OFDM-循环前缀

1、周期延拓(若有相关基础,可直接从4开始)

对于连续信号而言:
x_T(t)=\sum_{k=- \infty}^{\infty}x(t-kT)=\sum_{k=- \infty}^{\infty}x(t+kT)
类似地,对于离散信号:
x_N(n)=\sum_{k=- \infty}^{\infty}x[n-kN]=\sum_{k=- \infty}^{\infty}x[N+kN]

2、循环卷积(圆周卷积)

周期为N的循环卷积(x \otimes h)[n]为:
\begin{align} (x_N*h)[n]&=\sum_{m=- \infty}^{\infty}h[m]\cdot x_N{[n-m]}\\ &=\sum_{m=- \infty}^{\infty}\{h[m]\cdot \sum_{k=- \infty}^{\infty}x{[n-m-kN]}\} \end{align}

3、循环卷积和线性卷积的关系

循环卷积是线性卷积周期延拓后取主值序列。

4、OFDM的循环前缀

“采用循环前缀后,信道输出的后N个样值(去除CP后)是发送序列和信道冲激响应的循环卷积。”

忽略信道噪声,系统模型可以表示为:
Y=H*X \tag{4-1}
假设h的长度为2,x的长度为3,公式(4-1)可以写成矩阵形式:
\left [ \begin{matrix} y_0 \\ y_1\\ y_2 \end{matrix} \right ] = \left [ \begin{matrix} h_0 & 0 & 0 \\ h_1 & h_0 & 0 \\ 0 & h_1 & h_0 \\ \end{matrix} \right ] \left [ \begin{matrix} x_0 \\ x_1\\ x_2 \end{matrix} \right ] = \left [ \begin{matrix} h_0x_0 \\ h_1x_0+h_0x_1\\ h_1x_1+h_0x_2 \end{matrix} \right ] \tag{4-2}
根据定义,CP的长度至少为L-1(L为h的长度),这里设CP长度为1。则加完CP后的输入向量为:X^{'}=[x_2 ~ x_0 ~ x_1~x_2]^T

经过信道后(线性卷积)输出的向量:Y^{'}=H*X^{'}
\left [ \begin{matrix} y_0 \\ y_1\\ y_2\\y_3 \end{matrix} \right ] = \left [ \begin{matrix} h_0 & 0 & 0 & 0 \\ h_1 & h_0 & 0 & 0\\ 0 & h_1 & h_0 & 0\\ 0 & 0 & h_1 & h_0\\ \end{matrix} \right ] \left [ \begin{matrix} x_2\\x_0 \\ x_1\\ x_2 \end{matrix} \right ] = \left [ \begin{matrix} h_0x_2 \\ h_1x_2+h_0x_0\\ h_1x_0+h_0x_1\\ h_1x_1+h_0x_2\\ \end{matrix} \right ] \tag{4-3}
而根据定义,HX的循环卷积:Y^{''}=H \otimes X
\left [ \begin{matrix} y_0 \\ y_1\\ y_2\\ \end{matrix} \right ] = \left [ \begin{matrix} h_0 & 0 & h_1 \\ h_1 & h_0 & 0\\ 0 & h_1 & h_0\\ \end{matrix} \right ] \left [ \begin{matrix} x_0 \\ x_1\\ x_2 \end{matrix} \right ] = \left [ \begin{matrix} h_1x_2+h_0x_0\\ h_1x_0+h_0x_1\\ h_1x_1+h_0x_2\\ \end{matrix} \right ] \tag{4-4}
(4-3)为线性卷积输出的向量,在实际中,我们会去掉接收到的信号的CP部分,在我们的例子中也就是去掉y_0,于是就变成了(4-4),这也是开头那句话的含义。

5、Matlab仿真
x = [1 3 5 7 9 11 13 15];           % transmitted sequence
x_cp = [x(end-2:end) x];            % length of CP is 3
h = [2 4 6];                        % channel taps

% linear convolution
y1 = filter(h,1,x_cp);
% circular convolution
y2 = cconv(x,h,8);

仿真结果:

y_1 22 70 148 140 100 28 52 76 100 124 148
y_2 148 140 100 28 52 76 100 124 148
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 218,284评论 6 506
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,115评论 3 395
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,614评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,671评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,699评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,562评论 1 305
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,309评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,223评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,668评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,859评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,981评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,705评论 5 347
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,310评论 3 330
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,904评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,023评论 1 270
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,146评论 3 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,933评论 2 355

推荐阅读更多精彩内容