Nakagami-m 信道信道
Nakagami-m 分布是日本学者Nakagami 在1960年的一篇论文中提出的快衰落模型。
Nakagami-m 的表达式
的表达式
我们遵照参考文献[1]的说法1 ,假设接收信号表示如下:
rn=gnsn+wn r_n = g_ns_n+w_nrn=gnsn+wn
其中rnr_nrn表示接收信号,gng_ngn表示信道增益,sns_nsn表示发射信号,wnw_nwn是白噪声干扰。这个公式中我们默认
rnr_nrn和sns_nsn是电压或者电流信号,这样如果利用香农公式求解信道容量时我们需要转变成信噪功率比。
而 Nakagami-m 描述得就是gng_ngn的变化情况。我们知道信号经过路径损耗之后,由于信道短时间内的变化还会发生快衰
落,即gng_ngn在某一值附近随机抽样。Nakagami-m 分布就是对这一“随机性”的描述。
Nakagami-m 分布的概率密度函数表示如下:
f(g)=2mm⋅g2m−1Γ(g)⋅Ω⋅exp−mg2Ω,g≥0,m>0f(g)=\frac{2m^m\cdot g^{2m-1}}{\Gamma(g)\cdot \Omega}\cdot \exp ^{-
\frac{mg^2}{\Omega}}, g\geq 0, m>0f(g)=Γ(g)⋅Ω2mm⋅g2m−1⋅exp−Ωmg2,g≥0,m>0
其中Γ(g)\Gamma(g)Γ(g)表示伽马函数,Ω\OmegaΩ表示ggg的归一化方差的逆。但是在参考文献[1]中表示信道增益平方的期
望,即Ω=E[∣g∣2]\Omega =\mathbb{E}[|g|^2]Ω=E[∣g∣2] 1 ,参考文献[2]中表示为平均发射功率 2。Nakagami 原论文说的“归一化方差的逆”我不理
解,而后两种说法应该是相同的。之前提到的gng_ngn是电压或者电流的增益,平方一下就是功率的增益。我们一般仿真也是直接按照功率来设置的,比如XXdBm。
参数mmm表示衰落的程度,值越大衰落越严重。m=0.5m=0.5m=0.5时是单边高斯分布,m=1m=1m=1时是瑞利分布,m=∞m=\inftym=∞时是随机信道。
伽马分布
伽马分布
更进一步,当gng_ngn满足Nakagami-m分布时,∣gn∣2|g_n|^2∣gn∣2满足伽马分布。也就是说我们在仿真时没必要对
gng_ngn抽样,直接对∣gn∣2|g_n|^2∣gn∣2抽样再乘以发射功率就可以了。
下面我们用随机变量函数的概率分布推导这个结论。
设随机变量X∼Nakagami−m,Y=X2X\sim {\rm Nakagami}-m,Y=X^2X∼Nakagami−m,Y=X2,那么随机变量YYY的分布函
数有
FY(y)=P(Y0f_Y(y)=\frac{m^m \cdot y^{m-1}}{\Gamma (m)\cdot \Omega}\cdot \exp ^{-
\frac{my}{\Omega}},y\geq 0, m>0fY(y)=Γ(m)⋅Ωmm⋅ym−1⋅exp−Ωmy,y≥0,m>0
这个形式便是伽马分布。
fX(x)dx
Python的相关包
的相关包
Nakagami-m的Python包可以用scipy.stats.nakagami,文档页面的密度函数公式中取的Ω=1\Omega = 1Ω=1。
伽马分布可以用numpy.random.gamma,文档的公式中Ω=1\Omega = 1Ω=1,另一个参数θ=Ω/k\theta =\Omega
/kθ=Ω/k,kkk也就是本文中的mmm。
可以看到kθ=Ωk \theta=\Omegakθ=Ω,即伽马分布的均值为形状参数kkk和尺度参数θ\thetaθ的乘积,伽马分布的方差为
kθ\sqrt k \thetakθ。一些图像
S. A. Dianat, “SNR Estimation in Nakagami Fading Channels with Arbitrary Constellation,” 2007 IEEE International
Conference on Acoustics, Speech and Signal Processing – ICASSP ’07, Honolulu, HI, 2007, pp. II-325-II-328.IEEE链接 ↩︎ ↩︎
曾孝平,毛海伟,杨凡,简鑫,李诗琪,蒋欣,方伟.Nakagami-m衰落信道下D2D通信自适应调制算法研究[J].通信学
报,2018,39(09):31-42.知网链接 ↩︎
作者:M1ddle