def transmission(x, L, K, N, M, Ncp, Nt, Nr, SNR):
'''
x: 发送端的发送信号
L: 信道长度
K: 稀疏度
N: 子载波数
M: 每帧的OFDM符号数
Ncp: 循环前缀长度
Nt: 发送天线数
Nr: 接收天线数
SNR: 信噪比
'''
''' 时域/频域的信道响应'''
h = zeros((Nr, Nt, L), dtype=np.complex)
H = zeros((Nr, Nt, N), dtype=np.complex)
for r in range(Nr):
for t in range(Nt):
h[r, t, :] = channel(L, K) # 第r个接收天线，与第t个发送天线的1个符号周期内的信道脉冲响应
H[r, t, :] = dot(fftMatrix(N, L), h[r, t, :]) # 信道频率响应
''' 傅里叶正变换矩阵 '''
W = fftMatrix((N + Ncp), L) # 傅里叶正变换矩阵，即：使稀疏的h变为不稀疏的H的基
W_M = W # 对于慢时变信道，在M个符号周期内，H保持不变。相当于对W做M次重复
for i in range(M - 1):
W_M = np.r_[W_M, W]
for t in range(Nt):
''' 第t个天线的发送数据 '''
x_t = x[:, t]
''' 将时域的发送信号，变换到频域 '''
X_t = fft(x_t)
''' 测量矩阵 '''
X_t = diag(
X_t) # 将发送信号作为观测矩阵的对角元素,X=diag(X(0),X(1),...,X(N-1))是N*N的子载波矩阵
if t == 0:
X_wave = dot(X_t, W_M)
else:
X_wave = np.c_[X_wave, dot(X_t, W_M)]
''' X_wave与Nr*Nr单位矩阵的克罗内克积 '''
Kronecker = kron(eye(Nr, Nr), X_wave)
''' Nt*Nr*L的信道脉冲响应向量 '''
for r in range(Nr):
for t in range(Nt):
h_rt = h[r, t, :].reshape(-1, 1) # 第r个接收天线，与第t个发送天线的1个符号周期内的信道脉冲响应
if r == 0 and t == 0:
h_vector = h_rt
else:
h_vector = np.r_[h_vector, h_rt]
''' 理想信道传输 '''
Y = dot(Kronecker, h_vector)
''' AWGN '''
Y = awgn(Y, SNR)
y = Y.reshape(-1, Nr)
y = ifft(y, axis=0)
return h, H, y
def transmission(x, SNR=dSNR, L=dL, K=dK, N=dN, Ncp=dNcp):
'''
x: 发送端的发送信号
SNR: 信噪比
L: 信道长度
K: 稀疏度
N: 子载波数
Ncp: 循环前缀长度
'''
''' 时域的信道脉冲响应'''
h = channel(L, K)
''' 信道频率响应H '''
W = fftMatrix(N, L) # 傅里叶正变换矩阵，即：使稀疏的h变为不稀疏的H的基
H = dot(W, h) # 频率的冲激响应
H.shape = (N, 1)
''' 不考虑循环前缀在信道中的传输 '''
x = x[:, Ncp:]
x = x.reshape(N)
# 将发送信号作为观测矩阵的对角元素,X=diag(X(0),X(1),...,X(N-1))是N*N的子载波矩阵
X = fft(x)
''' 测量矩阵 '''
X = diag(X)
''' 理想信道传输 '''
X_H = dot(X, H)
''' 添加高斯白噪声，得接收信号向量Y '''
Y = awgn(X_H, SNR) # 加入复高斯白噪声,得到接收到的信号（频域表示）
#No = Y-X_H # Y = X*H + No
y = ifft(Y, axis=0)
y = y.reshape(1, N)
y = np.c_[y[:, -Ncp:], y]
return h, H, y
def receiver(y,
pos,
etype=detype,
pos_type=dpos_type,
L=dL,
K=dK,
N=dN,
Ncp=dNcp,
modulate=dmodulate):
