最美情侣中文字幕电影,在线麻豆精品传媒,在线网站高清黄,久久黄色视频

歡迎光臨散文網(wǎng) 會(huì)員登陸 & 注冊(cè)

高斯白噪聲信道下對(duì)數(shù)似然比的推導(dǎo)--- QPSK+BPSK

2022-08-10 00:26 作者:樂(lè)吧的數(shù)學(xué)  | 我要投稿


在通信系統(tǒng)中,我們經(jīng)常需要計(jì)算 Log Likelihood Ratio (LLR) 對(duì)數(shù)似然比,尤其是在信道譯碼采用軟譯碼的時(shí)候。這個(gè)小文章,就來(lái)推導(dǎo)一下在不同調(diào)制下,如何根據(jù)接收到的信號(hào),計(jì)算 LLR,我們主要討論 三種調(diào)制:BPSK, QPSK, 8-PSK.

----------------------------------------

錄制了視頻(錄制的中間被打斷了,就分成兩個(gè)視頻了,抱歉):

(一)https://www.bilibili.com/video/BV1PW4y1q7N8/

(二)https://www.bilibili.com/video/BV1zP4y1d7t4/

---------------------------------------
我們先講 QPSK 的,這個(gè)比較有代表性,簡(jiǎn)化后就是 BPSK,進(jìn)一步擴(kuò)展就是 8-PSK.

一組 0 和 1 組成的序列,經(jīng)過(guò) QPSK 編碼后變成一個(gè)復(fù)數(shù),每?jī)蓚€(gè)比特調(diào)制成一個(gè)復(fù)數(shù).
經(jīng)過(guò)高斯白噪聲信道傳輸,這里我們把實(shí)部和虛部看成是分別獨(dú)立傳輸?shù)?,分別加上獨(dú)立的高斯白噪聲的干擾。

(注 1:實(shí)際上是實(shí)部和虛部在相同的信道上傳輸,只是由相互正交的高頻信號(hào)做載波發(fā)送的,可以看成是分別傳輸?shù)?br>注 2:實(shí)部我們稱(chēng)之為 in-phase,用 I 做下標(biāo),虛部我們稱(chēng)之為 quadrature,用 Q 做表示)。


通信系統(tǒng)中,我們關(guān)心的是在收到信號(hào) y 的情況下,判斷發(fā)送方發(fā)送的比特是 1 或者 0 的概率,可以表示成? p(b=0|y)? 和 p(b=1|y).

很多情況下,我們關(guān)心兩者的比值,因?yàn)槿绻? p(b=0|y)? 大于 p(b=1|y),我們就有理由可以判斷 b=0,否則,我們更傾向于判斷 b=1.? 用比值來(lái)表示就是:

%5Cbegin%7Bcases%7D%0A%20%20%5Cfrac%7Bp(b%3D0%7Cy)%20%20%7D%7Bp(b%3D1%7Cy)%20%20%7D%20%3E%201%26%20%20%20b%3D0%5C%5C%20%5C%5C%0A%20%20%20%5Cfrac%7Bp(b%3D0%7Cy)%20%20%7D%7Bp(b%3D1%7Cy)%20%20%7D%20%3C%201%26%20b%3D1%0A%5Cend%7Bcases%7D


為了更簡(jiǎn)化一些運(yùn)算(后面會(huì)解釋?zhuān)?,一般還要再取對(duì)數(shù),即:
log%20%5Cfrac%7Bp(b%3D0%7Cy)%20%20%7D%7Bp(b%3D1%7Cy)%20%20%7D


那么判決準(zhǔn)則為:

%5Cbegin%7Bcases%7D%0A%20%20log%5Cfrac%7Bp(b%3D0%7Cy)%20%20%7D%7Bp(b%3D1%7Cy)%20%20%7D%20%3E%200%26%20%20%20b%3D0%5C%5C%20%5C%5C%0A%20%20%20log%5Cfrac%7Bp(b%3D0%7Cy)%20%20%7D%7Bp(b%3D1%7Cy)%20%20%7D%20%3C%200%26%20b%3D1%0A%5Cend%7Bcases%7D


接下啦我們把上面的比值,做一下推導(dǎo),推導(dǎo)出似然比的形式,因?yàn)? p(y|b) 的形式,稱(chēng)之為似然函數(shù),而 p(b|y) 一般稱(chēng)之為后驗(yàn)概率。

