vairāk nekā ar izlasi pie uztvērēja

[BLWFSOJ]

Hi there, Es esmu saskaras dažas grūtības saprast šo jēdzienu. Es lasīt dažus dokumentus, kas pār-paraugu ņemšana uztvērēja pusē palielinātu signāla paraugu korelācija. Kā tas var notikt, es nezinu. cik es zinu, palielinot paraugu skaits neietekmē korelācija. lūdzu palīdzēt. regards,

 

[drizzd]

Iztveršanas nozīmē, ka jums paraugs pēc augstākas likmes nekā signāla ātrumu. Tā kā signāls nomainās lēni wrt. ņemšanas biežums, blakus paraugi ir savstarpēji saistīti. Bet, ja jūs normalizēt korelācija kavēšanās ņemšanas biežums, tad iztveršanas tikai dod jums lielāku izšķirtspēju paša autokorelācijas funkciju. Tātad šajā ziņā nekas nemainās.

 

[BLWFSOJ]

Paldies, mana jautājuma mērķis bija pārliecināties par šīm darbībām: ļoti zemu SNR vides trokšņa līmeni svārstīgo neļauj ne-saskaņota atklāšana (enerģija detektors), lai sniegtu labu rezultātu. Tāpēc mēs cenšamies, lai noteiktu signālu no trokšņa ar kādu korelāciju sistēmām (jo troksnis ir nejaušais mainīgais lielums Gaussian IID). Šajā ziņā mēs varam teikt, ka vairāk nekā paraugu palielina korelāciju starp paraugu ņemšanas. it īpaši, ja mēs izmantojam eigenvalues par korelācijas matricā, lai nozvejas šo pieaugošo korelācija. regards,

 

[drizzd]

Man nav sekot savu argumentāciju. Ko es domāju, ka jums var darīt tas ir. Vēlamais signāls joslā ierobežota un determinēti. Jums ir trokšņa signāla ar lielāku joslas platumu par vēlamo signālu. Ja jūs paraugs pēc likmes, kas atbilst vēlamā signāla, būs aliasing par trokšņa signāla. Tas samazina jūsu in-band SNR. Ja jūs palielināt paraugu ņemšanas līmenis ir mazāk aliasing. Pēc tam, korelācijas funkciju kā zemas caurlaides filtru, kas samazina jūsu out-of-band troksni. Jūs varat panākt to pašu efektu, zemfrekvences filtrēšana pirms paraugu ņemšanas. Tādā veidā jūs varat izvairīties no iztveršanas.

 

[kaleem.ullah]

vairāk paraugu var palielināt correlation.for sīkāk apskatīt šādus papīrs,, spektra izpētes algoritmi Kognitīvā Radio Pamatojoties uz statistikas Covariances Yonghong Zeng, vecākais deputāts, IEEE un Ying-Chang Liang, vecākais deputāts, IEEE ", saņemsiet ur atbilde

 

[BLWFSOJ]

Hi there, thanks par atbildi. Patiesībā pats autors dažādās publikācijas (ne vairāk eigenvalue noteikšana), kas man uzdot šo jautājumu. Nav skaidrs, kāpēc šauras joslas signāli ir augsta korelācija starp tās paraugus (datu paraugiem jābūt neatkarīgie). Ja vien, ja kanāls uzskata par frekvenču selektīva fedings. (Lūdzu, pasakiet man, ja es esmu trūkst veida kanālu) No otras puses, es esmu pārbauda citu literatūru s (Wireless Technologies shēmām, sistēmas un ierīces, Krzysztof Iniewski ), kurā ir teikts: Page 148 "Ņemiet vērā, ka pārāk izlases veidā korelē trokšņu paraugus, tādēļ atklāšana varētu vienmēr tiek samazināta līdz Nyquist paraugu." Es zinu, ka, ja mēs skaita palielināšanu sajuta paraugu noteikšanas veiktspēju palielinās, bet tas ir cits stāsts, vai ne? patiesībā, es esmu pat darīts simulācijas autora grāmatu: "Maksimālais eigenvalue Detection: teorija un pielietojums", bet MED (kas balstās uz teoriju par sakarību pieaugums iztveršanas) noteikšana dod man tādu pašu rezultātu kā enerģijas atklāšana. best regards,

 

[drizzd]

"Ņemiet vērā, ka pārāk izlases veidā korelē trokšņu paraugus, tādēļ atklāšana varētu vienmēr tiek samazināta līdz Nyquist paraugu ņemšanai."

secinājums ir pareizs, bet sakot, ka tas, piemēram, ka ir dīvaini, un maldinoša. Over-paraugu ņemšana neko nemaina par signāla īpašībām. Tas _only_ izmaiņas jūsu izšķirtspēju. Iztveršanas tādēļ ir bezjēdzīga - nav jaunas informācijas. (Kaut arī tas var būt izdevīgi dažu maza sarežģītība implementācijas.) Var pat būt neproduktīva, jo tā var izraisīt sliktu kondicionēšana.

Es zinu, ka, ja mēs skaita palielināšanu sajuta paraugu noteikšanas veiktspēju palielinās, bet tas ir cits stāsts, tas nav

Pilnīgi?.