信源编码与信道转移矩阵

目录

一. 信息论模型

二. 点对点通信模型

三. 信源编码

四. 信道转移矩阵

4.1 二进制对称信道

4.2 二进制擦除信道

五. 小结

(1)信道直射与反射

(2)信道散射

(3) 信道时变性


一. 信息论模型

1948年,Claude E. Shannon在《A mathematical theory of communication》论文中提出了信息论(information theory)。在点对点的通信中,发射方产生一个信息(比如像素的灰度值,传感器测量的物理量),接收方恢复出该信息。

信源(information source):根据随机性产生消息;

发射机(transmitter):产生信号;

信道(channel):包含噪声源,比如电路的热噪声,无线信道的多径衰落;

接收机(receiver):根据接受信号,恢复出消息;

一般提前已知信源与信道的统计特征,信息论尝试从数学的角度来解释安全传输流程。

二. 点对点通信模型

从模块化的角度来讲,物理层安全通信需要编码和解码的过程。信源编码的本质是压缩。

U^k:信源符号;

M:消息;

X^n:信道编码结果;

Y^n:信道传输结果;

\hat M:信道解码后的消息;

\hat U^k:解码后的信源符号;

三. 信源编码

信源是离散无记忆的DMS(discrete memoryless source),代表产生的符号都是独立同分布的,写做:

(U,P_u)

其中U代表有限字母集(alphabet),P_u代表概率分布,也可以把U看做随机变量。

信源编码写做C_k,其中k代表序列长度。编码后的消息集合为:

M=[1,2^{kR}]

编码函数e可以将k长的信源符号u^k编码成消息m,如下:

e:U^k\to M

解码函数可以将一个消息m解码成k长的信源符号,当然也可能会出现解码失误,如下:

d:M\to U^k\cup\lbrace ?\rbrace

输入长度为k,输出长度为kR,所以压缩率为R。考虑一般性,kR可能非整数,所以压缩率(compression rate)的一般表达形式为:

\frac{1}{k}log\lceil 2^{kR}\rceil

单位为bit/source symbol。

\hat U^k\neq U^k时,则会出现译码错误,由此可定义错误概率:

其中编码译码方案C_k全局已知。在网络安全通信中,我们希望合法端错误概率低,窃听端错误概率高。

四. 信道转移矩阵

信道模型抽象成离散无记忆信道(discrete memoryless channel DMC),表示为:

(X,P_{Y|X},Y)

其中X代表输入字母集,Y代表输出字母集,P_{Y|X}代表条件概率分布,也就是X代表信道输入,Y代表信道输出。

条件概率也可以写做信道转移矩阵,如下:

(P_{Y|X}(y|x))_{X,Y}

4.1 二进制对称信道

二进制对称信道,binary symmetric channel,BSC

BSC(P)也属于离散无记忆信道DMC,写做:

(\lbrace0,1\rbrace,P_{Y|X},\lbrace0,1\rbrace)

输入为0或1,输出为0或1。转移概率为P,代表0变1的概率为P,1变0的概率为P,0变0的概率为1-P,1变1的概率为1-P。写成信道转移矩阵,如下:

4.2 二进制擦除信道

二进制擦除信道,binary erasure channel, BEC

擦除概率写做\epsilon\in [0,1],该信道模型为BEC(\epsilon),同样也属于离散无记忆信道DMC,如下:

(\lbrace0,1\rbrace,P_{Y|X},\lbrace0,?,1\rbrace)

0变成?的概率为\epsilon,0变成0的概率为1-\epsilon,0变成1的概率为0

1变成?的概率为\epsilon,1变成1的概率为1-\epsilon,1变成0的概率为0

写成信道转移矩阵如下:

五. 小结

无线信道具有互易性,时变性和空间唯一性。

典型无线信道环境中电磁波的基本传播机制如下图:

一般认为,无线通信中电波传播机制主要包括直射(direct)、反射(reflection)和散射(Scattering),有的场景还会涉及到折射、穿透等。

(1)信道直射与反射

直射传播指信号直接从发射天线到达接收天线,没有经过任何障碍物的传播方式。这种传播方式在空旷的地区效果最好,信号传输距离远,信噪比高。

反射传播指无线信号在遇到介质表面时,一部分能量被反射回去,沿原路返回,另一部分能量则继续传播的现象。这种传播方式通常发生在金属、水面、建筑物等表面。

反射信号与直射信号叠加在一起,形成多路径传播的效应。

(2)信道散射

散射传播指信号在经过物体表面或介质中微小不规则的颗粒或边缘时,发生多次反射、折射、绕射等现象,使得信号在空间中分散的传播方式。这种传播方式会造成信号的强度分布不均匀,信号失真和多径效应等问题。

