ਮੋਡਿਊਲੇਸ਼ਨ, ਡਿਜੀਟਲ ਕਮਿਊਨੀਕੇਸ਼ਨ ਅਤੇ ਐਰਰ ਰਿਕਵਰੀ

ਲਾਭ:

• ਏਆਈ ਸਹਾਇਤਾ ਨਾਲ ਐਨਾਲਾਗ/ਡਿਜੀਟਲ ਮੋਡੂਲੇਸ਼ਨ ਕਿਸਮਾਂ (AM/FM, QAM, QPSK, OFDM) ਅਤੇ ਤਾਰਾਮੰਡਲ ਤਰਕ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਏਆਈ ਦੇ ਨਾਲ ਇੱਕ ਦ੍ਰਿਸ਼ ਦੇ ਆਧਾਰ 'ਤੇ BER, SNR ਅਤੇ ਕੋਡਿੰਗ ਲਾਭ ਸਬੰਧਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਮਿਆਰੀ ਫਾਰਮੂਲੇ, ਸਿਮੂਲੇਸ਼ਨਾਂ ਅਤੇ ਮਾਪਾਂ ਦੇ ਨਾਲ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਪ੍ਰਦਰਸ਼ਨ ਪੂਰਵ ਅਨੁਮਾਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਮੋਡਿਊਲੇਸ਼ਨ ਜਾਣਕਾਰੀ (ਆਵਾਜ਼, ਡੇਟਾ, ਵੀਡੀਓ) ਨੂੰ ਇੱਕ ਕੈਰੀਅਰ ਵੇਵ ਉੱਤੇ ਸੁਪਰਇੰਪੋਜ਼ ਕਰਕੇ ਇੱਕ ਦੂਰੀ ਉੱਤੇ ਲਿਜਾਣ ਦੀ ਕਲਾ ਹੈ। ਹਰ ਵਾਇਰਲੈੱਸ ਕਨੈਕਸ਼ਨ, ਰੇਡੀਓ ਤੋਂ ਵਾਈ-ਫਾਈ, 5G ਤੋਂ ਸੈਟੇਲਾਈਟ ਤੱਕ, ਇੱਕ ਮੋਡਿਊਲੇਸ਼ਨ ਸਕੀਮ 'ਤੇ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਦੇਖੋਗੇ ਕਿ ਮਾਡਿਊਲੇਸ਼ਨ ਕਿਸਮਾਂ ਨੂੰ ਸਿੱਖਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ, ਤਾਰਾਮੰਡਲ ਦੇ ਤਰਕ ਨੂੰ ਸਮਝਣਾ ਹੈ (ਇੱਕ ਗੁੰਝਲਦਾਰ ਸਮਤਲ 'ਤੇ ਬਿੰਦੂਆਂ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਡਿਊਲ ਕੀਤੇ ਚਿੰਨ੍ਹਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ), ਅਤੇ ਗਲਤੀ ਪ੍ਰਦਰਸ਼ਨ (ਬਿੱਟ ਗਲਤੀ ਦਰ, ਸੰਕੇਤ-ਤੋਂ-ਸ਼ੋਰ ਅਨੁਪਾਤ ਸਬੰਧ) ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ। ਦੁਬਾਰਾ, ਕੇਂਦਰੀ ਸਿਧਾਂਤ ਲਾਗੂ ਹੁੰਦਾ ਹੈ: AI ਸਿਧਾਂਤ ਅਤੇ ਆਮ ਵਕਰਾਂ ਦੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਪਰ ਤੁਹਾਡੇ ਸਿਸਟਮ ਦੀ ਅਸਲ ਕਾਰਗੁਜ਼ਾਰੀ ਸਿਰਫ ਚੈਨਲ ਮਾਡਲ, ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਮਾਪ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਐਨਾਲਾਗ ਅਤੇ ਡਿਜੀਟਲ ਮੋਡੂਲੇਸ਼ਨ ਦੇ ਬੁਨਿਆਦੀ ਤੱਤ

ਐਨਾਲਾਗ ਮੋਡੂਲੇਸ਼ਨ ਵਿੱਚ, ਕੈਰੀਅਰ ਦੀ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਲਗਾਤਾਰ ਬਦਲੀ ਜਾਂਦੀ ਹੈ: ਐਪਲੀਟਿਊਡ (AM: ਐਪਲੀਟਿਊਡ ਮੋਡੂਲੇਸ਼ਨ), ਬਾਰੰਬਾਰਤਾ (FM: ਫ੍ਰੀਕੁਐਂਸੀ ਮੋਡੂਲੇਸ਼ਨ) ਜਾਂ ਪੜਾਅ (PM)। ਡਿਜੀਟਲ ਮੋਡੂਲੇਸ਼ਨ ਵਿੱਚ, ਜਾਣਕਾਰੀ ਬਿੱਟਾਂ ਦਾ ਇੱਕ ਕ੍ਰਮ ਹੈ ਅਤੇ ਕੈਰੀਅਰ ਦੀ ਸਥਿਤੀ ਵੱਖਰੇ ਪੱਧਰਾਂ 'ਤੇ ਸੈੱਟ ਕੀਤੀ ਗਈ ਹੈ:

