مدولاسیون، ارتباطات دیجیتال و بازیابی خطا

سود:

• امکان توضیح انواع مدولاسیون آنالوگ/دیجیتال (AM/FM، QAM، QPSK، OFDM) و منطق صورت فلکی با پشتیبانی هوش مصنوعی
• توانایی تجزیه و تحلیل BER، SNR و رابطه سود کدگذاری بر اساس سناریو با هوش مصنوعی
• امکان تایید پیش بینی های عملکرد تولید شده توسط هوش مصنوعی با فرمول ها، شبیه سازی ها و اندازه گیری های استاندارد

مدولاسیون هنر حمل اطلاعات (صدا، داده، ویدئو) از فاصله دور با قرار دادن آن بر روی یک موج حامل است. هر اتصال بی سیم، از رادیو تا Wi-Fi، از 5G تا ماهواره، بر اساس یک طرح مدولاسیون ساخته شده است. در این بخش، نحوه استفاده از هوش مصنوعی برای یادگیری انواع مدولاسیون، درک منطق صورت فلکی (نمایش نمادهای مدوله شده به عنوان نقاط در یک صفحه پیچیده) و تجزیه و تحلیل عملکرد خطا (نرخ خطای بیت، رابطه نسبت سیگنال به نویز) را خواهید دید. دوباره، اصل مرکزی اعمال می‌شود: هوش مصنوعی تئوری و منحنی‌های کلی را کاملاً توضیح می‌دهد، اما عملکرد واقعی سیستم شما تنها توسط مدل کانال، شبیه‌سازی و اندازه‌گیری تعیین می‌شود.

مبانی مدولاسیون آنالوگ و دیجیتال

در مدولاسیون آنالوگ، یک مشخصه حامل به طور مداوم تغییر می کند: دامنه (AM: مدولاسیون دامنه)، فرکانس (FM: مدولاسیون فرکانس) یا فاز (PM). در مدولاسیون دیجیتال، اطلاعات دنباله ای از بیت ها است و وضعیت حامل بر روی سطوح گسسته تنظیم می شود:

• ASK/OOK: سوئیچینگ دامنه. ساده ترین، حساس به سر و صدا.
• FSK: کلید زدن تغییر فرکانس. ساده و با دوام، کم کارایی.
• PSK (BPSK، QPSK): کلید زدن تغییر فاز. QPSK 2 بیت را در یک نماد حمل می کند.
• QAM (16-QAM, 64-QAM, 256-QAM): هم از دامنه و هم فاز استفاده می کند. بیت های بیشتری را در یک نماد حمل می کند اما به نویز حساس تر است.
• OFDM: با تقسیم داده ها به بسیاری از حامل های فرعی باریک، آن را در برابر چند مسیر مقاوم می کند. Wi-Fi پایه و اساس LTE و 5G است.

هوش مصنوعی به خوبی توضیح می دهد که این انواع چگونه کار می کنند، کدام یک در چه موقعیتی ترجیح داده می شود و نمودارهای صورت فلکی چه چیزی را نشان می دهند. به عنوان مثال، به وضوح این سوال را توضیح می دهد که "چرا QAM مرتبه بالاتر داده های بیشتری را حمل می کند اما SNR بهتری نیاز دارد؟"

SNR، BER و بهره کدگذاری

ارتباطات دو شاخص عملکرد اساسی دارد. SNR (نسبت سیگنال به نویز) نسبت توان سیگنال به توان نویز (dB) است. BER (نرخ خطای بیت) میزان دریافت نادرست بیت های ارسالی است. روند کلی این است که با افزایش SNR، BER کاهش می یابد. هر نوع مدولاسیون دارای یک منحنی BER-SNR منحصر به فرد است. طرح‌های سفارش بالاتر (256-QAM) داده‌های بیشتری را حمل می‌کنند اما برای دستیابی به همان BER به SNR بالاتری نیاز دارند.

کدگذاری کانال (کدهای تصحیح خطا) به گیرنده این امکان را می دهد که برخی از خطاها را با اضافه کردن افزونگی کنترل شده به داده ها تصحیح کند. این اجازه می دهد تا همان BER را در یک SNR کمتر حفظ کنیم و به آن بهره کدگذاری می گویند. کدهایی مانند LDPC، Turbo، Reed-Solomon در سیستم های مدرن استاندارد هستند.

هوش مصنوعی این روابط و منحنی های نظری را به خوبی توضیح می دهد و کدهای شبیه سازی را می نویسد. اما هشدار: منحنی BER نظری (به عنوان مثال AWGN، با فرض افزایش نویز سفید گوسی) برای یک کانال ایده آل است. کانال واقعی شما دارای انتشار چند مسیره، تداخل، نویز فاز و مصنوعات سخت افزاری است. BER واقعی بدتر از منحنی نظری است. مقدار «این BER در آن SNR» که توسط هوش مصنوعی داده می‌شود، یک مرجع اولیه است، نه تضمینی برای سیستم شما.