'''
y: 接收信号
pos: 导频图样
etype: 'CS' 或 'LS'
pos_type: 'from_pos'：使用传入的参数 pos 作为导频图样
其他（数字类型）：与 pos 相比，猜对了其中【数字】个导频位置。用于：非法用户随机猜测导频位置，此时传入的pos为发送端的导频图样
L: 信道长度
K: 稀疏度
N: 子载波数
Ncp: 循环前缀长度
modulate: 星座调制
'''
P = size(pos)
if pos_type != 'from_pos':
right_num = int(pos_type)
pos = guess_pos(N, P, pos, right_num)
''' 移除循环前缀'''
y = y[:, Ncp:]
''' 串并转换 '''
y = y.reshape(N, 1)
''' FFT '''
Y = fft(y, axis=0)
''' 并串转换 '''
pass
''' 导频选择矩阵 '''
I = eye(N, N) # NxN的单位矩阵
S = I[pos, :] # PxN的导频选择矩阵，从NxN的单位矩阵选取与导频位置对应的P行，用于从N个子载波中选择出P个导频位置
''' 提取导频 '''
Yp = dot(S, Y) # Px1的导频位置的接受信号向量
#Xp = dot( dot(S,X), transpose(S) ) # PxP的斜对角阵，对角线元素是导频位置的X。如果导频位置设为1，则Xp实际上就是PxP的单位矩阵
Xp = eye(P, P)
W = fftMatrix(N, L) # 傅里叶正变换矩阵，即：使稀疏的h变为不稀疏的H的基
Wp = dot(S, W) # PxL的矩阵,从W中选取与导频位置对应的P行
if etype == 'CS':
''' CS信道估计'''
# s = Phi*Psi*x
# Y = X * W *h + N
# = X * H + N
# hat_H = omp(K,s,Phi,Psi)
# ==> s = Y
# ==> Phi = X
# ==> Psi = W
# Xp*Wp作为密钥。若Xp是单位矩阵，则Xp*Wp=Wp，密钥取决于Wp。
# 而Wp又是从W中选取的与导频位置对应的P行，所以密钥取决于导频位置pos
re_h = OMP(K, Yp, Xp, Wp) # OMP是时域估计算法，估计得到时域的h
re_H = dot(W, re_h) # 傅里叶变换，得到频域的H
elif etype == 'LS':
''' LS信道估计 '''
Hp_ls = dot(inv(Xp), Yp) # LS、MMSE是频域估计算法，得到导频处的Hp
re_H = interpolation(Hp_ls, pos, N) # 根据导频处Hp进行插值，恢复信道的H
re_h = dot(ifftMatrix(L, N), re_H) # 傅里叶逆变换，得到时域的h
''' 信道均衡 '''
Y = Y / re_H
''' 移除导频 '''
Y = remove_OFDM_pilot(Y, pos)
''' 星座点归一化 '''
diagram = Y * normal_coef[modulate]
''' BPSK/QPSK/16QAM解调 '''
bits = diagram_demod(diagram, modulate)
''' 解交织 '''
bits = interlace_decode(bits, 2, size(bits) / 2)
''' viterbi译码 '''
bits = viterbi_decode(bits)
return re_h, re_H, bits, diagram
def receiver(y,
L,
K,
N,
M,
Ncp,
Nt,
Nr,
pos,
demodulate_type,
etype="CS",
pos_type="from_pos"):
'''
y: 接收信号
L: 信道长度
K: 稀疏度
N: 子载波数
M: 每帧的OFDM符号数
Ncp: 循环前缀长度
Nt: 发送天线数
Nr: 接收天线数
pos: 导频图样
demodulate_type: 调制方式。1 -> BPSK, 2 -> QPSK, 4 -> 16QAM
etype: 'CS' 或 'LS'
pos_type：
'from_pos'：使用传入的参数 pos 作为导频图样
其他（数字类型）：与 pos 相比，猜对了其中【数字】个导频位置。用于：非法用户随机猜测导频位置，此时传入的pos为发送端的导频图样
