Figure 1.4: An additive white Gauss

Figure 1.4: An additive white Gaussian noise (AWGN) channel.
Observe that for any channel with input X(t) and output Y (t), the noise could be defined to
be Z(t)= Y (t) − X(t). Thus there must be something more to an additive-noise channel model
than what is expressed in Figure 1.4. The additional required ingredient for noise to be called
additive is that its probabilistic characterization does not depend on the input.
In a somewhat more general model, called a linear Gaussian channel, the input waveform X(t)
is first filtered in a linear filter with impulse response h(t), and then independent white Gaussian
noise Z(t) is added, as shown in Figure 1.5, so that the channel output is
Y (t)= X(t) ∗ h(t)+ Z(t),
where “∗” denotes convolution. Note that Y at time t is a function of X over a range of times

ผลลัพธ์ (ไทย) 1:

รูปที่ 1.4: การ Gaussian เสียงสามารถสีขาว (AWGN) ช่องแคบสังเกตว่า ในช่องใด ๆ X(t) อินพุทและเอาท์พุท Y (t), เสียงสามารถกำหนดจะมี Z(t) =− Y (t) X(t) จึง ต้องมีบางสิ่งบางอย่างมากขึ้นในแบบจำลองช่องสัญญาณเสียงการบวกกว่าที่จะแสดงในรูปที่ 1.4 ส่วนผสมจำเป็นเพิ่มเติมสำหรับเสียงเรียกการบวกคือ ว่า การจำแนก probabilistic ขึ้นอยู่กับการป้อนข้อมูลในรูปแบบทั่วไปค่อนข้างมาก เรียกว่า Gaussian เส้นช่อง รูปคลื่นสัญญาณ X(t)ก่อนกรองในตัวกรองเชิงเส้นกับกระแสตอบรับ h(t), Gaussian อิสระแล้วสีขาวเสียง Z(t) เพิ่ม ดังที่แสดงในรูปที่ 1.5 เพื่อให้การแสดงผลช่องY (t) = X(t) ∗ h(t) + Z(t)ที่ "∗" แสดง convolution โปรดสังเกตว่า Y ที่เวลา t เป็นฟังก์ชันของ X ช่วงของเวลา

ผลลัพธ์ (ไทย) 2:

. รูปที่ 1.4: เติมแต่งเสียงเสียนสีขาว (AWGN) ช่อง
สังเกตว่าช่องทางใด ๆ กับการป้อนข้อมูล X (t) และเอาท์พุท Y (t), เสียงจะได้รับการกำหนดให้
เป็น Z (t) = Y (t) - เอ็กซ์ ( ตัน) ดังนั้นจะต้องมีบางสิ่งบางอย่างมากขึ้นในช่องทางเติมแต่งเสียงแบบ
กว่าสิ่งที่จะแสดงในรูปที่ 1.4 ส่วนผสมที่จำเป็นเพิ่มเติมสำหรับเสียงที่จะเรียกว่า
สารเติมแต่งเป็นตัวละครที่น่าจะเป็นของมันไม่ได้ขึ้นอยู่กับการป้อนข้อมูล.
ในรูปแบบที่ค่อนข้างทั่วไปมากขึ้นเรียกว่าช่อง Gaussian เชิงเส้นสัญญาณอินพุต X (t)
จะถูกกรองครั้งแรกในตัวกรองเชิงเส้นที่มี กระตุ้นการตอบสนอง h (t) และจากนั้นอิสระสีขาว Gaussian
เสียง Z (t) จะมีการเพิ่มดังแสดงในรูปที่ 1.5 เพื่อให้ช่องสัญญาณเป็น
Y (t) = X (t) * h (t) + Z (t )
ที่ "*" หมายถึงการบิด หมายเหตุ Y ที่เวลา t ที่มีฟังก์ชั่นของ X ในช่วงเวลา

ผลลัพธ์ (ไทย) 3:

รูปที่ 1.4 : เพิ่มเสียงสีขาว ) ( awgn ) ช่อง สำหรับช่องใด
สังเกตว่ามีการป้อนข้อมูล x ( t ) และเอาต์พุต Y ( t ) , เสียงจะถูกกำหนด

เป็น Z ( t ) = y ( t ) − x ( t ) จึงต้องมีอะไรมากกว่ารูปแบบช่องเสียงเสริม
กว่าสิ่งที่จะแสดงในรูปที่ 1.4 . เป็นส่วนประกอบเพิ่มเติมสำหรับเสียงที่จะเรียกว่า
เพิ่มความน่าจะเป็นของการศึกษาไม่ได้ขึ้นอยู่กับการป้อนข้อมูล .
ในรูปแบบค่อนข้างทั่วไป เรียกว่าช่องเสียนเชิงเส้น , ข้อมูลรูป x ( t )
ก่อนกรองในตัวกรองเชิงเส้นที่มีผลตอบสนองอิมพัลส์ H ( T ) จากนั้นอิสระขาวเสียง Gaussian
Z ( t ) คือเพิ่ม ดังแสดงในรูปที่ 1.5 เพื่อให้ช่อง Output
Y ( t ) = x ( t ) ∗ H ( t ) Z ( t )
ที่ " ∗ " หมายถึงรอยหยักของสมอง . หมายเหตุ ที่เวลา t y เป็นฟังก์ชันของ x ช่วงครั้ง