• ASK/OOK: ਐਪਲੀਟਿਊਡ ਸਵਿਚਿੰਗ; ਸਭ ਤੋਂ ਸਰਲ, ਸ਼ੋਰ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ।
• FSK: ਬਾਰੰਬਾਰਤਾ ਸ਼ਿਫਟ ਕੀਇੰਗ; ਸਧਾਰਨ ਅਤੇ ਟਿਕਾਊ, ਘੱਟ ਕੁਸ਼ਲ.
• PSK (BPSK, QPSK): ਫੇਜ਼ ਸ਼ਿਫਟ ਕੀਇੰਗ; QPSK ਇੱਕ ਚਿੰਨ੍ਹ ਵਿੱਚ 2 ਬਿੱਟ ਰੱਖਦਾ ਹੈ।
• QAM (16-QAM, 64-QAM, 256-QAM): ਐਪਲੀਟਿਊਡ ਅਤੇ ਪੜਾਅ ਦੋਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ; ਇਹ ਇੱਕ ਪ੍ਰਤੀਕ ਵਿੱਚ ਵਧੇਰੇ ਬਿੱਟ ਰੱਖਦਾ ਹੈ ਪਰ ਰੌਲੇ ਪ੍ਰਤੀ ਵਧੇਰੇ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦਾ ਹੈ।
• OFDM: ਡੇਟਾ ਨੂੰ ਬਹੁਤ ਸਾਰੇ ਤੰਗ ਸਬਕੈਰੀਅਰਾਂ ਵਿੱਚ ਵੰਡ ਕੇ ਮਲਟੀਪਾਥ ਪ੍ਰਤੀ ਰੋਧਕ ਬਣਾਉਂਦਾ ਹੈ; ਵਾਈ-ਫਾਈ LTE ਅਤੇ 5G ਦੀ ਬੁਨਿਆਦ ਹੈ।

AI ਬਹੁਤ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਮਝਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਕਿਸਮਾਂ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀਆਂ ਹਨ, ਕਿਸ ਸਥਿਤੀ ਵਿੱਚ ਕਿਸ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਤਾਰਾਮੰਡਲ ਚਿੱਤਰ ਕੀ ਦੱਸਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਇਹ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਸਵਾਲ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਕਿ "ਉੱਚ ਆਰਡਰ QAM ਵਿੱਚ ਵਧੇਰੇ ਡੇਟਾ ਕਿਉਂ ਹੁੰਦਾ ਹੈ ਪਰ ਬਿਹਤਰ SNR ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ?"

SNR, BER ਅਤੇ ਕੋਡਿੰਗ ਲਾਭ

ਸੰਚਾਰ ਦੇ ਦੋ ਬੁਨਿਆਦੀ ਪ੍ਰਦਰਸ਼ਨ ਸੂਚਕ ਹਨ। SNR (ਸਿਗਨਲ-ਟੂ-ਨੋਆਇਸ ਰੇਸ਼ੋ) ਸਿਗਨਲ ਪਾਵਰ ਤੋਂ ਸ਼ੋਰ ਪਾਵਰ (dB) ਦਾ ਅਨੁਪਾਤ ਹੈ। BER (ਬਿੱਟ ਐਰਰ ਰੇਟ) ਇਹ ਹੈ ਕਿ ਕਿੰਨੇ ਪ੍ਰਸਾਰਿਤ ਬਿੱਟ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਾਪਤ ਹੋਏ ਹਨ। ਆਮ ਰੁਝਾਨ ਇਹ ਹੈ ਕਿ ਜਿਵੇਂ ਕਿ SNR ਵਧਦਾ ਹੈ, BER ਘਟਦਾ ਹੈ। ਹਰੇਕ ਮੋਡੂਲੇਸ਼ਨ ਕਿਸਮ ਦਾ ਇੱਕ ਵਿਲੱਖਣ BER-SNR ਕਰਵ ਹੁੰਦਾ ਹੈ; ਉੱਚ ਆਰਡਰ ਸਕੀਮਾਂ (256-QAM) ਵਧੇਰੇ ਡੇਟਾ ਰੱਖਦੀਆਂ ਹਨ ਪਰ ਉਸੇ BER ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਉੱਚ SNR ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਚੈਨਲ ਕੋਡਿੰਗ (ਗਲਤੀ ਠੀਕ ਕਰਨ ਵਾਲੇ ਕੋਡ) ਪ੍ਰਾਪਤਕਰਤਾ ਨੂੰ ਡੇਟਾ ਵਿੱਚ ਨਿਯੰਤਰਿਤ ਰਿਡੰਡੈਂਸੀ ਜੋੜ ਕੇ ਕੁਝ ਗਲਤੀਆਂ ਨੂੰ ਠੀਕ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ; ਇਹ ਘੱਟ SNR 'ਤੇ ਉਸੇ BER ਨੂੰ ਕਾਇਮ ਰੱਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਕੋਡਿੰਗ ਲਾਭ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। LDPC, Turbo, Reed-Solomon ਵਰਗੇ ਕੋਡ ਆਧੁਨਿਕ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਮਿਆਰੀ ਹਨ।

