计算机网络:物理层 - 信道极限容量

计算机网络:物理层 - 信道极限容量

    • 实际信道中的数字信号
    • 奈式准则
    • 香农公式
    • 练习


实际信道中的数字信号

信号在传输过程中会受到各种因素的影响,如图所示:

在这里插入图片描述

这是一个数字信号,当它通过实际的信道后,波形会产生失真,当失真不严重时,在输出端还可根据已失真的波形还原出发送的码元。但当失真严重时,在接收端就很难判断这个信号在什么时候是 1 ,在什么时候是 0 :

信号波形失去了码元之间的清晰界限,这种现象叫做码间串扰

产生失真的原因主要有码元传输速率信号传输距离噪声干扰传输媒体质量等。


奈式准则

早在 1924 年,奈奎斯特就推导出了著名的奈氏准则,他给出了在假定的理想条件下,为了避免码间串扰,码元传输速率的上限。

理想低通信道的最高码元传输速率
 理想低通信道的最高码元传输速率  = 2   W  Baud  = 2   W  码元/秒  \text { 理想低通信道的最高码元传输速率 }=2 \mathrm{~W} \text { Baud }=2 \mathrm{~W} \text { 码元/秒 }  理想低通信道的最高码元传输速率 =2 W Baud =2 W 码元/ 

理想带通信道的最高码元传输速率
 理想带通信道的最高码元传输速率 =   W  Baud  =   W  码元/秒  \text { 理想带通信道的最高码元传输速率}= \mathrm{~W} \text { Baud }= \mathrm{~W} \text { 码元/秒 }  理想带通信道的最高码元传输速率= W Baud = W 码元/ 

低通信道:信号的所有低频分量只要其频率不超过某个上限值,都能不失真地通过此信道;而所有频率超过该上限值的高频分量都不能通过该信道。(如果题目没有规定上下限,或者没有指明信道,都默认是低通信道
带通信道:只允许上下限之间的频率的信号不失真地通过,其余所有频率都不能通过该信道

W:信道带宽,单位为Hz

Baud的意思是波特,也就是码元每秒。

码元传输速率,又称为波特率、调制速率、波形速率或符号速率。它与比特率有一定的关系。

  • 当一个码元只携带1比特的信息量时,1 码元每秒 = 1 比特每秒,也就是波特率比特率在数值上是相等的。

  • 当一个码元携带n比特的信息量时,1 码元每秒 = n 比特每秒,则波特率转换成比特率时,数值要乘以n

需要说明的是,实际的信道所能传输的最高码元速率要明显低于奈氏准则给出的这个上限值。这是因为奈氏准则是在假定的理想条件下推导出来的,不考虑其他因素,例如传输距离、噪声干扰、传输媒体质量等。

仅从公式来看,只要采用更好的调制方法,让码元可以携带更多的比特,岂不是可以无限制的提高信息的传入速率吗?

在解决这个问题之前,我们要先了解信噪比这个概念:

实际的信道都是有噪声的,但是噪声的影响是相对的,如果信道较强,那么噪声的影响相对就小,于是用信噪比来评估噪声对信道的影响。信噪比就是信道的平均功率S和噪声的平均功率N之比,记为 S / N  。但是信噪比有一个比较容易混淆的问题,那就是信噪比有两种表示形式:没有单位的形式以及以dB为单位的形式。它们满足以下公式:

信噪比 ( d B ) = 10 log ⁡ 10 S N ( d B ) 信噪比 \left ( dB \right ) = 10 \log_{10}{\frac{S}{N}} \left ( dB \right ) 信噪比(dB)=10log10NS(dB)

左侧的信噪比是以分贝dB为单位的信噪比,而右侧的 S N \frac{S}{N} NS则是无单位的信噪比。

信道的极限信息传输速率还要受限于实际的信号在信道中传输时的信噪比,因为信道中的噪声也会影响接收端对码元的识别,并且噪声功率相对信号功率越大,影响就越大。后来的香农公式中,就量化了信噪比对传输速率的影响:


香农公式

1948 年,香农用信息论的理论推导出了带宽受限且有高斯白噪声干扰的信道的极限信息传输速率。具体公式如下所示:

c = W ⋅ log ⁡ 2 ( 1 + S N ) ( b i t / s ) c = W \cdot \log_{2}{\left ( 1 + \frac{S}{N} \right ) } \left ( bit/s \right ) c=Wlog2(1+NS)(bit/s)

c:信道的极限信息传输速率,单位是bit/s,
W:信道带宽,单位为Hz。
S :信道内所传送信号的平均功率
N :信道内的高斯噪声功率
S N \frac{S}{N} NS :信噪比,此时这个分式整体是没有单位的信噪比