先對(duì) p(b|y) 做一下推導(dǎo):

p(b%7Cy)%20%3D%5Cfrac%7Bp(b%2Cy)%7D%7Bp(y)%7D%20%3D%5Cfrac%7Bp(y%7Cb)p(b)%7D%7Bp(y)%7D
則:
log%20%5Cfrac%7Bp(b%3D0%7Cy)%20%20%7D%7Bp(b%3D1%7Cy)%20%20%7D%20%3D%20log%20%5Cfrac%20%7B%20%20%20%5Cfrac%7Bp(y%7Cb%3D0)p(b%3D0)%7D%7Bp(y)%7D%20%20%20%7D%0A%7B%20%20%20%20%5Cfrac%7Bp(y%7Cb%3D1)p(b%3D1)%7D%7Bp(y)%7D%20%20%20%20%20%7D%0A%3D%20log%20%5Cfrac%20%7B%20%20%20p(y%7Cb%3D0)p(b%3D0)%20%7D%0A%7B%20%20%20%20p(y%7Cb%3D1)p(b%3D1)%20%20%20%20%7D%0A%3D%20log%20%5Cfrac%20%7B%20%20%20p(y%7Cb%3D0)%20%7D%0A%7B%20%20%20%20p(y%7Cb%3D1)%20%20%7D

上式推導(dǎo)的最后一步,我們是假定發(fā)送數(shù)據(jù)是 0 還是 1 的概率是相等的,都是 0.5,這個(gè)假定大部分情況下都是成立的,在數(shù)據(jù)生成的階段,一般都有一步做 偽隨機(jī)化,即讓 0 和 1 出現(xiàn)的數(shù)量是相等的。

則上面公式的最后結(jié)果,我們稱(chēng)之為 對(duì)數(shù)似然比 Log Likelihood Ratio (LLR)? 。

我們實(shí)際上關(guān)心的是后驗(yàn)概率的對(duì)數(shù)比值,但是,在在 0 還是 1 的概率是相等的假設(shè)前提下,其實(shí)是與對(duì)數(shù)似然比等同的,所以,后面我們就直接推導(dǎo)對(duì)數(shù)似然比的具體表達(dá)式了。

均值為 0 方差為?%5Csigma%5E2 的白噪聲,符合以下公式的高斯分布:

p(n)%20%3D%20%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7Bn%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D


則如果發(fā)送的是 x 收到的是 y 的概率就是:

p(y%7Cx)%20%3D%20%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y-x)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D
QSPK 下,兩個(gè)比特調(diào)制為一個(gè)復(fù)數(shù),我們把這兩個(gè)比特記為? b_1%20b_0,調(diào)制后的符號(hào)記為 s_I%20%2B%20j%20s_Q,接收到的復(fù)數(shù)信號(hào)為 y_I%20%2B%20j%20y_Q.

映射關(guān)系如下圖所示:


b_1%20b_0%3D00%20%20%20%20--------%3E%20%5Cquad%20%20%20%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20%2B%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20%20%20%5C%5C%0Ab_1%20b_0%3D01%20%20%20%20--------%3E%20%5Cquad%20%20%20-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20%2B%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20%20%20%5C%5C%0Ab_1%20b_0%3D11%20%20%20%20--------%3E%20%5Cquad%20%20%20-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20-%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20%20%20%5C%5C%0Ab_1%20b_0%3D10%20%20%20%20--------%3E%20%5Cquad%20%20%20%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20-%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D

下面來(lái)分析,如何計(jì)算? b_0 的對(duì)數(shù)似然比,即:

LLR(b_0)%20%3D%20log%20%5Cfrac%20%7B%20%20%20p(y%7Cb_0%3D0)%20%7D%0A%7B%20%20%20%20p(y%7Cb_0%3D1)%20%20%7D


所以,需要分別求出來(lái) p(y%7Cb_0%3D0) 和 %20p(y%7Cb_0%3D1)。

我們分析其中一個(gè),另外一個(gè)是類(lèi)似的。
b_0%20%3D0 有兩種情況,即 b_1%20b_0%20%3D00b_1%20b_0%20%3D10
則:

p(y%7Cb_0%3D0)%20%3D%20p(y%7Cb_1%3D0%2C%20b_0%3D0)%20*0.5%20%2B%20p(y%7Cb_1%3D1%2C%20b_0%3D0)%20*0.5