AI ਇਹਨਾਂ ਸਬੰਧਾਂ ਅਤੇ ਸਿਧਾਂਤਕ ਵਕਰਾਂ ਦੀ ਬਹੁਤ ਚੰਗੀ ਤਰ੍ਹਾਂ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਕੋਡ ਲਿਖਦਾ ਹੈ। ਪਰ ਚੇਤਾਵਨੀ: ਸਿਧਾਂਤਕ BER ਕਰਵ (ਉਦਾਹਰਨ ਲਈ AWGN, ਐਡੀਟਿਵ ਸਫੈਦ ਗੌਸੀ ਸ਼ੋਰ ਮੰਨ ਕੇ) ਇੱਕ ਆਦਰਸ਼ ਚੈਨਲ ਲਈ ਹੈ। ਤੁਹਾਡੇ ਅਸਲ ਚੈਨਲ ਵਿੱਚ ਮਲਟੀਪਾਥ ਪ੍ਰਸਾਰ, ਦਖਲਅੰਦਾਜ਼ੀ, ਪੜਾਅ ਸ਼ੋਰ, ਅਤੇ ਹਾਰਡਵੇਅਰ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਹਨ; ਅਸਲ BER ਸਿਧਾਂਤਕ ਕਰਵ ਨਾਲੋਂ ਵੀ ਮਾੜਾ ਹੈ। AI ਦੁਆਰਾ ਦਿੱਤਾ ਗਿਆ "that BER at that SNR" ਮੁੱਲ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਹਵਾਲਾ ਹੈ, ਤੁਹਾਡੇ ਸਿਸਟਮ ਦੀ ਗਾਰੰਟੀ ਨਹੀਂ ਹੈ।

ਸੁਝਾਅ: AI ਨੂੰ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ BER-SNR ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ "AWGN ਚੈਨਲ ਮੰਨਣ ਵਾਲੇ ਸਿਧਾਂਤਕ ਕਰਵ" ਤੱਕ ਸੀਮਿਤ ਕਰੋ ਅਤੇ ਇੱਕ ਵੱਖਰੇ ਸਿਰਲੇਖ ਵਿੱਚ ਅਸਲ ਚੈਨਲ ਪ੍ਰਭਾਵਾਂ (ਮਲਟੀਪਾਥ, ਦਖਲਅੰਦਾਜ਼ੀ, ਹਾਰਡਵੇਅਰ ਆਰਟੀਫੈਕਟ) ਦੀ ਸੂਚੀ ਬਣਾਓ। ਇਸ ਤਰ੍ਹਾਂ ਤੁਸੀਂ ਥਿਊਰੀ ਅਤੇ ਪ੍ਰੈਕਟਿਸ ਦੇ ਵਿਚਕਾਰ ਅੰਤਰ ਨੂੰ ਦਿਸਦੇ ਹੋ।

