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