当前位置: 首页 > article >正文

通信工程学习:什么是SSB单边带调制、VSB残留边带调制、DSB抑制载波双边带调制

SSB单边带调制、VSB残留边带调制、DSB抑制载波双边带调制

       SSB单边带调制、VSB残留边带调制、DSB抑制载波双边带调制是三种不同的调制方式,它们在通信系统中各有其独特的应用和特点。以下是对这三种调制方式的详细解释:

一、SSB单边带调制

1、SSB单边带调制的定义:

       单边带调制(Single Sideband Modulation,SSB)是一种可以更加有效地利用电能和带宽的调幅技术。它将消息的频谱从基带移到一个较高的频率上,而且在平移后的信号频谱内原有频率分量的相对关系保持不变。单边带调制可看作是调幅(AM)的一种特殊形式,通过抑制调幅信号中的一个边带和载波,只发送一个边带信号,从而节省带宽和功率。

2、SSB单边带调制的特点:

节省带宽:SSB调制信号的带宽仅为消息带宽,是调幅的一半。

节省功率:由于抑制了载波和一个边带,SSB调制能够更有效地利用发射功率。

抗干扰能力强:SSB调制信号受传播中频率选择性衰落的影响较小。

解调复杂:SSB调制信号无法被普通的调幅检波器解调,需要专门的解调设备。

3、SSB单边带调制的应用:

        SSB调制在短波通信、载波电话、微波多路传输、地空电话通信、卫星至地面的信道和移动通信系统中得到了广泛应用。

二、DSB抑制载波双边带调制

1、DSB抑制载波双边带调制的定义:

       抑制载波的双边带调制(Double Sideband Suppressed Carrier Modulation,DSB-SC)是一种双边带调制方式,但去除了载波分量。在常规双边带调幅中,大部分功率都消耗在载波上,而载波本身并不携带信息。DSB-SC通过抑制载波,提高了信息的传输效率。

2、DSB抑制载波双边带调制的特点:

1、高效传输:

DSB-SC调制信号的功率全部集中在边带上,传输效率接近100%。

2、无法直接解调:

        由于去除了载波分量,DSB-SC调制信号无法直接采用包络检波进行解调,需要采用同步检波(相干解调)方法。

3、DSB抑制载波双边带调制的应用:

       DSB-SC调制在需要高效传输且对解调设备要求不高的场合得到应用。然而,由于其解调复杂性和对同步性的要求,DSB-SC调制在广播等大规模通信系统中的应用受到一定限制。

三、VSB残留边带调制

1、VSB残留边带调制的定义:

        残留边带调制(Vestigial Sideband Modulation,VSB)是一种介于单边带调制与双边带调制之间的调制方式。它在双边带调制的基础上,通过设计滤波器,使信号一个边带的频谱成分原则上保留,另一个边带频谱成分只保留小部分(残留)

2、VSB残留边带调制的特点:

1、节省频谱:

VSB调制比双边带调制节省频谱资源。

2、易于解调:

VSB调制信号比SSB调制信号更易于解调。

3、过渡带设计:

VSB调制需要设计具有互补对称性的残留边带滤波器,以实现频谱的平滑过渡。

3、VSB残留边带调制的应用:

        VSB调制在广播电视、通信等系统中得到广泛应用。例如,美国的ATSC数字电视标准就采用了VSB调制方式。

        总体来说,AM调制简单但抗干扰能力较差,DSB和VSB调制具有较高的带宽利用率,但调制解调复杂,而SSB调制则在带宽利用率和抗干扰能力方面有较好的平衡。选择合适的调制方式应根据具体的应用需求和系统设计要求来决定。


http://www.kler.cn/a/294813.html

相关文章:

  • Python数据预处理
  • 稀疏视角CBCT重建的几何感知衰减学习|文献速递-基于深度学习的病灶分割与数据超分辨率
  • 使用Git工具在GitHub的仓库中上传文件夹(超详细)
  • Playwright——快速入门(初章)
  • 数据重塑:长宽数据转换【基于tidyr】
  • 最新网盘资源搜索系统,电视直播,Alist聚合播放
  • Web前端主流的框架详解
  • 基于大数据的科研热点分析与挖掘系统
  • 数学建模_数据预处理流程(全)
  • 命名空间,using声明,指令与作用域,重载与namespace
  • 智慧工地解决方案-2
  • 架构全景视图
  • lxml官方入门教程(The lxml.etree Tutorial)翻译
  • 超越IP-Adapter!阿里提出UniPortrait,可通过文本定制生成高保真的单人或多人图像。
  • 类和对象的定义和调用演示(C++)
  • CSS-动态计算高度
  • [数据集][目标检测]街道乱堆垃圾检测数据集VOC+YOLO格式94张1类别
  • ELK学习笔记(一)——使用K8S部署ElasticSearch8.15.0集群
  • Python条件表达式优化的10个实例
  • Springboot集成WebSocket客户端,发送消息并监测心跳
  • Ansible与Docker集成:实现容器化运维自动化
  • 浙大数据结构:02-线性结构1 两个有序链表序列的合并
  • [数据集][目标检测]西红柿成熟度检测数据集VOC+YOLO格式3241张5类别
  • 网络协议-SSH
  • Linux 上如何做MySQL数据备份
  • K近邻法(K-nearest neighbor,K-NN)—有监督学习方法、非概率模型、判别模型、线性模型、参数化模型、批量学习、核方法