ਤਾਰਾਮੰਡਲ ਚਿੱਤਰ: ਡਾਇਗਨੌਸਟਿਕ ਟੂਲ

ਤਾਰਾਮੰਡਲ ਚਿੱਤਰ ਗੁੰਝਲਦਾਰ ਸਮਤਲ ਵਿੱਚ ਪ੍ਰਾਪਤ ਚਿੰਨ੍ਹਾਂ ਦੀ ਵੰਡ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ ਸੰਚਾਰ ਪ੍ਰਣਾਲੀ ਦੀ ਸਿਹਤ ਨੂੰ ਦ੍ਰਿਸ਼ਟੀਗਤ ਰੂਪ ਵਿੱਚ ਪੜ੍ਹਨ ਦਾ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਤਰੀਕਾ ਹੈ। ਆਦਰਸ਼ ਬਿੰਦੂ ਤਿੱਖੇ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ; ਧੁੰਦਲਾ ਹੋਣਾ ਸ਼ੋਰ, ਰੋਟੇਸ਼ਨ ਪੜਾਅ ਦੀ ਗਲਤੀ, ਜੈਮਿੰਗ ਐਪਲੀਟਿਊਡ/ਗੇਨ ਸਮੱਸਿਆ, ਫੈਲਾਅ ਦਖਲਅੰਦਾਜ਼ੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਤਾਰਾਮੰਡਲ ਚਿੱਤਰ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹੋ ਤਾਂ AI ਸੰਭਵ ਕਾਰਨਾਂ ਦੀ ਕਲਪਨਾ ਕਰ ਸਕਦਾ ਹੈ। ਪਰ ਨਿਸ਼ਚਤ ਨਿਦਾਨ ਠੋਸ ਮੈਟ੍ਰਿਕਸ ਜਿਵੇਂ ਕਿ ਵੈਕਟਰ ਸਿਗਨਲ ਐਨਾਲਾਈਜ਼ਰ (VSA) ਮਾਪ ਅਤੇ EVM (ਗਲਤੀ ਵੈਕਟਰ ਮੈਗਨੀਟਿਊਡ: ਆਦਰਸ਼ ਅਤੇ ਅਸਲੀ ਪ੍ਰਤੀਕ ਦੇ ਵਿਚਕਾਰ ਗਲਤੀ ਦੀ ਤੀਬਰਤਾ) ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 — ਉੱਚ QAM ਦੀ ਸੀਮਾ। ਇੱਕ ਟੀਮ ਥ੍ਰੁਪੁੱਟ ਨੂੰ ਵਧਾਉਣ ਲਈ 64-QAM ਤੋਂ 256-QAM ਤੱਕ ਜਾਣਾ ਚਾਹੁੰਦੀ ਹੈ। AI ਦੱਸਦਾ ਹੈ ਕਿ 256-QAM ਨੂੰ ਲਗਭਗ 6 dB ਹੋਰ SNR ਦੀ ਲੋੜ ਹੈ ਅਤੇ BER ਵਿਸਫੋਟ ਹੋ ਜਾਵੇਗਾ ਜੇਕਰ ਲਿੰਕ ਹਾਸ਼ੀਆ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ। ਟੀਮ ਲਿੰਕ ਬਜਟ ਦੀ ਗਣਨਾ ਕਰਦੀ ਹੈ, ਇਹ ਮਾਪਦੀ ਹੈ ਕਿ ਖੇਤਰ ਵਿੱਚ SNR ਮਾਰਜਿਨ ਸਿਰਫ 3 dB ਹੈ, ਅਤੇ ਪਰਿਵਰਤਨ ਨੂੰ ਛੱਡ ਦਿੰਦਾ ਹੈ। ਇੱਥੇ AI ਨੇ ਸੰਕਲਪਿਕ ਚੇਤਾਵਨੀ ਦਿੱਤੀ; ਫੀਲਡ ਮਾਪ ਨੇ ਫੈਸਲਾ ਕੀਤਾ.

ਕੇਸ 2 - ਪੜਾਅ ਸ਼ੋਰ ਜਾਲ। ਇੱਕ ਇੰਜੀਨੀਅਰ ਸਿਧਾਂਤਕ ਕਰਵ ਦੇ ਅਨੁਸਾਰ ਉੱਚਿਤ SNR ਹੋਣ ਦੇ ਬਾਵਜੂਦ ਉੱਚ BER ਦੇਖਦਾ ਹੈ। AI ਨਾਲ ਸੰਭਵ ਕਾਰਨਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦਾ ਹੈ; ਘੁੰਮਾਏ ਗਏ ਤਾਰਾਮੰਡਲ ਦੀ ਦਿੱਖ ਪੜਾਅ ਸ਼ੋਰ (ਸਥਾਨਕ ਔਸਿਲੇਟਰ ਦੀ ਮਾੜੀ ਗੁਣਵੱਤਾ) ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। VSA ਮਾਪ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ ਅਤੇ ਔਸਿਲੇਟਰ ਵਿੱਚ ਸੁਧਾਰ ਹੋਇਆ ਹੈ। ਪਾਠ: ਹਾਲਾਂਕਿ ਸਿਧਾਂਤਕ SNR ਕਾਫੀ ਹੈ, ਹਾਰਡਵੇਅਰ ਦੀਆਂ ਕਮੀਆਂ BER ਨੂੰ ਘਟਾ ਸਕਦੀਆਂ ਹਨ; AI ਅਨੁਮਾਨ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਮਾਪ ਨਿਦਾਨ ਕਰਦਾ ਹੈ।