'''
P = size(pos)
if pos_type != 'from_pos':
right_num = int(pos_type)
pos = guess_pos(N, P, pos, right_num)
''' CS/LS重构的信道响应 '''
re_h = zeros((Nr, Nt, L, M), dtype=np.complex)
re_H = zeros((Nr, Nt, N, M), dtype=np.complex)
''' 接收天线接收的数据'''
Y = zeros((N, M, Nr), dtype=np.complex) # N*M*Nr,利用第三维表示不同天线接收的OFDM符号
for r in range(Nr):
''' 第r个天线的接收数据 '''
y_r = y[:, r]
''' 串并转换 '''
y_r = y_r.reshape(-1, M)
''' 移除循环前缀'''
y_r = y_r[Ncp:, :]
''' FFT '''
Y_r = fft(y_r, axis=0)
Y[:, :, r] = Y_r
''' 估计第t个发送天线与第r个发送天线之间的h_rt'''
for t in range(Nt):
''' 第t个天线上的导频图样'''
pos_t = pos[:, t]
''' 导频选择矩阵 '''
P = size(pos_t)
I = eye(N, N) # NxN的单位矩阵
S = I[
pos_t, :] # PxN的导频选择矩阵，从NxN的单位矩阵选取与导频位置对应的P行，用于从N个子载波中选择出P个导频位置
''' 提取导频 '''
Yp = dot(S, Y_r) # Px1的导频位置的接受信号向量
#Xp = dot( dot(S,X), transpose(S) ) # PxP的斜对角阵，对角线元素是导频位置的X。如果导频位置设为1，则Xp实际上就是PxP的单位矩阵
Xp = eye(P, P)
W = fftMatrix(N, L) # 傅里叶正变换矩阵，即：使稀疏的h变为不稀疏的H的基
Wp = dot(S, W) # PxL的矩阵,从W中选取与导频位置对应的P行
if etype == 'CS':
''' CS信道估计'''
# X_wave作为密钥。若Xp是单位矩阵，则Xp*Wp=Wp，密钥取决于Wp。
# 而Wp又是从W中选取的与导频位置对应的P行，所以密钥取决于导频位置pos
for m in range(M): # 第m个符号的CS重构的h。对于慢衰落信道，不同符号的重构h应该大致相同
re_h[r, t, :,
m] = OMP(K, Yp[:, m], Xp,
Wp).reshape(L) # OMP是时域估计算法，估计得到时域的h
re_H[r, t, :, m] = dot(W, re_h[r, t, :, m]) # 傅里叶变换，得到频域的H
elif etype == 'LS':
''' LS信道估计 '''
Hp_ls = dot(inv(Xp), Yp) # LS、MMSE是频域估计算法，得到导频处的Hp
for m in range(M): # 对第m个符号的Hp进行插值
re_H[r, t, :, m] = interpolation(Hp_ls[:, m], pos_t,
N) # 根据导频处Hp进行插值，恢复信道的H
re_h[r, t, :, m] = dot(ifftMatrix(L, N),
re_H[r, t, :, m]) # 傅里叶逆变换，得到时域的h
''' 空时解码 '''
Y = STBC_decode(Y, re_H, N, M, Nt, Nr)
''' 移除导频 '''
Y = remove_MIMO_pilot(Y, pos)
''' 并串转换 '''
diagram = Y.reshape(-1)
''' 星座点归一化 '''
diagram = diagram * normal_coef[demodulate_type]
''' BPSK/QPSK/16QAM解调 '''
bits = diagram_demod(diagram, demodulate_type)
''' 解交织 '''
bits = interlace_decode(bits, 8, size(bits) / 8)
''' viterbi译码 '''
bits = viterbi_decode(bits)
return re_h, re_H, bits, diagram