THMMY.gr

στις ασκησεις 1, στο παράδειγμα 4 σελ 62, γιατι είναι 5 σταθμοί μέσα στο τετράγωνο?

στο μαθημα ειχε αναφερει οτι παιρνουμε και τους σταθμους που ειναι στα ορια του τετραγωνου αρα 5 συνολο

Ανέβηκαν στο elearning και οι σημειώσεις του ΝΟΜΑ

Απο το πρωτο pdf ασκησεων εγιναν ολα στο μαθημα?

ναι

Μπορεί κάποιος να μου εξηγήσει σε αυτό το διάγραμμα πώς βρίσκω τις παραμέτρους;  ::)
κάπως με μπερδεύει

Στο μοντέλο διάδοσης ελεύθερου χώρου τι ισχύει? Ποιος τύπος ειναι σωστός?
(οι φωτο είναι απο διαλεξ 2, σελ 36 και διαλεξ 3 σελ 5 και ασκησεις 2 σελ 9)

Δε θα το βρεις σε αυτό το διάγραμμα γενικά με το χέρι. Ουσιασιτκά είναι σε κάθε στιγμή να κάνεις τον υπολογισμό όπως ακριβώς λύθηκε στην προηγούμενη διαφάνεια. Σκοπός της διαφάνειας είναι να δείξει πως θα είναι στο πραγματικό περιβάλλον. (Επειδή εδώ μοιάζει αρκετά με συνεχές φαντάσου τα αθροίσματα σαν ολοκληρώματα στους τύπους για τα τ). Έπειτα ψάχνεις τη στιγμή που το σήμα θα πέσει κατά X (εδώ 10) dB από το μέγιστο που έφτασε. Το στ το βγάζεις από τα τ.


Με το μοντέλο διάδοσης ελεύθερου χώρου συνήθως πάει το μυαλό μας στο μοντέλο του Friis, αυτό περιλαμβάνει κέρδη κεραιών (συνήθως G ή και Α), μήκος κύματος ακτινοβολίας λ, απόσταση d στο τετράγωνο κι ένας συντελεστής απωλειών L. Επειδή πολλά από αυτά θα είναι σταθερά/γνωστά σε ένα σύστημα (πχ κέρδος κεραίας, 4π, L κτλ) μπορούμε να τα έχουμε σαν σταθερά και να αλλάζιε μόνο η απόσταση πχ. Έτσι έχουμε πχ την τιμή του path loss γνωστή σε κάποια γνωστή απόσταση d0 και σε σχέση με αυτήν την απόσταση αναφοράς παίρνουμε ένα πιο απλό μοντέλο. Στην πράξη το κάνεις αυτό γιατί πας πχ μετράς σε μια απόσταση 1 km τι μέση ισχύ φτάνει από τόση που έστειλες και έχεις το PathLoss(d0).

Από εκεί και πέρα μεγάλη προσοχή στο dB και καθαρό νούμερο. Το Path Loss = Preceived / Ptransmitted, είναι κλάσμα. Αν εμφανιστούν προσθέσεις πουθενά έχει γίνει από τη μετατροπή σε dB. Όταν χρησιμοποιούμε το Path Loss για πράξεις, πχ για SNR, πάντα το κάνουμε καθαρό νούμερο.

Στις διαφάνεις του ΝΟΜΑ στην άσκηση 3, υπάρχει ένα άλλο ακόμα πιο απλό μοντέλο για path loss, το οποίο χρησιμοποιείται όταν απλά θέλουμε να δείξουμε την επιρροή της απόστασης στο σήμα στη λήψη. Ουσιαστικά θέτει όλες τις παραμέτρους = 1 (δε μας νοιάζουν/σταθερές ή ψάχνουμε τάξη μεγέθους) και έχει +1 στον παρανομαστή για να μη γίνει ποτέ ενισχυτικό το path loss (δηλ >1).