其中:

p(y%7Cb_1%3D0%2C%20b_0%3D0)%20%3D%20p(y%7Cs_I%2Bjs_Q%20%3D%20%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20%2B%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20)%20%5C%5C%0A%3D%20p(y_I%2Bj%20y_Q%7Cs_I%2Bjs_Q%20%3D%20%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20%2B%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20)%20%5C%5C%0A%3Dp(y_I%7Cs_I%3D%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%20*p(y_Q%7Cs_Q%3D%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%20%5C%5C%0A%3D%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_I-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_Q-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D



p(y%7Cb_1%3D1%2C%20b_0%3D0)%20%3D%20p(y%7Cs_I%2Bjs_Q%20%3D%20%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20-%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20)%20%5C%5C%0A%3D%20p(y_I%2Bj%20y_Q%7Cs_I%2Bjs_Q%20%3D%20%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20-%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20)%20%5C%5C%0A%3Dp(y_I%7Cs_I%3D%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%20*p(y_Q%7Cs_Q%3D-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%20%5C%5C%0A%3D%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_I-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_Q%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D


p(y%7Cb_0%3D0)%20%3D%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_I-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_Q-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%200.5%20%2B%0A%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_I-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_Q%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%200.5%20%5C%5C%0A%3D%20%20e%5E%7B%20%20-%5Cfrac%7B(y_I-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%0A(%0A%5Cfrac%7B1%7D%7B2%5Cpi%20%5Csigma%5E2%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_Q-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20%20%2B%0A%5Cfrac%7B1%7D%7B2%5Cpi%20%5Csigma%5E2%7D%20%20e%5E%7B%20%20-%5Cfrac%7B(y_Q%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%0A)%20*%200.5


b_0%20%3D1?有兩種情況,即?b_1%20b_0%20%3D01b_1%20b_0%20%3D11
則:

p(y%7Cb_0%3D0)%20%3D%20p(y%7Cb_1%3D0%2C%20b_0%3D1)%20*0.5%20%2B%20p(y%7Cb_1%3D1%2C%20b_1%3D1)%20*0.5


其中:

p(y%7Cb_1%3D0%2C%20b_0%3D0)%20%3D%20p(y%7Cs_I%2Bjs_Q%20%3D%20-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20%2B%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20)%20%5C%5C%0A%3D%20p(y_I%2Bj%20y_Q%7Cs_I%2Bjs_Q%20%3D%20-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20%2B%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20)%20%5C%5C%0A%3Dp(y_I%7Cs_I%3D-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%20*p(y_Q%7Cs_Q%3D%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%20%5C%5C%0A%3D%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_I%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_Q-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D


p(y%7Cb_1%3D1%2C%20b_0%3D1)%20%3D%20p(y%7Cs_I%2Bjs_Q%20%3D%20-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20-%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20)%20%5C%5C%0A%3D%20p(y_I%2Bj%20y_Q%7Cs_I%2Bjs_Q%20%3D%20-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20-%20j%5Cfrac%7B%5Csqrt%202%7D%7B2%7D%20)%20%5C%5C%0A%3Dp(y_I%7Cs_I%3D-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%20*p(y_Q%7Cs_Q%3D-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%20%5C%5C%0A%3D%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_I%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_Q%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D


p(y%7Cb_0%3D1)%20%3D%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_I%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_Q-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%200.5%20%2B%0A%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_I%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%0A%5Cfrac%7B1%7D%7B%5Csqrt%7B2%5Cpi%7D%20%5Csigma%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_Q%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20*%200.5%20%5C%5C%0A%3D%20%20e%5E%7B%20%20-%5Cfrac%7B(y_I%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%0A(%0A%5Cfrac%7B1%7D%7B2%5Cpi%20%5Csigma%5E2%7D%20e%5E%7B%20%20-%5Cfrac%7B(y_Q-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20%20%2B%0A%5Cfrac%7B1%7D%7B2%5Cpi%20%5Csigma%5E2%7D%20%20e%5E%7B%20%20-%5Cfrac%7B(y_Q%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%0A)%20*%200.5
最后,

log%20%20%20%20%5Cfrac%20%7B%20%20%20p(y%7Cb_0%3D0)%20%7D%20%20%7B%20%20%20%20p(y%7Cb_0%3D1)%20%20%7D%20%3D%20%20%0Alog%0A%20%20%20%20%5Cfrac%7Be%5E%7B%20%20-%5Cfrac%7B(y_I-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20%7D%0A%20%20%20%20%20%20%20%20%20%20%20%20%7B%20e%5E%7B%20%20-%5Cfrac%7B(y_I%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20%7D%0A%3D%0Alog%20e%5E%7B%20%5Cfrac%7B%5Csqrt%202%20y_I%7D%20%7B%5Csigma%5E2%7D%20%7D%20%3D%20%20%5Cfrac%7B%5Csqrt%202%20y_I%7D%7B%5Csigma%5E2%7D


