瑞利分布
瑞利分布
瑞利分布信道M A T L A B 仿真一、瑞利衰落原理在陆地移动通信中，移动台往往受到各种障碍物和其他移动体的影响，以致到达移动台的信号是来自不同传播路径的信号之和。
而描述这样一种信道的常用信道模型便是瑞利衰落信道。
定义:由于信号进行多径传播达到接收点处的场强来自不同传播的路径，各条路径延时时间是不同的，而各个方向分量波的叠加，又产生了驻波场强，从而形成信号快衰落称为瑞利衰落。
瑞利衰落信道（Rayleighfadingchannel）是一种无线电信号传播环境的统计模型。
这种模型假设信号通过无线信道之后，其信号幅度是随机的，表现为“衰落”特性，并且多径衰落的信号包络服从瑞利分布。
由此，这种多径衰落也称为瑞利衰落。
这一信道模型能够描述由电离层和对流层反射的短波信道，以及建筑物密集的城市环境。
瑞利衰落只适用于从发射机到接收机不存在直射信号的情况，否则应使用莱斯衰落信道作为信道模型。
假设经反射（或散射）到达接收天线的信号为N 个幅值和相位均随机的且统计独立的信号之和。
信号振幅为r,相位为,则其包络概率密度函数为P(r)=2222rr e(r 0)相位概率密度函数为：P()=1/2（20）二、仿真原理（1）瑞利分布分析环境条件：通常在离基站较远、反射物较多的地区，发射机和接收机之间没有直射波路径（如视距传播路径），且存在大量反射波，到达接收天线的方向角随机的（（0~2π）均匀分布），各反射波的幅度和相位都统计独立。
幅度与相位的分布特性：包络r 服从瑞利分布，θ在0～2π内服从均匀分布。
瑞利分布的概率分布密度如图1所示：00.51 1.52 2.530.10.20.30.40.50.60.70.80.9图1瑞利分布的概率分布密度（2）多径衰落信道基本模型离散多径衰落信道模型为()1()()()N t k kk y t r t x t%%(1)其中,()k r t 复路径衰落，服从瑞利分布;k是多径时延。
多径衰落信道模型框图如图2所示：图2多径衰落信道模型框图（3）产生服从瑞利分布的路径衰落r(t)利用窄带高斯过程的特性，其振幅服从瑞利分布，即22()()()c s r t n t n t （2）上式中()()c s n t n t 、，分别为窄带高斯过程的同相和正交支路的基带信号。
瑞利分布
瑞利分布（Rayleigh Distribution）:当一个随机二维向量的两个分量呈独立的、均值为0，有着相同的方差的正态分布时，这个向量的模呈瑞利分布。
瑞利分布(Rayleigh Distribution) :一个均值为(0.5*π*σ^2)^(0.5),方差为(2-0.5*π)*σ^2的平稳窄带高斯过程，其包络的一-维分布是瑞利分布其表达式及概率密度如图所示。
当一个随机二维向量的两个分量呈独立的、有着相同的方差的正态分布时，这个向量的模呈瑞利分布。
瑞利分布是最常见的用于描述平坦衰落信号接收包络或独立多径分量接受包络统计时变特性的一种分布类型。
两个正交高斯噪声信号之和的包络服从瑞利分布。
瑞利分布的概率密度：。
几种衰落信道
⼏种衰落信道瑞利分布瑞利分布(Rayleigh distribution)是指当⼀个随机的⼆维向量的每个分量呈独⽴的、均值为0、⽅差为σ2并且有着相同的⽅差的正态分布时，这个向量的模呈瑞利分布。
它是⼀个均值为0，⽅差为σ2的平稳窄带⾼斯过程，其包络的⼀维分布是瑞利分布⼀、准静态平坦衰落信道⼀般来说，多路信号到达接收机的时间有先有后，即有相对时(间)延(迟)。
如果这些相对时延远⼩于⼀个符号的时间，则可以认为多路信号⼏乎是同时到达接收机的。
这种情况下多径不会造成符号间的⼲扰。
这种衰落称为平坦衰落，因为这种信道的频率响应在所⽤的频段内是平坦的。
相反地，如果多路信号的相对时延与⼀个符号的时间相⽐不可忽略，那么当多路信号迭加时，不同时间的符号就会重叠在⼀起，造成符号间的⼲扰。
这种衰落称为频率选择性衰落，因为这种信道的频率响应在所⽤的频段内是不平坦的。
⽽准静态平坦衰落信道(quasi-static frequency-flat fading)是指多径情况不会造成符号间的⼲扰，并且在每⼀个传输块内为常数。
⼆、瑞利衰落信道模型（Rayleigh）假设发送信号为单⼀频率正弦波，即若不考虑直射路径，多径信道共有n条路径，各条路径具有时变衰耗和时变传输时延，且从各条路径到达接收端的信号相互独⽴，则接收端接受到的合成波为式中，ai(t)为从第i条路径到达接收端的信号振幅，τi(t)为第i条路径的传输时延。
