diff --git a/content-ukraine/cyclostationary.rst b/content-ukraine/cyclostationary.rst index 4894c2af..68ebb312 100644 --- a/content-ukraine/cyclostationary.rst +++ b/content-ukraine/cyclostationary.rst @@ -232,10 +232,10 @@ SCF можна отримати простим перетворенням Фур ******************************** -Метод згладжування за частотою (FSM) +Метод частотного згладжування (Frequency Smoothing Method FSM) ******************************** -Тепер, коли ми маємо гарне інтуїтивне уявлення про SCF, розгляньмо, як обчислити її ефективно. Спершу пригадаємо періодограму — це просто квадрат модуля амплітуд перетворення Фур’є сигналу: +Тепер, коли ми маємо добре концептуальне розуміння SCF, розгляньмо, як можна ефективно його обчислювати. Спершу згадаємо періодограму — це просто квадрат модуля від перетворення Фур’є сигналу: .. math:: @@ -247,19 +247,19 @@ SCF можна отримати простим перетворенням Фур I(u,f,\alpha) = \frac{1}{N}X(u,f + \alpha/2) X^*(u,f - \alpha/2) -Обидва вирази є оцінками PSD та SCF, але щоб отримати істинне значення SCF, потрібно усереднити або за часом, або за частотою. Усереднення за часом відоме як метод згладжування за часом (TSM): +Обидва вирази є оцінками PSD та SCF, але щоб отримати істинне значення SCF, потрібно усереднити або за часом, або за частотою. Усереднення за часом відоме як часовий метод згладжування (TSM): .. math:: S_X(f, \alpha) = \lim_{T\rightarrow\infty} \frac{1}{T} \lim_{U\rightarrow\infty} \frac{1}{U} \int_{-U/2}^{U/2} X(t,f + \alpha/2) X^*(t,f - \alpha/2) dt -а усереднення за частотою називається методом згладжування за частотою (FSM): +а усереднення за частотою називається частотним методом згладжування (FSM): .. math:: S_X(f, \alpha) = \lim_{\Delta\rightarrow 0} \lim_{T\rightarrow \infty} \frac{1}{T} g_{\Delta}(f) \otimes \left[X(t,f + \alpha/2) X^*(t,f - \alpha/2)\right] -де функція :math:`g_{\Delta}(f)` виконує згладжування за невеликим діапазоном частот. +де функція :math:`g_{\Delta}(f)` виконує згладжування в невеликому діапазоні частот. -Нижче наведено мінімальну реалізацію FSM на Python — частотно-орієнтований метод усереднення для обчислення SCF сигналу. Спершу обчислюється циклічна періодограма через множення двох зсунених FFT, а потім кожен зріз фільтрується вікном, довжина якого визначає роздільну здатність отриманої оцінки SCF. Отже, довші вікна дають більш згладжений результат із нижчою роздільністю, коротші — навпаки. +Нижче наведено мінімальну реалізацію FSM на Python — частотно-орієнтований метод усереднення для обчислення SCF сигналу. Спершу обчислюється циклічна періодограма через множення двох зсунених FFT, а потім кожен зріз фільтрується у вікні, довжина якого визначає роздільну здатність отриманої оцінки SCF. Тобто, довші вікна дають більш згладжений результат із нижчою роздільністю, коротші — навпаки. .. code-block:: python @@ -290,15 +290,15 @@ SCF можна отримати простим перетворенням Фур .. image:: ../_images/scf_freq_smoothing.svg :align: center :target: ../_images/scf_freq_smoothing.svg - :alt: SCF, обчислена методом згладжування за частотою (FSM) + :alt: SCF, обчислена методом частотного згладжування (FSM) -Цей метод вимагає лише одного великого FFT, але потребує численних операцій згортки для згладжування. Зверніть увагу на проріджування після згортки :code:`[::Nw]`; воно не обов’язкове, але дуже бажане, щоб зменшити кількість пікселів для