نکته: از هوش مصنوعی بخواهید که تحلیل BER-SNR را به "منحنی نظری با فرض کانال AWGN" محدود کند و اثرات کانال واقعی (چند مسیر، تداخل، مصنوع سخت افزاری) را در یک هدر جداگانه فهرست کند. به این ترتیب تفاوت بین تئوری و عمل قابل مشاهده است.

نمودار صورت فلکی: ابزار تشخیصی

نمودار صورت فلکی توزیع نمادهای دریافتی را در صفحه مختلط نشان می دهد و قوی ترین راه برای خواندن بصری سلامت یک سیستم ارتباطی است. نقاط ایده آل باید تیز باشند. تاری نشان دهنده نویز، خطای فاز چرخش، مشکل دامنه/بهره گیر، تداخل پراکندگی است. هوش مصنوعی هنگام توصیف یک تصویر صورت فلکی می تواند دلایل احتمالی را فرض کند. اما تشخیص قطعی با معیارهای مشخصی مانند اندازه گیری تحلیلگر سیگنال برداری (VSA) و EVM (قدر بردار خطا: بزرگی خطا بین نماد ایده آل و واقعی) انجام می شود.

سه کیف کوچک

مورد 1 - حد QAM بالا. یک تیم می خواهد از 64-QAM به 256-QAM حرکت کند تا توان عملیاتی را افزایش دهد. هوش مصنوعی توضیح می دهد که 256-QAM به حدود 6 دسی بل SNR بیشتر نیاز دارد و اگر حاشیه پیوند کافی نباشد BER منفجر می شود. این تیم بودجه پیوند را محاسبه می کند، اندازه می گیرد که حاشیه SNR در میدان فقط 3 دسی بل است، و از انتقال صرف نظر می کند. در اینجا هوش مصنوعی هشدار مفهومی داد. اندازه گیری میدانی تصمیم را تعیین کرد.

مورد 2 - تله نویز فاز. یک مهندس علیرغم داشتن SNR کافی بر اساس منحنی نظری، BER بالایی می بیند. در مورد علل احتمالی با هوش مصنوعی بحث می کند. ظاهر صورت فلکی چرخیده نشان دهنده نویز فاز است (کیفیت پایین نوسانگر محلی). اندازه گیری VSA این را تایید می کند و نوسانگر بهبود یافته است. درس: اگرچه SNR نظری کافی است، نقص سخت افزاری می تواند BER را کاهش دهد. هوش مصنوعی فرضیه ایجاد می کند، اندازه گیری تشخیص می دهد.

مورد 3 - فرض نادرست سود رمزگذاری. یک کارآموز از هوش مصنوعی می پرسد "اگر کد تصحیح خطا را اضافه کنم چند دسی بل به دست خواهم آورد". هوش مصنوعی یک مقدار کلی (~5-6 دسی بل) می دهد. کارآموز قطعا این را در بودجه پیوند می نویسد. با این حال، سود به نوع کد، نرخ کد، اندازه بلوک و کانال بستگی دارد. در این سیستم، بهره واقعی با شبیه سازی ~3.5 دسی بل است. نگرش صحیح این است که سود کدگذاری را از شبیه سازی/اندازه گیری خود سیستم بگیریم.

الگوهای درخواستی قابل کپی

الگوی تجزیه و تحلیل BER-SNR "رابطه نظری BER-SNR را برای [QPSK/16-QAM/64-QAM] با فرض کانال AWGN توضیح دهید و کدی را بنویسید که منحنی نظری را با پایتون ترسیم می کند. همچنین لیست جداگانه ای از اثرات (تداخل فاز، عدم فاز، علت سخت افزاری، چندمسیر بودن، سخت افزار) ارائه دهید. انحراف از این منحنی در سیستم واقعی، یک فیلد دقیق BER نشان ندهید.

الگوی انتخاب مدولاسیون "طرح مدولاسیون را برای محدودیت های زیر مقایسه کنید: [پهنای باند، نرخ داده هدف، حاشیه SNR موجود، محدودیت توان، محیط چند مسیری]. تعادل راندمان طیفی، نیاز SNR و استقامت را برای هر گزینه توضیح دهید. بیان کنید که انتخاب نهایی باید با بررسی بودجه پیوند و میدان بررسی شود."

الگوی تشخیص صور فلکی "صورت فلکی دریافتی دارای علائم زیر است: [توضیح محو شدن/چرخش/پارگی/پراکندگی]. علل احتمالی (نویز، نویز فاز، خطای افزایش، عدم تعادل IQ، تداخل، همگام سازی) به عنوان فهرستی از فرضیه ها ظاهر می شود. یک تشخیص قطعی انجام ندهید."

الگوی بررسی حاشیه پیوند "مراحلی را که باید قبل از تغییر مدولاسیون در یک پیوند ارتباطی بررسی کنم فهرست کنید: SNR مورد نیاز، حاشیه پیوند فعلی، افزایش کدگذاری، وضعیت کانال. مشخص کنید چه داده هایی را باید از اندازه گیری/شبیه سازی برای هر مرحله دریافت کنم. قانون کلی ارائه دهید اما تاکید کنید که باید اعداد را تأیید کنم."