另外,存在直射传播的信道被称为视距传输(Line-of-Sight, LOS),而其他传播机制的信道被称为非视距传输(Non-line of Sight, NLOS)。

(3) 信道时变性

无线信道衰落可以分为大尺度衰落和小尺度衰落,又称为快衰落和慢衰落。大尺度衰落是指在信号传输的大范围距离内(一般为数百米以上),由于信号的路径损耗和阴影衰落等因素导致的信号功率变化。大尺度衰落的特点是空间相关性强,变化缓慢,可以通过减小传输距离、使用更高的天线高度、增大发送功率等方法来降低其影响。

小尺度衰落是指在信号传输的短距离范围内(一般为数十米以下),由于信号经历多条不同路径导致的信号幅度和相位的随机变化,包括多径效应和多普勒效应等。小尺度衰落的特点是空间相关性弱,变化快速,可以通过使用合适的调制技术、信号预处理、天线阵列等方法来抑制或利用其特性来提高系统性能。

小尺度衰落,时域上对应多径效应, 频率域上对应多普勒频移效应引发的频率色散。若考虑多输入多输出 MIMO技术,小尺度衰落还需要考虑空域上的特性,即无线信道的空间角度扩展信息。

总的来说,大尺度衰落主要受到距离和环境的影响,而小尺度衰落主要受到多径效应和信号随机性的影响。 

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:/a/300312.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

Python 面向对象之反射

Python 面向对象之反射 【一】概念 反射是指通过对象的属性名或者方法名来获取对象的属性或调用方法的能力反射还指的是在程序额运行过程中可以动态获取对象的信息(属性和方法) 【二】四个内置函数 又叫做反射函数 万物皆对象(整数、字符串、函数、模块、类等等…

thinkphp6入门(15)-- 模型动态构建查询条件

背景 我使用thinkphp6的模型写数据库查询,有多个where条件,但是不确定是否需要添加某个where条件,怎么才能动态得生成查询 链式查询 在ThinkPHP 6中,可以使用链式查询方法来动态地构建查询条件。可以根据参数的值来决定是否添加…

【Docker基础一】Docker安装Elasticsearch,Kibana,IK分词器

安装elasticsearch 下载镜像 查看版本:Elasticsearch Guide [8.11] | Elastic # 下载镜像 docker pull elasticsearch:7.17.16 # 查看镜像是否下载成功 docker images创建网络 因为需要部署kibana容器,要让es和kibana容器互联 # 创建一个网络&…

2024阿里云优惠_阿里云活动中心

2024年阿里云优惠活动大全,包括阿里云服务器优惠活动清单、配置价格表、域名优惠活动、阿里云建站活动、阿里云优惠代金券免费领取、对象存储OSS活动、企业邮箱优惠、无影云电脑优惠、CDN特惠等等,阿里云百科aliyunbaike.com分享2024阿里云优惠活动大全_…

【JAVA】Iterator 和 ListIterator 有什么区别?

🍎个人博客:个人主页 🏆个人专栏: JAVA ⛳️ 功不唐捐,玉汝于成 目录 前言 在Java中,遍历集合是日常编程中常见的任务,而Iterator和ListIterator作为遍历集合的两个主要接口&#xff0…

MacOS M1/M2 Go Debug 配置

前言 换电脑,Go 环境带来一些麻烦,耽误很多时间,稍作记录。 原始电脑是 Mac 旧款,CPU x86 构型,新电脑 M2,因为旧电脑里本地文件很多,为了简化搬迁,还是用了 Mac 自带的迁移&#x…

[论文阅读] Revisiting Feature Propagation and Aggregation in Polyp Segmentation

[论文地址] [代码] [MICCAI 23] Abstract 息肉的准确分割是筛查过程中有效诊断结直肠癌的关键步骤。 由于能够有效捕获多尺度上下文信息,普遍采用类似UNet 的编码器-解码器框架。 然而,两个主要限制阻碍了网络实现有效的特征传播和聚合。 首先&#xff…

AI教我学编程之C#关键字

AI教我学编程系列学习第三课 — C#关键字 前言重点先知关键字分类保留字上下文关键字 对话AI首遇波澜调整指令第一次第二次第三次直到我提出如下指令 人工智能?阶段总结 知识拓展1、Ecma和ISO是什么?2、System,dllhost.exe,taskmg…

