企业官网建设流程全解析

国内做网站,莆田仿站定制模板建站,装修设计公司网站排名,怎么做网站需要多少钱通过概率整形技术对64QAM进行星座图整形,并输出GMI指标在通信领域#xff0c;为了提升信号传输的性能#xff0c;概率整形技术成为了一个备受关注的方向。今天咱们就来聊聊如何通过概率整形技术对64QAM进行星座图整形#xff0c;并输出GMI#xff08;Generalized Mutual In…通过概率整形技术对64QAM进行星座图整形,并输出GMI指标在通信领域为了提升信号传输的性能概率整形技术成为了一个备受关注的方向。今天咱们就来聊聊如何通过概率整形技术对64QAM进行星座图整形并输出GMIGeneralized Mutual Information广义互信息指标。64QAM星座图基础64QAM是一种高阶的正交幅度调制方式它能在一个符号周期内传输6比特信息。其星座图由8x8共64个点组成。在理想情况下这些点在复平面上均匀分布。比如简单的Python代码来生成理想64QAM星座图的点坐标import numpy as np import matplotlib.pyplot as plt # 生成64QAM星座图坐标 x [] y [] for i in range(8): for j in range(8): real (2 * i - 7) imag (2 * j - 7) x.append(real) y.append(imag) plt.scatter(x, y) plt.title(Ideal 64QAM Constellation) plt.xlabel(In - Phase) plt.ylabel(Quadrature) plt.grid(True) plt.show()这段代码通过两个嵌套的循环遍历8x8的网格计算每个点在复平面上的实部和虚部坐标然后使用matplotlib库绘制出星座图。概率整形技术原理概率整形技术打破了传统星座点等概率分布的模式。它通过对星座点的概率进行调整使得更可靠的星座点出现概率更高从而在相同的传输功率下提升系统性能。实现概率整形的方法有多种比如基于Trellis - coded quantization (TCQ) 的方法。基于TCQ的64QAM星座图概率整形实现假设我们用Python来简单模拟基于TCQ的概率整形过程。首先我们要定义一个函数来计算整形后的概率分布。def tcq_probability(): # 简单模拟TCQ概率分布实际更复杂 prob np.zeros(64) for i in range(64): # 这里简单用星座点到原点距离反比作为概率权重实际是TCQ编码映射关系 dist np.sqrt((i % 8 - 3.5) ** 2(i // 8 - 3.5) ** 2) prob[i] 1 / dist prob prob / np.sum(prob) return prob在这个函数里我们简单地用星座点到原点的距离的反比来模拟TCQ编码后的概率分布实际的TCQ编码是基于复杂的网格编码量化原理然后对概率进行归一化。计算GMI指标GMI指标反映了信道容量与实际传输速率之间的差距。计算GMI需要知道整形后的星座点概率分布以及信道噪声情况。这里假设一个加性高斯白噪声AWGN信道。import math def calculate_gmi(prob, snr): gmi 0 for i in range(64): for j in range(64): noise_power 10 ** (-snr / 10) distance np.sqrt((i % 8 - j % 8) ** 2(i // 8 - j // 8) ** 2) p_y_given_x 1 / np.sqrt(2 * math.pi * noise_power) * np.exp(-distance ** 2 / (2 * noise_power)) p_y 0 for k in range(64): p_y p_y_given_x * prob[k] gmi prob[i] * p_y_given_x / p_y * np.log2(p_y_given_x / p_y) return gmi在calculategmi函数中我们首先遍历所有的星座点对发送点i和接收点j根据给定的信噪比snr计算噪声功率再计算发送点i到接收点j的距离进而得到条件概率pygivenx。通过对所有可能发送点的条件概率加权求和得到p_y最后根据GMI的定义公式计算出GMI指标。完整流程与结果展示我们把上面的步骤整合起来看看完整的流程。import numpy as np import matplotlib.pyplot as plt import math def tcq_probability(): prob np.zeros(64) for i in range(64): dist np.sqrt((i % 8 - 3.5) ** 2(i // 8 - 3.5) ** 2) prob[i] 1 / dist prob prob / np.sum(prob) return prob def calculate_gmi(prob, snr): gmi 0 for i in range(64): for j in range(64): noise_power 10 ** (-snr / 10) distance np.sqrt((i % 8 - j % 8) ** 2(i // 8 - j // 8) ** 2) p_y_given_x 1 / np.sqrt(2 * math.pi * noise_power) * np.exp(-distance ** 2 / (2 * noise_power)) p_y 0 for k in range(64): p_y p_y_given_x * prob[k] gmi prob[i] * p_y_given_x / p_y * np.log2(p_y_given_x / p_y) return gmi # 获取整形后的概率分布 prob tcq_probability() # 计算不同信噪比下的GMI snr_values np.arange(0, 30, 1) gmi_values [] for snr in snr_values: gmi calculate_gmi(prob, snr) gmi_values.append(gmi) plt.plot(snr_values, gmi_values) plt.title(GMI vs SNR for 64QAM with Probabilistic Shaping) plt.xlabel(SNR (dB)) plt.ylabel(GMI (bits/symbol)) plt.grid(True) plt.show()在这段代码里我们先获取整形后的概率分布然后在不同的信噪比下计算GMI指标并将结果绘制成图。从图中我们可以直观地看到随着信噪比的增加GMI指标的变化情况这对于评估采用概率整形技术的64QAM系统在不同信道条件下的性能非常有帮助。通过上述的代码实现与分析我们对概率整形技术在64QAM星座图整形及GMI指标输出有了一个初步的认识和实践。当然实际的通信系统中还有更多复杂的因素需要考虑但这为我们进一步探索高性能通信技术奠定了基础。