اعلان ضعیف / اعلان قوی

اعلان ضعیف: "برابر 64-QAM چه خواهد بود؟"

STRONG PROMPT: "منحنی نظری BER-SNR 64-QAM را با فرض یک کانال AWGN توضیح دهید و کد بنویسید تا آن را در پایتون رسم کنید. BER نظری را برای یک SNR معین (مثلا 20 دسی بل) محاسبه کنید، اما تاکید کنید که این مقدار کانال ایده‌آل است، به دلیل اینکه در فاز واقعی، سیستم چندمسیری بدتر می‌شود و سخت‌افزاری می‌کند. اندازه گیری میدانی."

اعلان ضعیف یک عدد واحد می خواهد و زمینه را نادیده می گیرد. اعلان قدرتمند تفاوت بین تئوری و عمل را قابل مشاهده می کند و خط راستی آزمایی را ترسیم می کند.

جدول خلاصه عملکرد مدولاسیون

طرح

بیت در هر نماد

بازده طیفی

نیاز به SNR

استفاده معمولی

BPSK

1

پایین

پایین ترین

لینک با سرعت کم و بادوام

QPSK

2

متوسط

پایین

ماهواره، کانال کنترل

16-قم

4

بالا

متوسط

Wi-Fi، LTE وضعیت متوسط

64-ق.ام

6

بسیار بالا

بالا

LTE/Wi-Fi در شرایط خوب

256-ق.ام

8

بالاترین

بالاترین

لینک هایی که نیاز به SNR بسیار خوب دارند

توجه: این نمودار یک روند کلی را نشان می دهد. آستانه واقعی SNR هر سیستم به نرخ کد، کیفیت گیرنده و کانال بستگی دارد. ترتیب صحیح جدول و آستانه عددی را با اندازه گیری خود تعیین کنید.

اشتباهات رایج

• اشتباه گرفتن منحنی BER نظری با تضمین سیستم واقعی. فرض AWGN برای کانال ایده آل است. کانال واقعی بدتره
• تغییر به QAM درجه بالاتر بدون بررسی حاشیه پیوند. اگر SNR کافی نباشد، BER منفجر می شود.
• با فرض اینکه بهره رمزگذاری یک عدد ثابت باشد. درآمد به نوع کد، نرخ و کانال بستگی دارد. از خود سیستم اندازه گیری می شود.
• نسبت دادن علامت صورت فلکی به یک علت واحد. تاری/چرخش ممکن است به دلایل متعددی رخ دهد. با اندازه گیری جدا می شود.
• نادیده گرفتن عیوب سخت افزاری (نویز فاز، عدم تعادل IQ). حتی اگر SNR کافی باشد، آنها می توانند BER را کاهش دهند.

به طور خلاصه

در این واحد شما از هوش مصنوعی به عنوان یک کمک قدرتمند در یادگیری انواع مدولاسیون، منطق صورت فلکی و رابطه بهره کدگذاری BER-SNR و ایجاد منحنی های نظری در کد استفاده کرده اید. اما منحنی های نظری با فرض یک کانال ایده آل می آیند. عملکرد سیستم واقعی شما توسط چند مسیر، تداخل، نویز فاز و مصنوعات سخت افزاری تعیین می شود و صرفاً با شبیه سازی و اندازه گیری تعیین می شود. تصمیم تغییر مدولاسیون را با اندازه‌گیری حاشیه پیوند و میدان، تشخیص صورت فلکی با اندازه‌گیری VSA/EVM، سود کدگذاری با شبیه‌سازی خود سیستم تأیید کنید.

وظیفه کاربردی

با الگوی "بررسی BER-SNR"، از هوش مصنوعی یک کد پایتون بخواهید که منحنی های نظری را برای QPSK و 16-QAM ترسیم کند و دو منحنی را در یک نمودار مقایسه کنید. سپس از هوش مصنوعی بخواهید فهرست جداگانه ای از حداقل پنج عاملی که باعث انحراف سیستم واقعی از این منحنی ها می شود ارائه دهد. در نهایت، یک نشانه از صورت فلکی را توصیف کنید (به عنوان مثال، "لکه های برگردان") و علل احتمالی و اندازه گیری های تاییدی را با الگوی "تشخیص صورت فلکی" فهرست کنید.

چک لیست

• [ ] من مقادیر BER AI را به "AWGN نظری" محدود کردم، آن را به عنوان تضمین میدانی در نظر نگرفتم.
• [ ] من تصمیم تغییر مدولاسیون را به اندازه گیری حاشیه و میدان پیوند نسبت دادم.
• [ ] بهره کدگذاری ثابت نیست، من آن را از شبیه سازی خود سیستم دریافت کردم.
• [ ] برنامه ریزی کردم که علامت صورت فلکی را با اندازه گیری بدون نسبت دادن به یک علت واحد جدا کنم.
• [ ] من نقص های سخت افزاری (نویز فاز، عدم تعادل ضریب هوشی) را به عنوان یک خطر جداگانه ذکر کرده ام.
• [ ] من ترتیب جدول عملکرد مدولاسیون را صحیح و مقدار آستانه را با اندازه گیری پذیرفتم.