用同樣的方法,可以得出:

log%20%5Cfrac%20%7B%20%20%20p(y%7Cb_1%3D0)%20%7D%7B%20p(y%7Cb_1%3D1)%20%20%7D%0A%3D%20%20%0Alog%0A%20%20%20%20%5Cfrac%0A%20%20%20%20%20%20%20%20%20%7Be%5E%7B%20%20-%5Cfrac%7B(y_Q-%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20%7D%0A%20%20%20%20%20%20%20%20%20%7B%20e%5E%7B%20%20-%5Cfrac%7B(y_Q%2B%5Cfrac%7B%5Csqrt%202%7D%7B2%7D)%5E2%7D%7B2%5Csigma%5E2%7D%20%20%7D%20%7D%20%20%0A%3D%20log%20e%5E%7B%20%5Cfrac%7B%5Csqrt%202%20y_Q%7D%7B%5Csigma%5E2%7D%20%7D%0A%3D%20%20%5Cfrac%7B%5Csqrt%202%20y_Q%7D%7B%5Csigma%5E2%7D


對(duì)于 QPSK , 我們最終得到一個(gè)比較簡(jiǎn)潔的關(guān)系,即兩個(gè)比特的對(duì)數(shù)似然比分別直接對(duì)應(yīng)接收到復(fù)數(shù)的實(shí)部和虛部!

對(duì)于 BPSK,因?yàn)橹挥幸粋€(gè) 比特,我們直接記為 b,現(xiàn)在快速列出來(lái)相關(guān)的推導(dǎo)過(guò)程:

LLR(b)%20%3D%20log%20%5Cfrac%20%7B%20%20%20p(y%7Cb%3D0)%20%7D%20%20%7B%20%20%20%20p(y%7Cb%3D1)%20%20%7D%20%20%5C%5C%0A%3Dlog%20%5Cfrac%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%7B%20p(y_I%20%2B%20j%20y_Q%20%7C%201%20%2B%200j)%20%20%20%7D%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%7B%20p(y_I%20%2B%20j%20y_Q%20%7C%20-1%20%2B%200j)%20%20%20%7D%20%20%20%5C%5C%0A%3Dlog%20%5Cfrac%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%7B%20p(y_I%7C1)%20p(%20y_Q%20%7C0)%20%7D%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%7B%20p(y_I%7C-1)%20p(%20y_Q%20%7C0)%20%7D%20%20%20%5C%5C%0A%3Dlog%20%5Cfrac%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%7B%20%20e%5E%7B%20%20-%5Cfrac%7B(y_I-1)%5E2%7D%7B2%5Csigma%5E2%7D%20%7D%20%20%20%20%20%20%20%20%20%20%20%20%20%7D%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%7B%20%20e%5E%7B%20%20-%5Cfrac%7B(y_I%2B1)%5E2%7D%7B2%5Csigma%5E2%7D%20%7D%20%20%20%20%20%20%20%20%20%20%20%20%20%7D%20%20%5C%5C%0A%3D%5Cfrac%7B2%20y_I%7D%7B%5Csigma%5E2%7D

而對(duì)于 8-PSK,則沒(méi)有這么優(yōu)美的結(jié)果,由于內(nèi)容較多,我們放到下一篇文章中去推導(dǎo)。
https://www.bilibili.com/read/cv18034533


高斯白噪聲信道下對(duì)數(shù)似然比的推導(dǎo)--- QPSK+BPSK的評(píng)論 (共 條)

分享到微博請(qǐng)遵守國(guó)家法律
临湘市| 武定县| 大兴区| 衡南县| 广丰县| 海林市| 大方县| 洱源县| 卢龙县| 绍兴县| 佛山市| 古蔺县| 上饶市| 汝城县| 麻城市| 三台县| 泗阳县| 五华县| 鱼台县| 廉江市| 邵东县| 建平县| 福州市| 潜江市| 桑植县| 靖宇县| 汨罗市| 永胜县| 河北区| 博爱县| 图木舒克市| 资兴市| 斗六市| 左权县| 永嘉县| 锡林浩特市| 密云县| 汾西县| 广宗县| 伊吾县| 白城市|