = 6 k ( B a u d ) {\color{Red} 2\times 3k = 6k\left ( Baud \right ) } 2×3k=6k(Baud),也就是 6 k ( 码元每秒 ) {\color{Red}6k\left ( 码元每秒 \right ) } 6k(码元每秒)

采用四个相位、每个相位四种振幅的 QM 调制技术,可以调制出 4 × 4 = 16 {\color{Red} 4\times 4=16} 4×4=16 个不同的基本波形,也就是 16 个不同的码元。采用二进制对这 16 个不同的码元进行编码,需要使用 log ⁡ 2 16 = 4 {\color{Red} \log_{2}{16} = 4 } log216=4 个比特,换句话说,每个码源可以携带的信息量为 4 比特

综合前两段可知,该通信链路的最大数据传输速率等于 6 k ( 码元每秒 ) {\color{Red}6k\left ( 码元每秒 \right ) } 6k(码元每秒),一个码元 4 比特, 理想低通信道的最高码元传输速率  = 6 k ( B a u d ) = 6 k × 4 = 24 k b i t / s {\color{Red}\text { 理想低通信道的最高码元传输速率 } = 6k\left ( Baud \right ) = 6k \times 4 = 24k bit/s}  理想低通信道的最高码元传输速率 =6k(Baud)=6k×4=24kbit/s

因此,本题的正确答案是B

实际上,对于这种类型的题目,不管题目给出的调制技术多么复杂,或者对于我们而言多么陌生,这都不会影响我们解题。我们只需关心这种调制技术可以调制出多少个不同的基本波形即可。


在这里插入图片描述

采用四相位调制,可以调制出四种相位不同的基本波形,采用二进制对这四种不同的波形进行编码,需要使用 log ⁡ 2 4 = 2 {\color{Red} \log_{2}{4} = 2 } log24=2个比特。换句话说,每个码元可以携带的信息量为两个比特。

数据传输速率等于波特率乘以每个码元所携带的信息量:

波特率 = 数据传输速率 码元信息量 {\color{Red}波特率 = \frac{数据传输速率}{ 码元信息量 }} 波特率=码元信息量数据传输速率

带入本题的相关数值:
波特率 = 2400 ( b i t / s ) 2 = 1200 ( B a u d ) {\color{Red}波特率 = \frac{2400(bit/s)}{ 2 } = 1200(Baud)} 波特率=22400(bit/s)=1200(Baud)

因此,本题的正确答案是B


在这里插入图片描述

本题中,信噪比是以分贝为单位的,我们要先通过公式 信噪比 ( d B ) = 10 log ⁡ 10 S N ( d B ) {\color{Red}信噪比 \left ( dB \right ) = 10 \log_{10}{\frac{S}{N}} \left ( dB \right )} 信噪比(dB)=10log10NS(dB)把它转化为没有单位的S / N

公式变形得到:
S N = 1 0 信噪比 10 {\color{Red}\frac{S}{N} = 10^{\frac{信噪比}{10} } } NS=1010信噪比

带入数据信噪比 = 30 dB

S N = 1 0 30 10 = 1000 {\color{Red}\frac{S}{N} = 10^{\frac{30}{10} } = 1000 } NS=101030=1000

根据香农公式 c = W ⋅ log ⁡ 2 ( 1 + S N ) ( b i t / s ) {\color{Red}c = W \cdot \log_{2}{\left ( 1 + \frac{S}{N} \right ) } \left ( bit/s \right ) } c=Wlog2(1+NS)(bit/s) ,带入带宽W = 8k HzS / N = 1000,得到W = 80k bit/s,由于取用理论最大数据理论值的50%,计算结果为40 bit/s

因此,本题的正确答案是C


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://xiahunao.cn/news/2904927.html

如若内容造成侵权/违法违规/事实不符,请联系瞎胡闹网进行投诉反馈,一经查实,立即删除!