ਕੇਸ 3 - ਗਲਤ ਢੰਗ ਨਾਲ ਏਨਕੋਡਿੰਗ ਲਾਭ। ਇੱਕ ਇੰਟਰਨ AI ਨੂੰ ਪੁੱਛਦਾ ਹੈ "ਜੇ ਮੈਂ ਗਲਤੀ ਸੁਧਾਰ ਕੋਡ ਜੋੜਦਾ ਹਾਂ ਤਾਂ ਮੈਨੂੰ ਕਿੰਨੇ dB ਪ੍ਰਾਪਤ ਹੋਣਗੇ"; AI ਇੱਕ ਆਮ ਮੁੱਲ (~5-6 dB) ਦਿੰਦਾ ਹੈ। ਇੰਟਰਨ ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਇਸ ਨੂੰ ਲਿੰਕ ਬਜਟ ਵਿੱਚ ਲਿਖਦਾ ਹੈ. ਹਾਲਾਂਕਿ, ਲਾਭ ਕੋਡ ਕਿਸਮ, ਕੋਡ ਦਰ, ਬਲਾਕ ਆਕਾਰ ਅਤੇ ਚੈਨਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ; ਇਸ ਸਿਸਟਮ ਵਿੱਚ, ਸਿਮੂਲੇਸ਼ਨ ਦੁਆਰਾ ਅਸਲ ਲਾਭ ~ 3.5 dB ਹੈ। ਸਹੀ ਰਵੱਈਆ ਸਿਸਟਮ ਦੇ ਸਿਮੂਲੇਸ਼ਨ/ਮਾਪ ਤੋਂ ਕੋਡਿੰਗ ਲਾਭ ਲੈਣਾ ਹੈ।

ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ

BER-SNR ਵਿਸ਼ਲੇਸ਼ਣ ਟੈਮਪਲੇਟ "AWGN ਚੈਨਲ ਦੀ ਧਾਰਨਾ ਦੇ ਨਾਲ [QPSK/16-QAM/64-QAM] ਲਈ ਸਿਧਾਂਤਕ BER-SNR ਸਬੰਧਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰੋ ਅਤੇ ਕੋਡ ਲਿਖੋ ਜੋ ਪਾਈਥਨ ਦੇ ਨਾਲ ਸਿਧਾਂਤਕ ਕਰਵ ਖਿੱਚਦਾ ਹੈ। ਪ੍ਰਭਾਵਾਂ ਦੀ ਇੱਕ ਵੱਖਰੀ ਸੂਚੀ ਵੀ ਦਿਓ (ਮਲਟੀਰੋਨਫੇਸ, ਹਾਰਡ ਫੇਜ਼, ਸਿੰਕਾਈਜ਼ੇਸ਼ਨ, ਫੇਜ਼ ਨੋ, ਇੰਟਰਫੈਕਟ, ਸਿੰਕਾਈਜ਼ੇਸ਼ਨ)। ਅਸਲ ਸਿਸਟਮ ਵਿੱਚ ਇਸ ਵਕਰ ਤੋਂ ਭਟਕਣ ਦਾ ਕਾਰਨ ਇੱਕ ਸਹੀ ਖੇਤਰ BER ਨਾ ਦਿਓ, ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿਓ ਕਿ ਮੁੱਲ ਸਿਮੂਲੇਸ਼ਨ/ਮਾਪ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਵੇਗਾ।

ਮੋਡਿਊਲੇਸ਼ਨ ਚੋਣ ਟੈਮਪਲੇਟ "ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਰੁਕਾਵਟਾਂ ਲਈ ਮੋਡਿਊਲੇਸ਼ਨ ਸਕੀਮ ਦੀ ਤੁਲਨਾ ਕਰੋ: [ਬੈਂਡਵਿਡਥ, ਟੀਚਾ ਡੇਟਾ ਦਰ, ਉਪਲਬਧ SNR ਮਾਰਜਿਨ, ਪਾਵਰ ਰੁਕਾਵਟ, ਮਲਟੀਪਾਥ ਵਾਤਾਵਰਣ]। ਹਰੇਕ ਵਿਕਲਪ ਲਈ ਸਪੈਕਟ੍ਰਲ ਕੁਸ਼ਲਤਾ, SNR ਲੋੜਾਂ, ਅਤੇ ਸਹਿਣਸ਼ੀਲਤਾ ਦੇ ਸੰਤੁਲਨ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਦੱਸੋ ਕਿ ਅੰਤਮ ਚੋਣ ਲਿੰਕ ਬਜਟ ਅਤੇ ਫੀਲਡ ਸਰਵੇਖਣ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।"

CONSTELATION DIAGNOSIS TEMPLATE "ਪ੍ਰਾਪਤ ਤਾਰਾਮੰਡਲ ਵਿੱਚ ਹੇਠ ਲਿਖੇ ਲੱਛਣ ਹਨ: [ਧੁੰਦਲਾ/ਘੁੰਮਣ/ਜਾਮਿੰਗ/ਵਿਖੇੜਨ ਦਾ ਵਰਣਨ]। ਸੰਭਾਵੀ ਕਾਰਨ (ਸ਼ੋਰ, ਪੜਾਅ ਸ਼ੋਰ, ਲਾਭ ਗਲਤੀ, IQ ਅਸੰਤੁਲਨ, ਦਖਲਅੰਦਾਜ਼ੀ, ਸਮਕਾਲੀਕਰਨ) ਅਨੁਮਾਨਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ। ਹਰੇਕ ਮਾਪ ਲਈ, IEVMSA, ਪਰਿਕਲਪਨਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰੇਗਾ, IEVMSA ਲਿਖਦਾ ਹੈ, ਇਹ ਇੱਕ ਨਿਸ਼ਚਿਤ ਨਿਦਾਨ ਨਾ ਕਰੋ।"

