逊于瑞利衰落

《逊于瑞利衰落》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、逊于瑞利衰落：实验结果和理论模型摘要这篇文章是出于最近公认的信道衰落对于新的无线应用并不总是被用于移动通信系统的传统模型很好的描述。特别是，对于移动对移动收集到的衰落数据和无线传感器的应用激发了这些情况下新的模型，这些情况下信道衰落统计比瑞利衰落更糟糕。我们回顾了统计信道模型的应用，描述了我们的示例应用程序，并同时对这些严重衰落的情况提供测量和模拟结果。引言为了把这些严重衰减的情况放入文章中，首先，我们简要地讨论了信道建模在无线通信系统中的重要性。作为建模结果的参考框架，我们对经典的瑞利衰落模型节假

2、设和统计做了评价。这项统计模型一直被用来作为移动通信系统的最坏情况。但是，真如我们说明的一样，它对于一些重要的应用来说不够保守。信道建模的重要性精确建模的重要性，在通信信号的无线信道中的效果得到了很好的实现[1]。这包括建模传播路径损耗的效果，或者衰减，对链路预算的决定参数像所需要的发射功率可以实现的链路距离，和接收灵敏度。出了估计路径损耗与距离，传播路径损耗变量超过大面积，通常位几十到上百个波长，也是有用的模型。这种变化通常被称为“大尺度”的衰落，并在简称地区也被称为遮蔽或阻碍。一个很大程度上是独

3、立的信道效果是“小尺度”的衰落的现象。这种类型的衰落以一个半波长的顺序发生在空间尺度上。在大多数情况下，小尺度衰落，是建设性和破坏性的直接的结果除了像在通信接收机中的多路传输信号的延迟副本。这些多副本传播不同的路径长度和不同的振幅和相位，导致了多径衰落现象。在物理层（PHY）设计建模这种小尺度衰落是很重要的，因为它可以帮助工程师设计衰落的对策，比如多样性发送/接收，前向纠错编码和交织，和均衡。在这篇文章中，我们重点关注小尺度衰落，简要地提到了一些“中等规模的”或“中尺度”效应。由于PHY构成了通信协

4、议栈的建设，这一层的传输表现——通常测量误码率（BER），或封包错误率（PER）——影响更高层次的堆栈。目前的一些研究（例如，[2]）也开始“推断”PHY信道效应对更高的层传输性能一个更加一体化的系统建模方法;这种做法是与当前主题跨层设计相关联的。现代无线通信系统非常复杂。即使在物理层，许多新的系统，如无线局域网（WLANs），提供了传输范围和接收选项。这些选项几乎总是采用自适应，并启用系统在信道条件的范围内运行，不同的系统用户数量，不同的数据传输速率和不同的传输质量（所谓的服务质量，QoS）。即使

5、有这样的高度可重构的系统，如果不提前考虑信道特点信道所造成的损伤可能严重到足以显着降低性能。这样的性能降低可能包括的BER/PER“级”，其中错误的概率达到较低限制无论接收功率水平，和大延迟（延迟）。对于一些协议，这种大延迟，可以转化为一个链接中断和/或多个重传。最经常采用统计模型表征小尺度衰落效应。这些统计模型并不精确地预测在任何特定时间点和空间的衰落，而是试图如实地重现信道道效应的变化。确定性模型（例如，光线追踪）也可以使用，尚未是准确的，确定性的模型往往需要更多的计算和实质性的当地环境数据的量

6、，尤其是当信道移动性高的时候。因此，这些模型很少“便携式”，往往是“特定地点”。一个参照系：瑞利衰落一个接收到的信号很一般的表达式，在多径环境下是两波弥漫功率（TWDP）模型[3]。如式1，接收到的信号电压，Vreceived，依赖于两个反射信号路径（V1和V2），以及与L-2弥漫性（即分散）低振幅的组成成分。有大振幅的镜面组件例如，他们可能是视线（LOS）成分。没有镜面成分的情况下（即在V1=V2=0）一般认为在移动系统，其中LOS成分可能不被保证。当L大，有很多反射的成分，和式1中的漫反射成分将

7、由真和虚部分作为独立同分布（i.i.d.）的复杂建模。对于足够大的L，由中心极限定理，这些实和虚的成分近似零均值高斯随机变量，标准偏差σ。众所周知，导致这些成分的总和有一个信封，r=

8、Vreceived

9、，瑞利统计[1]。也就是说，概率密度函数（pdf）收到的信封r是r≥0，对于移动通信系统，瑞利衰落假设是一个共同“默认”的最坏情况下的性能分析。综合式2的PDF从0到R累计分布函数（CDF）的结果通常绘制在尺度图如图1。cdf是一个有用的衰落现象的代表，以便我们能利用曲线来确定一个概率，特别是衰落的

10、深度。例如，我们从图1看到瑞利信道20dB衰落的概率相当于平均接收功率为1％。因此，如果提供20分贝的裕度，系统设计者可以在这种环境下保证99％的链路可靠性。对于存在一个单一的镜面反射成分的环境（例如，LOS），式1中我们有V2=0。在这种情况下，由莱斯分布描述，衰减变得更加有利，因为镜面反射成分可以不再相互抵消。在累积概率分布图1，我们看到的莱斯区域位于瑞利曲线下方，表明严重衰落的概率较低。很多文章讨论莱斯和瑞利分布，并且在实践当中的应用无处不在[1]。然而本文中主