Giter Club home page Giter Club logo

tarea_4's Introduction

PROCESOS ALEATORIOS

Universidad de Costa Rica
Modelos Probabilisticos de señales y sistemas
KEVIN PICADO SOTO A94779

TAREA 4

Situación

En el archivo bits10k.csv se encuentran 10.000 bits generados a partir de una fuente binaria equiprobable. El objetivo es hacer una modulación digital para "transmitir" estos datos por un canal ruidoso. La modulación se hace con una frecuencia en la portadora de f = 5000 Hz y con un período de símbolo igual a un período completo de la onda portadora.

Asignaciones

  1. (20 %) Crear un esquema de modulación BPSK para los bits presentados. Esto implica asignar una forma de onda sinusoidal normalizada (amplitud unitaria) para cada bit y luego una concatenación de todas estas formas de onda.
  2. (10 %) Calcular la potencia promedio de la señal modulada generada.
  3. (20 %) Simular un canal ruidoso del tipo AWGN con una relación señal a ruido (SNR) desde -2 hasta 3 dB.
  4. (10 %) Graficar la densidad espectral de potencia de la señal con el método de Welch (SciPy), antes y después del canal ruidoso.
  5. (20 %) Demodular y decodificar la señal y hacer un conteo de la tasa de error de bits (BER, bit error rate) para cada nivel SNR.
  6. (20 %) Graficar BER versus SNR.

Solución

PUNTO 1

Se tiene una onda de forma senosoidal de amplitud 1 para los primero 5 bits muestreados en 50 puntos cada uno como se oberva el la figura, para esto establecemos los parametros de:

Frecuencia de la portadora: f = 5000 Hz
Periodo: T = 1/f , el cual es equivalente a un período del símbolo y T de la onda portadora

onda_portadora.png

Ahora Se procede a generar la señal modulada BPSK, para obtenerla se adiga a la onda senosoidal (sen(x)) cuando el bit es 1 y su negativo (-sen(x)) cuando el bit es 0, esta manera para los primeros 5 bits a 50 puntos cada uno se obtiene la siguiente señal:

senal_modulada.png

PUNTO 2

Para este inciso se cálculo de la potencia promedio de la señal modulada con :


donde sabemos que

donde A es el operador de promedio temporal y X va ser la funcion senoidal establecida
El resultado obtenido de la potencia promedio fue 0.4900009800019598 W

PUNTO 3

Con la potencia promedio obtenida en el punto 2 se aplica un canal de ruido AWGN (ruido aditivo blanco gaussiano) a la señal para analizar la relación, en decibeles, señal::ruido que es el SNR (Signal-to-noise ratio) en un intervalo de valores de [-4,1] el cual se modifica del original para observar mas adelante el comportamieno de el error.\

sabemos que

Donde Pprom la potencia promedio de la señal modulada y Pn es la potencia del ruido.

AWGN_-4dB.png AWGN_-3dB.png AWGN_-2dB.png AWGN_-1dB.png AWGN_0dB.png AWGN_1dB.png

PUNTO 4

En este punto se procede a graficar la densidad espectral de potencia de la señal antes y despues del canal ruidoso, en el caso de la densidad despues del canal AWGN se obtiene una grafica cada valor de SNR no obstante solo se muestra el correspondiente a -4dB. densida_antes_ruido.pngdensidad_ruido_-4dB.png

PUNTO 5

En este punto se establece un umbral dado por Ep>Es/2. En la siguiente imagen se muestran los resultados para cada valor del intervalo de SNR

tasa_error.PNG

PUNTO 6

Finalmente se grafican los errores con respecto a cada SNR donde se puede observar el comportamiento de esta relacion y se nota que entre menor sea el nivle de los decibeles mayor es el error que se presenta por lo cual son inversamente proporcionales, para apreciar mejor esto fue que anteriormente se cambio el intervalo de valores SNR [-2,3] original a el utilizado [-4,1]

SNR_vrs_BER.png

Con el intervalo original de [2,-3] la grafica se hubiera comportado con menos errores porque los valores de SNR en dB son mayores, como se aprecia a continuacion

VERSUS.png

tarea_4's People

Contributors

kevinkono avatar

Watchers

 avatar

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.