ਲਿੰਕ ਮਾਰਜਿਨ ਚੈਕ ਟੈਮਪਲੇਟ "ਸੰਚਾਰ ਲਿੰਕ 'ਤੇ ਮੋਡਿਊਲੇਸ਼ਨ ਬਦਲਣ ਤੋਂ ਪਹਿਲਾਂ ਉਹਨਾਂ ਕਦਮਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜਿਨ੍ਹਾਂ ਦੀ ਮੈਨੂੰ ਜਾਂਚ ਕਰਨ ਦੀ ਲੋੜ ਹੈ: ਲੋੜੀਂਦਾ SNR, ਮੌਜੂਦਾ ਲਿੰਕ ਮਾਰਜਿਨ, ਕੋਡਿੰਗ ਲਾਭ, ਚੈਨਲ ਦੀ ਸਥਿਤੀ। ਦੱਸੋ ਕਿ ਮੈਨੂੰ ਹਰੇਕ ਪੜਾਅ ਲਈ ਮਾਪ/ਸਿਮੂਲੇਸ਼ਨ ਤੋਂ ਕਿਹੜਾ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਆਮ ਨਿਯਮ ਦਿਓ ਪਰ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿਓ ਕਿ ਮੈਨੂੰ ਨੰਬਰਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।"

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "64-QAM ਲਈ BER ਕੀ ਹੋਵੇਗਾ?"

ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ: "64-QAM ਦੇ ਸਿਧਾਂਤਕ BER-SNR ਵਕਰ ਦੀ ਵਿਆਖਿਆ ਕਰੋ ਇੱਕ AWGN ਚੈਨਲ ਨੂੰ ਮੰਨਦੇ ਹੋਏ ਅਤੇ ਇਸਨੂੰ Python ਵਿੱਚ ਪਲਾਟ ਕਰਨ ਲਈ ਕੋਡ ਲਿਖੋ। ਦਿੱਤੇ ਗਏ SNR (ਉਦਾਹਰਨ ਲਈ 20 dB) ਲਈ ਸਿਧਾਂਤਕ BER ਦੀ ਗਣਨਾ ਕਰੋ, ਪਰ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿਓ ਕਿ ਇਹ ਆਦਰਸ਼ਕ ਹੈ ਅਤੇ ਹਾਰਡਵੇਅਰ ਫੇਜ਼ ਵਿੱਚ ਬਹੁ-ਪਾਥਵੇਅਰ ਵੈਲਯੂ ਦੇ ਕਾਰਨ ਸਿਸਟਮ ਨੂੰ ਖਰਾਬ ਨਹੀਂ ਕਰੇਗਾ। ਅਤੇ ਫੀਲਡ ਮਾਪ ਦੁਆਰਾ ਤਸਦੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।"

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ ਇੱਕ ਸਿੰਗਲ ਨੰਬਰ ਲਈ ਪੁੱਛਦਾ ਹੈ ਅਤੇ ਸੰਦਰਭ ਨੂੰ ਅਣਡਿੱਠ ਕਰਦਾ ਹੈ; ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਥਿਊਰੀ ਅਤੇ ਅਭਿਆਸ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਦਿਖਾਉਂਦਾ ਹੈ ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਦੀ ਲਾਈਨ ਖਿੱਚਦਾ ਹੈ।

ਮੋਡੂਲੇਸ਼ਨ ਪ੍ਰਦਰਸ਼ਨ ਸੰਖੇਪ ਸਾਰਣੀ

ਸਕੀਮ

ਪ੍ਰਤੀ ਚਿੰਨ੍ਹ ਬਿੱਟ

ਸਪੈਕਟ੍ਰਲ ਕੁਸ਼ਲਤਾ

SNR ਦੀ ਲੋੜ ਹੈ

ਆਮ ਵਰਤੋਂ

ਬੀ.ਪੀ.ਐੱਸ.ਕੇ

1

ਘੱਟ

ਸਭ ਤੋਂ ਘੱਟ

ਘੱਟ ਗਤੀ, ਟਿਕਾਊ ਲਿੰਕ

QPSK

2

ਮੱਧਮ

ਘੱਟ

ਸੈਟੇਲਾਈਟ, ਕੰਟਰੋਲ ਚੈਨਲ

16-QAM

4

ਉੱਚ

ਮੱਧਮ

ਵਾਈ-ਫਾਈ, LTE ਮੱਧਮ ਸਥਿਤੀ

64-QAM

6

ਬਹੁਤ ਉੱਚਾ

ਉੱਚ

LTE/Wi-Fi ਚੰਗੀ ਹਾਲਤ ਵਿੱਚ

256-QAM

8

ਸਭ ਤੋਂ ਉੱਚਾ

ਸਭ ਤੋਂ ਉੱਚਾ

ਲਿੰਕ ਜਿਨ੍ਹਾਂ ਲਈ ਬਹੁਤ ਵਧੀਆ SNR ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ

ਧਿਆਨ ਦਿਓ: ਇਹ ਚਾਰਟ ਇੱਕ ਆਮ ਰੁਝਾਨ ਦਿਖਾਉਂਦਾ ਹੈ; ਹਰੇਕ ਸਿਸਟਮ ਦੀ ਅਸਲ SNR ਥ੍ਰੈਸ਼ਹੋਲਡ ਕੋਡ ਦਰ, ਰਿਸੀਵਰ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਚੈਨਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਆਪਣੇ ਖੁਦ ਦੇ ਮਾਪ ਨਾਲ ਸਾਰਣੀ ਵਿੱਚ ਸਹੀ ਕ੍ਰਮ ਅਤੇ ਸੰਖਿਆਤਮਕ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦਾ ਪਤਾ ਲਗਾਓ।

ਆਮ ਗਲਤੀਆਂ

• ਅਸਲ ਸਿਸਟਮ ਗਾਰੰਟੀ ਲਈ ਸਿਧਾਂਤਕ BER ਕਰਵ ਨੂੰ ਗਲਤ ਕਰਨਾ. AWGN ਧਾਰਨਾ ਆਦਰਸ਼ ਚੈਨਲ ਲਈ ਹੈ; ਅਸਲ ਚੈਨਲ ਬਦਤਰ ਹੈ।
• ਲਿੰਕ ਹਾਸ਼ੀਏ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਉੱਚ ਆਰਡਰ QAM 'ਤੇ ਸਵਿਚ ਕਰਨਾ। ਜੇਕਰ SNR ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ, ਤਾਂ BER ਫਟ ਜਾਂਦਾ ਹੈ।
• ਮੰਨ ਲਓ ਕਿ ਏਨਕੋਡਿੰਗ ਲਾਭ ਇੱਕ ਸਥਿਰ ਸੰਖਿਆ ਹੈ। ਕਮਾਈ ਕੋਡ ਕਿਸਮ, ਦਰ ਅਤੇ ਚੈਨਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ; ਇਹ ਸਿਸਟਮ ਤੋਂ ਹੀ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ।
• ਤਾਰਾਮੰਡਲ ਦੇ ਲੱਛਣ ਨੂੰ ਇੱਕ ਹੀ ਕਾਰਨ ਨਾਲ ਜੋੜਨਾ। ਕਈ ਕਾਰਨਾਂ ਕਰਕੇ ਧੁੰਦਲਾ ਹੋਣਾ/ਘੁੰਮਣਾ ਹੋ ਸਕਦਾ ਹੈ; ਮਾਪ ਦੁਆਰਾ ਵੱਖ ਕੀਤਾ ਗਿਆ ਹੈ.
• ਹਾਰਡਵੇਅਰ ਖਾਮੀਆਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ (ਪੜਾਅ ਦਾ ਰੌਲਾ, IQ ਅਸੰਤੁਲਨ)। ਭਾਵੇਂ SNR ਕਾਫੀ ਹੈ, ਉਹ BER ਨੂੰ ਘਟਾ ਸਕਦੇ ਹਨ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਤੁਸੀਂ AI ਦੀ ਵਰਤੋਂ ਮਾਡੂਲੇਸ਼ਨ ਕਿਸਮਾਂ, ਤਾਰਾਮੰਡਲ ਤਰਕ ਅਤੇ BER-SNR-ਕੋਡਿੰਗ ਲਾਭ ਸਬੰਧ, ਅਤੇ ਕੋਡ ਵਿੱਚ ਸਿਧਾਂਤਕ ਵਕਰਾਂ ਨੂੰ ਸਿੱਖਣ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਤਾ ਵਜੋਂ ਕੀਤੀ ਹੈ। ਪਰ ਸਿਧਾਂਤਕ ਵਕਰ ਇੱਕ ਆਦਰਸ਼ ਚੈਨਲ ਦੀ ਧਾਰਨਾ ਦੇ ਨਾਲ ਆਉਂਦੇ ਹਨ; ਤੁਹਾਡੇ ਅਸਲ ਸਿਸਟਮ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਮਲਟੀਪਾਥ, ਦਖਲਅੰਦਾਜ਼ੀ, ਪੜਾਅ ਸ਼ੋਰ ਅਤੇ ਹਾਰਡਵੇਅਰ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਮਾਪ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਲਿੰਕ ਹਾਸ਼ੀਏ ਅਤੇ ਫੀਲਡ ਮਾਪ ਦੁਆਰਾ ਮਾਡੂਲੇਸ਼ਨ ਤਬਦੀਲੀ ਦੇ ਫੈਸਲੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ, VSA/EVM ਮਾਪ ਦੁਆਰਾ ਤਾਰਾਮੰਡਲ ਨਿਦਾਨ, ਸਿਸਟਮ ਦੇ ਹੀ ਸਿਮੂਲੇਸ਼ਨ ਦੁਆਰਾ ਕੋਡਿੰਗ ਲਾਭ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