如下所示,从相同公式可以看出,信道带宽或信道中信噪比越大,信息的极限传入速率就越大

需要说明的是,在实际信道上能够达到的信息传输速率要比该公式的极限传输速率低不少,这是因为在实际信道中,信号还要受到其他一些损伤,例如各种脉冲干扰、信号在传输中的衰减和失真等。这些因素在相同公式中并未考虑。综合来看,耐试准则和相同公式在信道带宽一定的情况下,要想提高信息的传入速率,就必须采用多元制,并努力提高信道中的信噪比。自从相同公式发表以后,各种新的信号处理和调制方法就不断出现,其目的都是为了尽可能的接近相同公式所给出的传输速率极限。


练习

接下来我们来做几个与这两个公式有关的练习题。
在这里插入图片描述

答案是D

从香农公式 c = W ⋅ log ⁡ 2 ( 1 + S N ) ( b i t / s ) {\color{Red}c = W \cdot \log_{2}{\left ( 1 + \frac{S}{N} \right ) } \left ( bit/s \right ) } c=Wlog2(1+NS)(bit/s) 可知,信噪比频率带宽都会影响信道数据传输速率。
从奈氏准则  理想低通信道的最高码元传输速率  = 2   W  Baud  = 2   W  码元/秒  {\color{Red}\text { 理想低通信道的最高码元传输速率 }=2 \mathrm{~W} \text { Baud }=2 \mathrm{~W} \text { 码元/秒 }}  理想低通信道的最高码元传输速率 =2 W Baud =2 W 码元/  可知,调制速度,也就是码元传入速度和码元所携带的比特数量都会影响信道数据传输速率。


在这里插入图片描述

从奈氏准则  理想低通信道的最高码元传输速率  = 2   W  Baud  = 2   W  码元/秒  {\color{Red}\text { 理想低通信道的最高码元传输速率 }=2 \mathrm{~W} \text { Baud }=2 \mathrm{~W} \text { 码元/秒 }}  理想低通信道的最高码元传输速率 =2 W Baud =2 W 码元/  可知,该通信链路的最高码元传播速率为 2 × 3 k = 6 k ( B a u d ) {\color{Red} 2\times 3k = 6k\left ( Baud \right ) } 2×3k=6k(Baud),也就是 6 k ( 码元每秒 ) {\color{Red}6k\left ( 码元每秒 \right ) } 6k(码元每秒)

采用四个相位、每个相位四种振幅的 QM 调制技术,可以调制出 4 × 4 = 16 {\color{Red} 4\times 4=16} 4×4=16 个不同的基本波形,也就是 16 个不同的码元。采用二进制对这 16 个不同的码元进行编码,需要使用 log ⁡ 2 16 = 4 {\color{Red} \log_{2}{16} = 4 } log216=4 个比特,换句话说,每个码源可以携带的信息量为 4 比特

综合前两段可知,该通信链路的最大数据传输速率等于 6 k ( 码元每秒 ) {\color{Red}6k\left ( 码元每秒 \right ) } 6k(码元每秒),一个码元 4 比特,  理想低通信道的最高码元传输速率  = 6 k ( B a u d ) = 6 k × 4 = 24 k b i t / s {\color{Red}\text { 理想低通信道的最高码元传输速率 } = 6k\left ( Baud \right ) = 6k \times 4 = 24k bit/s}  理想低通信道的最高码元传输速率 =6k(Baud)=6k×4=24kbit/s

因此,本题的正确答案是B

实际上,对于这种类型的题目,不管题目给出的调制技术多么复杂,或者对于我们而言多么陌生,这都不会影响我们解题。我们只需关心这种调制技术可以调制出多少个不同的基本波形即可。


在这里插入图片描述

采用四相位调制,可以调制出四种相位不同的基本波形,采用二进制对这四种不同的波形进行编码,需要使用 log ⁡ 2 4 = 2 {\color{Red} \log_{2}{4} = 2 } log24=2个比特。换句话说,每个码元可以携带的信息量为两个比特。

数据传输速率等于波特率乘以每个码元所携带的信息量:

波特率 = 数据传输速率 码元信息量 {\color{Red}波特率 = \frac{数据传输速率}{ 码元信息量 }} 波特率=码元信息量数据传输速率

带入本题的相关数值:
波特率 = 2400 ( b i t / s ) 2 = 1200 ( B a u d ) {\color{Red}波特率 = \frac{2400(bit/s)}{ 2 } = 1200(Baud)} 波特率=22400(bit/s)=1200(Baud)