Τέλος, υπάρχει το n, path loss exponent. Ο εκθέτης της απόστασης, συνήθως το βλέπουμε 2 από τη διάδοση στον ελεύθερο χώρο. Μπορεί να πάρει κι άλλες τιμές πχ 1.6, 3, 4, κτλ ανάλογα το περιβάλλον. Αυτό συνήθως οφείλεται στο fitting σε πειραματικά δεδομένα σε κάθε χώρο. Για αυτό και στη βιβλιογραφία υπάρχουν διάφορα μοντέλα διάδοσης, πχ Okumura model.

EDIT: όλα που δείχνεις σωστά είναι, ανάλογα την περίπτωση. Το friis έχει n=2. Γενικά δίνονται ανάλογα το περιβάλλον/άσκηση, αλλά αν σου πει ελεύθερος χώρος πρέπει να καταλάβεις ότι εννοεί αυτό.

Στα Fading Channels παραδειγμα 4, η στήλη Average Power [Watt], πώς προκύπτει?

Είναι το γινόμενο της Average Relative Power (σε Watt) επί την μέση λαμβανόμενη ισχύ (δίνεται στην εκφώνηση 0.38 Watt).

Ααα ευχαριστω πολυ!

Στο παράδειγμα 4 (διαφάνεια 44) από τις ασκήσεις στα fading channels θεωρούμε ότι το κανάλι είναι επιλεκτικό στη συχνότητα ενώ ικανοποιείται μόνο η σχέση Bs>Bc και όχι η Ts<στ. Δεν πρέπει να ισχύουν και οι δύο σχέσεις για να είμαστε σίγουροι ότι το κανάλι είναι επιλεκτικό στη συχνότητα;

εγω εχω καταλαβει οτι μονο η μια αρκει οποτε αναλογα με τα δεδομενα που εχεις στην ασκηση παιρνεις αυτη που σε βολευει

Στο pdf με τα resources μεχρι και τη σελίδα 32 βλέπουμε τι ισχύει για downlink;και το uplink στις επόμενες όπως λέει;

Ναι. Και γενικότερα όταν λέμε capacity region χωρίς να γινόμαστε συγκεκριμένοι εννοούμε τη μεγαλύτερη από τις περιοχές που μπορούμε να έχουμε. Περισσότερα σε αυτά έχει και στο PHY MAC pdf.

τι ακριβώς παρατηρούμε στα επίπεδα και συχνοεπιλεκτικά κανάλια? γίνεται αλλοίωση της φάσης και του πλάτους και στα 2? :o

Η χαρακτηριστική διαφορά των 2 είναι ότι στα flat/επίπεδα επηρεάζονται όλες οι συχνότητες λίγο πολύ το ίδιο, πλάτος και φάση. Στα συχνοεπιλεκτικά δεν ισχύει αυτό κι έτσι μπορεί να χάσεις πληροφορία από κάποια συχνότητα γιατί το κέρδος του καναλιού είναι πρακτικά 0 (deep fade).

Για να ελέγξουμε αν έχουμε επίπεδη διαλειψη παίρνουμε τον τύπο Ts>στ η στ/Ts>0.1; Ποτέ χρησιμοποιούμε τον καθένα;

+1

Γενικά οι διαφάνειες λένε >> άρα σε αυτές τις περιπτώσεις πολλές φορές λέμε να είναι μια τάξη μεγαλύτερο τουλάχιστον, εξού και το 0.1
Σε μια άσκηση λέει > αλλά είναι ξεκάθαρο ότι είναι πολύ μεγαλύτερο και πάλι.

EDIT: Τs >> στ λένε, άρα στ /Τs <0.1

Ευχαριστω!!

Σε περίπτωση που κάποιος δεν το έχει δει, στα downloads έχει σημειώσεις για προετοιμασία για την εξεταστική Ιουνίου που λόγω συνθηκών ήταν προφορική, οπότε ταιριάζει στη λογική της προόδου.