力扣:438. 找到字符串中所有字母异位词 题解

Problem: 438. 找到字符串中所有字母异位词 438. 找到字符串中所有字母异位词 预备知识解题思路复杂度Code其它细节推荐博客或题目博客题目滑动窗口哈希表 预备知识 此题用到了双指针算法中的滑动窗口思想,以及哈希表的运用。c中是unordered_map。如果对此不了解的u…

江科大STM32

目录 STM32简介 STM32简介 我们主要学习的就是STM32的外设。 NVIC:内核里面用于管理中断的设备,比如配置中断优先级这些东西SysTick:内核里面的定时器,主要用来给操作系统提供定时服务的,STM32是可以加入操作系统的&am…

FlinkSQL中【FULL OUTER JOIN】使用实例分析(坑)

Flink版本:flink1.14 最近有【FULL OUTER JOIN】场景的实时数据开发需求,想要的结果是,左右表来了数据都下发数据;左表存在的数据,右表进来可以关联下发(同样,右表存在的数据,左表进…

计算机毕业设计------SSM二手交易网站

项目介绍 该项目分为前后台,前台普通用户角色,后台管理员角色。 管理员主要功能如下: 登陆,商品分类管理,商品管理,商品订单管理,用户管理等功能。 用户角色主要功能如下: 包含以下功能:查看所有商品,用户登陆注册…

2023.12.30周报

目录 摘要 ABSTRACT 一、文献阅读 1、题目 2、摘要 3、创新点 4、文章解读 1、Introduction 2、时间序列的季节趋势表征 3、 季节趋势对比学习框架 4、实验 5、结论 二、ARIMA 一、ARIMA模型的基本思想 二、ARIMA模型的数学表达式 三、差分过程 1、什么是差分…

循环队列的队空队满情况

有题目: 循环队列放在一维数组A[0....M-1]中,end1指向队头元素,end2指向队尾元素的后一个位置。假设队列两端均可进行入队和出队操作,队列中最多能容纳M-1个元素。初始时为空。下列判断队空和队满的条件中,正确的是 …

计算机毕业设计 基于Javaweb的城乡居民基本医疗信息管理系统的设计与实现 Java实战项目 附源码+文档+视频讲解

博主介绍:✌从事软件开发10年之余,专注于Java技术领域、Python人工智能及数据挖掘、小程序项目开发和Android项目开发等。CSDN、掘金、华为云、InfoQ、阿里云等平台优质作者✌ 🍅文末获取源码联系🍅 👇🏻 精…

逆置算法和数组循环移动算法

元素逆置 概述:其实就是将 第一个元素和最后一个元素交换,第二个元素和倒数第二个元素交换,依次到中间位置。用途:可用于数组的移动,字符串反转,链表反转操作,栈和队列反转等操作。 逆置图解 …

Cadence Editor 关于画PCB相关内容

目录 一 新建PCB文件 二 指定封装库 三 导入网表 四 放置器件 五 绘制板框 六 精准定位 七 原理图与PCB的交互 八 飞线设置 九 层管理 布局布线阶段需要显示的层 十 器件位置相关 1 器件选取的基准点 2 旋转 3 对齐 4 把器件移动到底层或顶层 5 锁定与解锁 6…

【MySQL】事务管理

文章目录 什么是事务为什么会出现事务事务的版本支持事务的提交方式事务的相关演示事务的隔离级别查看与设置隔离级别读未提交(Read Uncommitted)读提交(Read Committed)可重复读(Repeatable Read)串行化&a…

IDEAVsCode常用插件

IDEA&VsCode常用插件 IDEA lombok、mybatisx 插件 Vscode Vetur —— 语法高亮、智能感知、Emmet 等,包含格式化功能, AltShiftF (格式化全文),CtrlK CtrlF(格式化选中代码,两个 Ctrl需…

区间预测 | Matlab实现CNN-LSTM-KDE的卷积长短期神经网络结合核密度估计多变量时序区间预测

区间预测 | Matlab实现CNN-LSTM-KDE的卷积长短期神经网络结合核密度估计多变量时序区间预测 目录 区间预测 | Matlab实现CNN-LSTM-KDE的卷积长短期神经网络结合核密度估计多变量时序区间预测效果一览基本介绍程序设计参考资料 效果一览 基本介绍 1.CNN-LSTM-KDE多变量时间序列区…