відображення, і завдяки способу обчислення SCF ми не «викидаємо» інформацію, проріджуючи по :code:`Nw`. +Цей метод має ту перевагу що вимагає лише одного великого FFT, але недолік - потребує численних операцій згортки для згладжування. Зверніть увагу на проріджування після згортки :code:`[::Nw]`; воно не обов’язкове, але дуже бажане, щоб зменшити кількість пікселів для відображення, і завдяки способу обчислення SCF ми не «викидаємо» інформацію, проріджуючи по :code:`Nw`. *************************** -Метод згладжування за часом (TSM) +Метод часового згладжування (Time Smoothing Method TSM) *************************** -Далі розглянемо реалізацію TSM у Python. Наведений нижче код ділить сигнал на *num_windows* блоків, кожен довжини *Nw* з перекриттям *Noverlap*. Зверніть увагу, що перекриття не є обов’язковим, але зазвичай дає приємніший результат. Сигнал множиться на віконну функцію (у цьому прикладі — вікно Ганна, але можна використовувати будь-яке) і береться FFT. Потім SCF обчислюється шляхом усереднення результатів для кожного блоку. Довжина вікна відіграє таку саму роль, як і в FSM, визначаючи компроміс між роздільністю та згладженістю. +Далі розглянемо реалізацію TSM на Python. Наведений нижче код ділить сигнал на *num_windows* блоків, кожен довжини *Nw* з перекриттям на *Noverlap* кількість відліків. Зверніть увагу, що перекриття не є обов’язковим, але зазвичай дає кращий результат. Сигнал множиться на віконну функцію (у нашому випадку — вікно Ганна, але можна використовувати будь-яке) і береться FFT. Потім SCF обчислюється шляхом усереднення результатів для кожного блоку. Довжина вікна відіграє таку саму роль, як і в FSM, визначаючи компроміс між роздільністю та згладженістю. .. code-block:: python @@ -336,7 +336,7 @@ SCF можна отримати простим перетворенням Фур Результат дуже схожий на FSM! ***************** -BPSK із формуванням імпульсу +BPSK із формуванням імпульсу Pulse-Shaped ***************** Досі ми розглядали CSP лише для *прямокутного* сигналу BPSK. Проте в реальних RF-системах майже ніколи не зустрінеш прямокутних імпульсів (виняток — чипова послідовність BPSK у DSSS, яка приблизно прямокутна). @@ -346,16 +346,16 @@ BPSK із формуванням імпульсу .. math:: h(t) = \mathrm{sinc}\left( \frac{t}{T} \right) \frac{\cos\left(\frac{\pi\beta t}{T}\right)}{1 - \left( \frac{2 \beta t}{T} \right)^2} -Параметр :math:`\beta` визначає, наскільки швидко фільтр спадає в часі, що обернено пропорційно швидкості спадання у частоті: +Параметр :math:`\beta` визначає, наскільки швидко фільтр спадає в часі, що обернено пропорційно швидкості спадання по частоті: .. image:: ../_images/raised_cosine_freq.svg :align: center :target: ../_images/raised_cosine_freq.svg - :alt: Частотна характеристика фільтра з піднятим косинусом для різних коефіцієнтів roll-off + :alt: Частотна характеристика фільтра з піднятим косинусом для різних коефіцієнтів спадання roll-off -Зверніть увагу: :math:`\beta=0` відповідає нескінченно довгому імпульсу, тож такий варіант непрактичний. Також :math:`\beta=1` *не* означає прямокутний імпульс. На практиці коефіцієнт roll-off зазвичай вибирають у діапазоні 0.2–0.4. +Зверніть увагу: :math:`\beta=0` відповідає нескінченно високому імпульсу, тож такий варіант непрактичний. Також :math:`\beta=1` *не* означає прямокутний імпульс. На практиці коефіцієнт спадання roll-off зазвичай вибирають у діапазоні 