因此,本题的正确答案是B


在这里插入图片描述

本题中,信噪比是以分贝为单位的,我们要先通过公式 信噪比 ( d B ) = 10 log ⁡ 10 S N ( d B ) {\color{Red}信噪比 \left ( dB \right ) = 10 \log_{10}{\frac{S}{N}} \left ( dB \right )} 信噪比(dB)=10log10NS(dB)把它转化为没有单位的S / N

公式变形得到:
S N = 1 0 信噪比 10 {\color{Red}\frac{S}{N} = 10^{\frac{信噪比}{10} } } NS=1010信噪比

带入数据信噪比 = 30 dB

S N = 1 0 30 10 = 1000 {\color{Red}\frac{S}{N} = 10^{\frac{30}{10} } = 1000 } NS=101030=1000

根据香农公式 c = W ⋅ log ⁡ 2 ( 1 + S N ) ( b i t / s ) {\color{Red}c = W \cdot \log_{2}{\left ( 1 + \frac{S}{N} \right ) } \left ( bit/s \right ) } c=Wlog2(1+NS)(bit/s) ,带入带宽W = 8k HzS / N = 1000,得到W = 80k bit/s,由于取用理论最大数据理论值的50%,计算结果为40 bit/s

因此,本题的正确答案是C


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:http://www.mfbz.cn/a/497570.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

【论文阅读】FlipCAM:高分辨率遥感影像弱监督建筑物提取的特征级翻转增强方法

【论文阅读】FlipCAM:高分辨率遥感影像弱监督建筑物提取的特征级翻转增强方法 文章目录 【论文阅读】FlipCAM:高分辨率遥感影像弱监督建筑物提取的特征级翻转增强方法一、介绍二、方法2.1 准备2.2 一致性的架构2.3 SAM模块2.4 建筑提取模式 三、实验结果…

RISC-V特权架构 - 中断定义

RISC-V特权架构 - 中断定义 1 中断类型1.1 外部中断1.2 计时器中断1.3 软件中断1.4 调试中断 2 中断屏蔽3 中断等待4 中断优先级与仲裁5 中断嵌套6 异常相关寄存器 本文属于《 RISC-V指令集基础系列教程》之一,欢迎查看其它文章。 1 中断类型 RISC-V 架构定义的中…

力扣热门算法题 135. 分发糖果,146. LRU 缓存,148. 排序链表

135. 分发糖果,146. LRU 缓存,148. 排序链表,每题做详细思路梳理,配套Python&Java双语代码, 2024.03.28 可通过leetcode所有测试用例。 目录 135. 分发糖果 解题思路 完整代码 Python Java 146. LRU 缓存 …

图腾柱PFC:HP1010为您的电动两轮车之旅提供绿色,高效,安全的动力

电动两轮车不仅为当今生活提供了便利,更是一种健康和绿色的出行方式。想象一下,在经过一整晚的充分休息,骑上爱车,满血复活的准备开始新的一天。您会愿意带着如何给心爱的两轮车充电的担心开始这一天吗? 随着越来越…

Vue 04 Vue 中的 Ajax、slot 插槽

Vue学习 Vue 0401 Vue中的Ajax服务器准备axios使用跨域问题解决Vue-CLI 配置代理1Vue-CLI 配置代理2案例: 用户搜索vue-resource 02 slot插槽默认插槽具名插槽作用域插槽slot总结 Vue 04 B站 Vue全家桶(BV1Zy4y1K7SH) 学习笔记 Vue 中的 ajax 01 Vue中的…

jmeter总结之:Regular Expression Extractor元件

Regular Expression Extractor是一个后处理器元件,使用正则从服务器的响应中提取数据,并将这些数据保存到JMeter变量中,以便在后续的请求或断言中使用。在处理动态数据或验证响应中的特定信息时很有用。 添加Regular Expression Extractor元…

Docker进阶:使用Docker部署Harbor私有镜像仓库

Docker进阶:使用Docker部署Harbor私有镜像仓库 1、安装Docker和Docker Compose1、安装Docker、Docker Compose2、验证Docker和Docker Compose是否成功安装3、先启动运行docker服务 2、下载并配置Harbor1、下载最新版本的Harbor离线安装包2、配置Harbor的主机名和管理…

DDos系列攻击原理与防御原理

七层防御体系 静态过滤 命中黑名单 对确定是攻击的流量直接加入黑名单(源地址命中黑名单直接丢弃,缺乏机动性和扩展性) 畸形报文过滤 畸形报文攻击 TCP包含多个标记位,排列组合有规律 • 现象:TCP标记位全为1 …