"BER-SNR ਵਿਸ਼ਲੇਸ਼ਣ" ਟੈਂਪਲੇਟ ਦੇ ਨਾਲ, AI ਨੂੰ ਇੱਕ Python ਕੋਡ ਲਈ ਪੁੱਛੋ ਜੋ QPSK ਅਤੇ 16-QAM ਲਈ ਸਿਧਾਂਤਕ ਵਕਰਾਂ ਨੂੰ ਪਲਾਟ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕੋ ਗ੍ਰਾਫ 'ਤੇ ਦੋ ਵਕਰਾਂ ਦੀ ਤੁਲਨਾ ਕਰਦਾ ਹੈ। ਫਿਰ AI ਨੂੰ ਘੱਟੋ-ਘੱਟ ਪੰਜ ਕਾਰਕਾਂ ਦੀ ਇੱਕ ਵੱਖਰੀ ਸੂਚੀ ਦੇ ਨਾਲ ਆਉਣ ਲਈ ਕਹੋ ਜੋ ਅਸਲ ਸਿਸਟਮ ਨੂੰ ਇਹਨਾਂ ਵਕਰਾਂ ਤੋਂ ਭਟਕਣ ਦਾ ਕਾਰਨ ਬਣਦੇ ਹਨ। ਅੰਤ ਵਿੱਚ, ਤਾਰਾਮੰਡਲ ਦੇ ਇੱਕ ਲੱਛਣ ਦਾ ਵਰਣਨ ਕਰੋ (ਉਦਾਹਰਨ ਲਈ, "ਚੱਬੇ ਬਦਲੇ") ਅਤੇ "ਤਾਰਾਮੰਡਲ ਨਿਦਾਨ" ਟੈਮਪਲੇਟ ਨਾਲ ਸੰਭਾਵਿਤ ਕਾਰਨਾਂ ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਮਾਪਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ AI ਦੇ BER ਮੁੱਲਾਂ ਨੂੰ "AWGN ਸਿਧਾਂਤਕ" ਤੱਕ ਸੀਮਿਤ ਕੀਤਾ, ਮੈਂ ਇਸਨੂੰ ਫੀਲਡ ਗਾਰੰਟੀ ਵਜੋਂ ਨਹੀਂ ਮੰਨਿਆ।
• [ ] ਮੈਂ ਹਾਸ਼ੀਏ ਅਤੇ ਫੀਲਡ ਮਾਪ ਨੂੰ ਲਿੰਕ ਕਰਨ ਲਈ ਮੋਡੂਲੇਸ਼ਨ ਤਬਦੀਲੀ ਦੇ ਫੈਸਲੇ ਦਾ ਕਾਰਨ ਦਿੱਤਾ।
• [] ਕੋਡਿੰਗ ਲਾਭ ਸਥਿਰ ਨਹੀਂ ਹੈ, ਮੈਂ ਇਸਨੂੰ ਸਿਸਟਮ ਦੇ ਆਪਣੇ ਸਿਮੂਲੇਸ਼ਨ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਤਾਰਾਮੰਡਲ ਦੇ ਲੱਛਣ ਨੂੰ ਇੱਕ ਕਾਰਨ ਕਰਕੇ ਇਸ ਨੂੰ ਮਾਪ ਕੇ ਵੱਖ ਕਰਨ ਦੀ ਯੋਜਨਾ ਬਣਾਈ ਹੈ।
• ਮੈਂ ਹਾਰਡਵੇਅਰ ਖਾਮੀਆਂ (ਪੜਾਅ ਦਾ ਰੌਲਾ, IQ ਅਸੰਤੁਲਨ) ਨੂੰ ਵੱਖਰੇ ਜੋਖਮ ਵਜੋਂ ਸੂਚੀਬੱਧ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਮਾਡੂਲੇਸ਼ਨ ਪ੍ਰਦਰਸ਼ਨ ਸਾਰਣੀ ਵਿੱਚ ਆਰਡਰ ਨੂੰ ਸਹੀ ਅਤੇ ਮਾਪ ਦੁਆਰਾ ਥ੍ਰੈਸ਼ਹੋਲਡ ਮੁੱਲ ਨੂੰ ਸਵੀਕਾਰ ਕੀਤਾ।