0.2–0.4. -Змоделювати сигнал BPSK із формуванням імпульсу RC можна наступним кодом; зауважте, що перші 5 рядків і останні 4 — ті самі, що й для прямокутного BPSK: +Змоделювати сигнал BPSK із формуванням імпульсу з RC можна за допомогою наступного коду; зауважте, що перші 5 рядків і останні 4 — ті самі, що й для прямокутного BPSK: .. code-block:: python @@ -381,7 +381,7 @@ BPSK із формуванням імпульсу noise = np.random.randn(N) + 1j*np.random.randn(N) # complex white Gaussian noise samples = bpsk + 0.1*noise # add noise to the signal -Змінна :code:`pulse_train` — це наші символи, між якими вставлено :code:`sps - 1` нулів, напр.: +Зауважте, що змінна :code:`pulse_train` — це наші символи, між якими вставлено :code:`sps - 1` нулів, напр.: .. code-block:: bash @@ -395,9 +395,9 @@ BPSK із формуванням імпульсу .. image:: ../_images/pulse_shaped_BSPK.svg :align: center :target: ../_images/pulse_shaped_BSPK.svg - :alt: Сигнал BPSK із формуванням імпульсу RC + :alt: Сигнал BPSK із формуванням імпульсу з RC -Обчислимо SCF цього сигналу з коефіцієнтом roll-off 0.3, 0.6 та 0.9. Використаємо той самий частотний зсув 0.2 Гц і реалізацію FSM з тими самими параметрами, що й у прикладі з прямокутним BPSK, для чесного порівняння: +Обчислимо SCF цього сигналу з коефіцієнтом roll-off 0.3, 0.6 та 0.9. для чесного порівняння використаємо той самий частотний зсув 0.2 Гц і реалізацію FSM з тими самими параметрами, що й у прикладі з прямокутним BPSK: :code:`beta = 0.3`: @@ -420,13 +420,13 @@ BPSK із формуванням імпульсу :target: ../_images/scf_freq_smoothing_pulse_shaped_bpsk3.svg :alt: SCF сигналу BPSK із формуванням імпульсу (FSM), beta = 0.9 -В усіх трьох випадках ми більше не бачимо бічних пелюсток на осі частоти, а на осі циклічної частоти відсутні потужні гармоніки базової циклічної частоти. Це тому, що RC-фільтр забезпечує набагато краще обмеження спектра порівняно з прямокутними імпульсами, тож бічні пелюстки значно слабші. У результаті сигнали з формуванням імпульсу мають набагато «чистішу» SCF, схожу на один пік із розмиттям над ним. Це стосується всіх одноносійних цифрових сигналів, не лише BPSK. Зі збільшенням :math:`\beta` пік на осі частоти розширюється, оскільки сигнал займає більшу смугу. +В усіх трьох випадках ми більше не бачимо бічних пелюсток по осі частоти, а на осі циклічної частоти відсутні потужні гармоніки базової циклічної частоти. Це тому, що RC-фільтр забезпечує набагато краще обмеження спектра порівняно з прямокутними імпульсами, тож бічні пелюстки значно слабші. У результаті сигнали з формуванням імпульсу мають набагато «чистішу» SCF, схожу на один пік із розмиттям над ним. Це стосується всіх цифрових сигналів з одною несучою частотою, не лише BPSK. Зі збільшенням :math:`\beta` пік на осі частоти розширюється, оскільки сигнал займає більшу смугу. ******************************** SNR та кількість символів ******************************** -Незабаром! Ми розглянемо, чому після певного порогу збільшення SNR не допомагає — натомість потрібна більша кількість символів, і як пакетні хвилі призводять до обмеженої кількості символів у передачі. +Незабаром! Ми розглянемо, чому після певного порогу збільшення SNR не допомагає — натомість потрібна більша кількість символів, і як пакетні форми сигналів призводять до обмеженої кількості символів у передачі. ******************************** QPSK та модуляції вищих порядків