基于SpringBoot和Vue的在线视频教育平台的设计与实现

今天要和大家聊的是一款基于SpringBoot和Vue的在线视频教育平台的设计与实现 !!! 有需要的小伙伴可以通过文章末尾名片咨询我哦!!! 💕💕作者:李同学 💕&…

IDEA一键备份MySQL数据库(mysqldump版)

问题 又到了搬MySQL数据库的时刻,这次我不想使用命令行备份,这次我想使用IDEA一键备份MySQL数据库。 解决 假设安装好mysqldump命令后,让IDEA使用mysqldump一键备份指定的数据库。具体IDEA配置如下: 这是IDEA上面的数据库到处…

element-ui 自定义点击图标/文本/按钮触发el-date-picker时间组件,不使用插槽

天梦星服务平台 (tmxkj.top)https://tmxkj.top/#/ 1. 图片预览 2.上代码 2.1html <el-button class"hide_input" size"small"><svg t"1711608996149" class"icon" viewBox"0 0 1024 1024" version"1.1"…

腾讯云4核8G服务器价格,12M带宽一年646元,送3个月

2024年腾讯云4核8G服务器租用优惠价格&#xff1a;轻量应用服务器4核8G12M带宽646元15个月&#xff0c;CVM云服务器S5实例优惠价格1437.24元买一年送3个月&#xff0c;腾讯云4核8G服务器活动页面 txybk.com/go/txy 活动链接打开如下图&#xff1a; 腾讯云4核8G服务器优惠价格 轻…

基于ssm的线上旅行信息管理系统论文

摘 要 随着旅游业的迅速发展&#xff0c;传统的旅行信息查询管理方式&#xff0c;已经无法满足用户需求&#xff0c;因此&#xff0c;结合计算机技术的优势和普及&#xff0c;特开发了本线上旅行信息管理系统。 本论文首先对线上旅行信息管理系统进行需求分析&#xff0c;从系…

MTransE阅读笔记

Multilingual Knowledge Graph Embeddings for Cross-lingual Knowledge Alignment 用于交叉知识对齐的多语言知识图谱嵌入(MTransE) Abstract 最近的许多工作已经证明了知识图谱嵌入在完成单语知识图谱方面的好处。由于相关的知识库是用几种不同的语言构建的&#xff0c;因…

设计模式(一)简介

一、书籍推荐及博客 大话设计模式 设计模式的艺术 XXL开源社区 | 博客 二、通俗版概念 创建型模式、结构型模式、行为型模式 怎么建房子、建什么样的房子、建的房子有什么用 三、重点模式及简述 1、创建型模式 工厂方法&#xff08;多态工厂的实现&#xff09; 抽象工厂…

c++|string模拟实现

目录 一、string.h 二、string.cpp 三、Test.cpp 对string的各种接口进行一个简易版的模拟实现&#xff0c;在模拟实现完之后对string的底层实现有了进一步的理解&#xff0c;了解大佬的编程写法思路。也算是对string有了一个小总结。 一、string.h 接口的声明。放在.h文件中…

面向对象的学习

封装 //用来描述一类事物的类&#xff0c;专业叫做&#xff1a;javabean类 //在javabean类是不写main方法的//一个java文件中可以定义多个类&#xff0c;且只能一个类是public修饰&#xff0c;而且public修饰的类名必须成为代码的文件名 ://在类中一般无需指定初始化值 存在默…

C# OpenCvSharp 轮廓检测

目录 效果 代码 下载 效果 代码 using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text; using System.Windows.Forms; using OpenCvSharp; using OpenCvSharp.…

理解JVM:从字节码到程序运行

大家好&#xff0c;我是程序员大猩猩。 今天我们来讲一下JVM&#xff0c;好多面试者在面试的时候&#xff0c;都会被问及JVM相关知识。那么JVM到底是什么&#xff0c;要理解它到底是出于什么原因&#xff1f; JVM俗称Java虚拟机&#xff0c;它是一个抽象的计算机&#xff0c;…

Hadoop面试重点

文章目录 1. Hadoop 常用端口号2.Hadoop特点3.Hadoop1.x、2.x、3.x区别 1. Hadoop 常用端口号 hadoop2.xhadoop3.x访问HDFS 端口500709870访问 MR 执行情况端口80888088历史服务器1988819888客户端访问集群端口90008020 2.Hadoop特点 高可靠&#xff1a;Hadoop底层维护多个数…
最新文章