相关文章

前端的拖拽序列(drag)

html和css代码如下 <style>.item {width: 200px;height: 50px;background: rgb(15, 226, 219);margin: 10px 0;padding-left: 20px;border-radius: 10px;line-height: 50px;}.item.move {background: transparent;color: transparent;border: 1px dashed #ccc;}</sty…

fpga 通过axi master读写PS侧DDR的仿真和上板测试

FPGA和ARM数据交互是ZYNQ系统中非常重要的内容。PS提供了供FPGA读写的AXI-HP接口用于两者的高速通信和数据交互。一般的&#xff0c;我们会采用AXI DMA的方式去传输数据&#xff0c;DMA代码基本是是C编写&#xff0c;对于FPGA开发者来说不利于维护和debug。本文提供一种手写AXI…

AI新工具 又一个开源大模型DBRX击败GPT3.5;根据音频和图像输入生成会说话、唱歌的动态视频

✨ 1: AniPortrait 腾讯开源&#xff1a;根据音频和图像输入生成会说话、唱歌的动态视频 AniPortrait 是个先进的框架&#xff0c;专门用来生成高质量的、由音频和参考肖像图片驱动的动画。如果你有视频&#xff0c;也可以用来实现面部的再现&#xff08;Face reenactment&am…

flink on yarn-per job源码解析、flink on k8s介绍

Flink 架构概览–JobManager JobManager的功能主要有: 将 JobGraph 转换成 Execution Graph,最终将 Execution Graph 拿来运行Scheduler 组件负责 Task 的调度Checkpoint Coordinator 组件负责协调整个任务的 Checkpoint,包括 Checkpoint 的开始和完成通过 Actor System 与 …

备份SQLserver数据库到本地位置

怎么选择合适的数据库备份方案&#xff1f; 有人可能会说SSMS&#xff0c;确实&#xff0c;SSMS作为一个微软官方提供的SQLserver数据库管理工具&#xff0c;是可以帮助我们完成对数据库的备份还原任务的&#xff0c;但是它也有一些局限性&#xff0c;比如不能进行批量化的备份…

实战 | 微调训练TrOCR识别弯曲文本

导 读 本文主要介绍如何通过微调训练TrOCR实现弯曲文本识别。 背景介绍 TrOCR&#xff08;基于 Transformer 的光学字符识别&#xff09;模型是性能最佳的 OCR 模型之一。在我们之前的文章中&#xff0c;我们分析了它们在单行打印和手写文本上的表现。 TrOCR—基于Transforme…

uniapp h5 touch事件踩坑记录

场景&#xff1a;悬浮球功能 当我给悬浮球设置了 position: fixed; 然后监听悬浮球的touch事件&#xff0c;从事件对象中拿到clientY和clientX赋值给悬浮球的left和top属性。当直接赋值后效果应该是这样子&#xff1a; 注意鼠标相对悬浮球的位置&#xff0c;应该就是左上角&a…

hxp CTF 2021 - A New Novel LFI(新颖的解法)

一、环境 unbentu&#xff0c;docker https://2021.ctf.link/assets/files/includers%20revenge-25377e1ebb23d014.tar.xz 二、解析 PHP Filter 当中有一种 convert.iconv 的 Filter &#xff0c;可以用来将数据从字符集 A 转换为字符集 B &#xff0c;其中这两个字符集可以…

llama-index 结合chatglm3-6B 利用RAG 基于文档智能问答

简介 llamaindex结合chatglm3使用 import os import torch from llama_index.core import VectorStoreIndex, ServiceContext from llama_index.core.callbacks import CallbackManager from llama_index.core.llms.callbacks import llm_completion_callback from llama_ind…

JVM实战之性能调优[2](线程转储案例认识和分析)

文章目录 版权声明案例1&#xff1a;CPU占用率高问题问题描述解决思路补充内容 案例2&#xff1a;接口响应时间长问题问题描述解决思路Arthas trace命令Arthas watch命令解决问题 案例3&#xff1a;定位偏底层性能问题问题描述解决思路&#xff1a;Arthas火焰图问题解决 案例4&…

