دانلود ترجمه مقاله آنالیز نسبت خطای بیت در ارتباطات WiMAX در سرعت های خودرویی

1. مقدمه 2. مطالعات پیشین 3. مدل کانال برای محوشوندگی زیر- رایلی 4. مدل تحلیلی ارائه شده برای تخمین نرخ خطای بیت 5. تحلیل نتایج 6. نتیجه‌گیری

تحلیل نتایج: یک کار شبیه‌سازی برای سیتمی GHz 6/2 یا پهنای‌باند MHz 5 و مدولاسیون QPSK انجام شد. پارامترهای اولیه و استخراج شده به ترتیب در جداول1 و 2 نشان داده شده ‌اند. برای تحلیل BER در سرعت‌های مختلف خودرو از صفر تا 200 کیلومتر در ساعت، با ترکیبات مختلفی از نسبت به سیگنال به نویز و پارامتر ناکاگامی m، از جعبه‌ابزار پردازش سیگنال نرم‌افزار متلب (MATLAB) استفاده کردیم. شکل2 BER را در سرعت‌های گوناگون خودرو از صفر تا 50 کیلومتر در ساعت و در برابر مقادیر مختلف نسبت سیگنال به نویز برای 5/0 M = نشان می‌دهد. آشکار است که BER با افزایش سرعت خودرو، افزایش می‌یابد و سیستم محوشوندگی شدیدی را در سرعت‌های بالاتر تجربه می‌کند (شکل3). مشاهده شد که در سرعت‌های پایین خودرو، نسبت سیگنال به نویز تاثیر بزرگی روی BER کلی دارد؛ اما وقتی سرعت بیشتر می‌شود، نسبت سیگنال به نویز تاثیر قابل‌توجهی روی BER دارد (یعنی سیستم ICI محدودشده می‌شود)، این دلیلی است که چرا توجه خاصی برای مدیریت منبع در سرعت‌های خودرو می‌شود تا کاربردهایی که نیازمند نرخ بالای داده هستند تسهیل شوند. در مدل ناکاگامی m، شدت محوشوندگی کانال توسط پارامتر m ترسیم می‌شود. شکل4 نشان دهنده BER کانال برای مقادیر مختلف m در سرعت‌های بین صفرتا 200 کیلومتر برساعت است. شکل5 نشان دهنده BER سیستم است، که با پارامتر ناکاگامی m کاهش می‌یابد. وقتی مقدار m برابر 1/0 باشد، BER به علت محوشوندگی شدید نسبتا بالاست و وقتی مقدار m برابر 9/0 باشد، BER نسبتا کم است. در شکل6 نشان داده می‌شود که محوشوندگی رایلی قادر نیست محوشوندگی را در سرعت‌های بالای خودرو مدل کن و BER تنها به صورت حاشیه‌ای و حتی در سرعت‌های بسیار بالای خودرو افزایش می‌یابد. یکی از مزایای بزرگ مدل تحلیلی ارائه شده (معادله (21) این است که وقتی نقطه سیار سرعت خود را تغییر می‌دهد و منجر به مقیاس‌های مختلفی از شدت محوشوندگی می‌شود همین مدل به خوبی عمل می‌کند. برای مثال، وقتی نقطه سیار ساکن باشد و خط مخابراتی خوبی داشته باشد، مدل محوشوندگی را می‌توان با استفاده از محوشوندگی Rician مدل کرد و این کار با قراردادن m بزرگتر از 1 در معادله (21) محقق می‌شود. وقتی نقطه در سرعت‌های کم تا متوسط حرکت می‌کند، محوشوندگی رایلی را می‌توان با قرار دادن مقدار پارامتر m برابر 1 مدل کرد. محوشوندگی شدیدتر وقتی اتفاق می‌افتد که مقدار m در معادله (21) کمتر از 1 باشد. به همین ترتیب، ملد ارائه شده سازگاری خوبی برای تخمین BER در مخابرات وایمکس در مخابرات خودرو دارد. کارهای آتی ما تغییرات پارامتر ناکاگامی m را در پاسخ به سرعت یک نقطه متحرک بررسی خواهد کرد.

RESULT ANALYSIS: A simulation study was conducted for a 2.6 GHz system with a 5 MHz bandwidth (BW) and QPSK modulation. Primitives and derived parameters were taken from table-I and table-II, respectively. We used MATLAB signal processing toolbox for BER analysis at various vehicular speeds from 0 to 200 km/h with different combinations of SNR and Nakagami parameter m. Figure 2 shows BER at various vehicular speeds from 0 to 50 km/h against different SNR values for m = 0.5. It is evident that the BER increases with increasing vehicular speeds and the system experiences severe fading at high vehicular speeds (Figure 3). It was observed that at low vehicular speeds, SNR has a big impact on overall BER, but as the speed increases, SNR has insignificant impact on BER (i.e., the system becomes ICI limited), a reason why special attention is required for resource management at vehicular speeds for facilitating applications requiring high data rates. In Nakagami-m model, the fading severity of the channel is depicted by the parameter m . Figure 4 shows BER of the channel for various values of m at a speed ranging from 0 to 200 km/h. Figure 5: shows BER of the system, which decreases with increasing Nakagami parameter m. When the value of m is 0.1, BER is relatively high due to the severe fading and when the value of m is 0.9, BER is relatively low. It is shown in Figure 6 that Rayleigh fading fails to model severe fading at high vehicular speeds and the BER increases only marginally even at very high vehicular speeds. One biggest advantage of the proposed analytical model (equation (21) is that the same model works perfectly fine when the mobile node changes its speed resulting various scales of fading severity. For example, when the mobile node is static and has good line of sight communication, the fading model can be modeled using Rician fading and this can be achieved by setting m value greater than 1 in Equ. (21). When the node moves at low to medium speed, Rayleigh fading can be modeled by setting the m parameter value as 1. A more severe fading can be reflected by setting the m value less than 1 in Equ. (21). As such, the proposed model is a perfect fit for BER estimation in WiMAX communication at vehicular communications. Our future works will investigate the changes of Nakagami parameter m in response to the speed of a moving node.