کانال های چند ورودی چند خروجی با معادل سازی درست‌نمایی بیشینه (ML)
پروژه ۱۶۳۶: شبیه سازی کامل در متلب (ام فایل) + توضیحات کامل و همچنین فرمول ها در فایل وورد
کانال های چند ورودی چند خروجی با معادل سازی درست‌نمایی بیشینه (ML)
در این پروژه از معادل سازی گیرنده درست‌نمایی بیشینه (ML) برای بهبود عملکرد در کانال های چند ورودی چند خروجی MIMO از نوع Rayleigh fading استفاده می نماییم.
خلاصه ای از کار:
ما بطور کامل درمورد چند ساختار گیرنده برای کانال MIMO دو در دو بحث کردیم که عبارتند از:
الف –معادلسازی (Zero Forcing (ZF
ب-معادل سازی سازی حداقل خطای مربع میانگین (MMSE)
ج-معادل سازی Zero Forcing با حذف تداخل متوالی (ZF-SIC) و
د- ZF-SIC با درجه بندی مطلوب
ذ-MIMO با MMSE SIC و درجه بندی مطلوب
ما در ساختارهای گیرنده بالا مشاهده می کنیم که معادل سازی MMSE با حذف تداخل متوالی با درجه مطلوب ،بهترین عملکرد را ارائه می کند. ما در این مطلب درمورد یک ساختار گیرنده دیگر بنام رمزگشایی درست‌نمایی بیشینه (ML) بحث می کنیم که عملکرد بهتری ارائه می کند. ما فرض می کنیم که این کانال یک کانال چند مسیره حذف یکنواخت و مدولاسیون BPSK است.
خلاصه
۱-نتایج معادل سازی درست‌نمایی بیشینه برای MIMO دو در دو به ما در دستیابی به عملکردی کمک کرد که هماهنگی نزدیکی با مورد ترکیب بیشترین نسبت(MRC) با دو انتن دریافت و یک انتن ارسال دارد .
۲-اگر ما از یک منظومه درجه بالاتر مانند ۶۰QAM استفاده کنیم ممکن است محاسبه معادل سازی درست‌نمایی بیشینه پیچیده شود. با ۶۰QAM و دو جریان فضایی ما باید کمترین مقدار ترکیبهای را پیدا کنیم. ما در این طرحها ممکن است به کاربرد طرحهایی مانند رمزگشایی کروی نیاز داشته باشیم که به کاهش پیچیدگی نیاز دارد.
**ادامه توضیحات در فایل وورد **
در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید.
برخی نتایج:
فرمول های به کار رفته در این تحقیق: (توضیحات فرمول ها بطور کامل در فایل وورد )
دیگر پروژه های مرتبط:
کانال های محوشدگی Fading – محوشدگی رایلی Rayleigh + پروژه کامل متلب
تابع توزیع احتمالی (PDF) در متغیر تصادفی رایلی + سورس کامل متلب
مجموعه: الکترونیک, مهندسی مخابرات, یادگیری ماشین