【VMware Workstation】公司所有主机和虚拟机ip互通,以及虚拟机目录迁移

文章目录 1、场景2、环境3、实战3.1、所有主机和虚拟机ip互通Stage 1 : 【虚拟机】设置为桥接模式Stage 2 : 【虚拟机】设置ipStage 3 : 【路由器】ARP 静态绑定MACStage 3-1 ping 路由器 ipStage 3-2 【静态绑定】虚拟机查看mac地址Stage 3-3 【静态绑定】路由器ARP 静态绑定 …

LLM之RAG实战(三十五)| 使用LangChain的3种query扩展来优化RAG

RAG有时无法从矢量数据库中检索到正确的文档。比如我们问如下问题&#xff1a; 从1980年到1990年&#xff0c;国际象棋的规则是什么&#xff1f; RAG在矢量数据库中进行相似性搜索&#xff0c;来查询与国际象棋规则问题相关的相关文档。然而&#xff0c;在某些情况下&#xff0…

论文《Exploring to Prompt for Vision-Language Models》阅读

论文《Exploring to Prompt for Vision-Language Models》阅读 论文概况论文动机&#xff08;Intro&#xff09;MethodologyPreliminaryCoOp[CLASS]位置Context 是否跨 class 共享表示和训练 ExperimentsOverall ComparisonDomain GeneralizationContext Length (M) 和 backbon…

Gitlab CI---could not read username for xxx: no such device or address

0 Preface/Foreword 项目开发中&#xff0c;经常会使用第三方的算法或者功能&#xff0c;那么就需要把对应的repo以子模块的方式添加到当前repo中。 添加命令&#xff1a; git submodule add <URL> 1 问题表现 子模块添加成功&#xff0c;但是GitLab CI阶段&#xff…

蓝桥杯 - 小明的背包3(多重背包)

解题思路&#xff1a; 动态规划 多重背包问题需要在01背包问题&#xff08;不重复&#xff09;的基础上多加一层循环进行遍历&#xff0c;并且dp[ j ]的式子也需要修改 import java.util.Scanner;public class Main {public static void main(String[] args) {Scanner scan …

2024/03/28(C++·day4)

一、思维导图 二、练习题 1、写出三种构造函数&#xff0c;算术运算符、关系运算符、逻辑运算符重载尝试实现自增、自减运算符的重载 #include <iostream>using namespace std;// 构造函数示例 class MyClass { private:int data; public:// 默认构造函数MyClass() {da…

Java与Go:字符串转IP

在本文中&#xff0c;我们将了解如何将简单的对比Java和Go是如何将字符串解析为IP地址。 Java 在Java中&#xff0c;将字符串转换为IP地址最无脑的一个方法&#xff1a; import java.net.InetAddress; import java.net.UnknownHostException;public class Main {public stat…

OpenHarmony实战开发-使用ArkTS语言实现简易视频播放器

介绍 本篇Codelab使用ArkTS语言实现视频播放器&#xff0c;主要包括主界面和视频播放界面&#xff0c;我们将一起完成以下功能&#xff1a; 主界面顶部使用Swiper组件实现视频海报轮播。主界面下方使用List组件实现视频列表。播放界面使用Video组件实现视频播放。在不使用视频…

RTOS线程切换的过程和原理

0 前言 RTOS中最重要的一个概念就是线程&#xff0c;线程的按需切换能够满足RTOS的实时性要求&#xff0c;同时能将复杂的需求分解成一个个线程执行减轻我们开发负担。 本文从栈的角度出发&#xff0c;详细介绍RTOS线程切换的过程和原理。 注&#xff1a;本文参考的RTOS是RT-T…

腾讯云邮件推送功能有哪些?如何有效使用?

腾讯云邮件推送如何设置&#xff1f;怎么用邮件推送做高效营销&#xff1f; 腾讯云作为业界领先的云服务提供商&#xff0c;其邮件推送功能在便捷性、稳定性和安全性上都有着出色的表现。那么&#xff0c;腾讯云邮件推送功能究竟有哪些呢&#xff1f;让AokSend来探个究竟。 腾…