传输时延可以转换为相位的形式，即为从第i条路径到达接收端的信号的随机相位。
r(t)也可表⽰为如下形式：由于X(t)和Y(t)都是相互独⽴的随机变量之后，根据中⼼极限定理，⼤量独⽴随机变量之和的分布趋于正态分布。
因此，当n⾜够⼤时，X(t)和Y(t)都趋于正态分布。
通常情况下X(t)和Y(t)的均值为0（由于没有直射路径），⽅差相等。
这种表⽰⽅式也叫做同相-正交表⽰法。
r(t)也可以表⽰为如下形式：这种表达⽅式也称包络-相位表⽰法。
瑞利分布
瑞利分布：平稳的窄带高斯过程，平均值为（0.5*π*σ^2）^（0.5），方差为（2-0.5*π）*σ^2。
其包络的一维分布是瑞利分布。
其表达和概率密度如图所示。
当随机二维向量的两个分量独立且具有相同方差时，向量的模量为瑞利分布。
瑞利分布是最常见的分布类型，用于描述平坦衰落信号或独立多径分量的接收包络的统计时变特性。
两个正交高斯噪声信号之和的包络服从瑞利分布。
在概率论和统计学中，指数分布是连续的概率分布。
指数分布可用于表示独立随机事件的时间间隔，例如乘客进入机场的时间间隔，中文维基百科中新条目的时间间隔等。
许多电子产品的寿命分布通常遵循指数分布。
一些系统的寿命分布也可以通过指数分布来近似。
它是可靠性研究中最常用的分布形式。
指数分布是伽玛分布和威布尔分布的特例。
当产品的故障是偶然的时，其寿命遵循指数分布。
当威布尔分布的形状系数等于1时，可以将指数分布视为特殊分布。
指数分布的失效率是与时间t无关的常数，因此分布函数简单。
如果指数分布的参数为λ，则指数分布的期望值为1/λ，方差为（1//λ）的平方。
正态分布也称为高斯分布，在数学，物理和工程领域是非常重要的概率分布。
它对统计的许多方面都有很大的影响。
如果随机变量x服从具有数学期望μ和标准偏差σ2的高斯分布，则其概率密度函数为正态分布，期望值μ确定其位置，其标准偏差σ确定分布的幅度。
因为它的曲线是钟形的，所以人们经常称其为钟形曲线。
我们通常所指的标准正态分布是μ=0和σ=1的正态分布。
正态分布是具有两个参数μ和σ2的连续随机变量的分布。
第一个参数μ是服从正态分布的随机变量的平均值，第二个参数σ2是随机变量的方差，因此正态分布表示为n（μ，σ2）。
matlab 瑞利分布函数
matlab 瑞利分布函数【原创实用版】目录1.MATLAB 简介2.瑞利分布函数简介3.MATLAB 中实现瑞利分布函数的方法4.应用实例正文1.MATLAB 简介MATLAB 是一种广泛使用的数学软件，主要用于科学计算、数据分析和可视化。
它有强大的矩阵计算能力和各种工具箱，可以方便地处理各种复杂的数学问题。
在信号处理、通信和概率论等领域都有广泛的应用。
2.瑞利分布函数简介瑞利分布是一种概率分布，它是指数分布的一种特殊形式。
瑞利分布的特征是具有一个参数，这个参数决定了分布的形状。
当参数为 1 时，瑞利分布就变成了均匀分布。
在通信和信号处理中，瑞利分布常用来描述信号的强度或者噪声的强度。
3.MATLAB 中实现瑞利分布函数的方法在 MATLAB 中，可以使用内置的函数或者自己编写函数来实现瑞利分布。
下面是两种常见的方法：（1）使用内置函数：MATLAB 中有一个叫做"rander"的函数，可以生成服从瑞利分布的随机数。
使用方法如下：```matlabx = rander(mu, sigma)```其中，mu 是瑞利分布的均值，sigma 是标准差。
（2）自己编写函数：你也可以自己编写一个函数来计算瑞利分布的值。
下面是一个简单的例子：```matlabfunction y = rayleigh(x, alpha)% alpha = 1 / sqrt(2)y = (alpha / sqrt(2)) * (x^2);end```这个函数的输入参数 x 是瑞利分布的平方，alpha 是瑞利分布的参数。
4.应用实例假设我们要模拟一个信号，这个信号的强度服从瑞利分布。
我们可以使用 MATLAB 的"rander"函数来生成一个服从瑞利分布的随机数，然后将这个随机数平方，就可以得到信号的强度。
matlab 瑞利分布函数
matlab 瑞利分布函数【原创版】目录1.瑞利分布函数的定义2.MATLAB 中瑞利分布函数的实现3.使用 MATLAB 计算瑞利分布的概率密度函数值4.使用 MATLAB 绘制瑞利分布的概率密度函数曲线正文瑞利分布是一种在概率论和统计学中常见的连续型概率分布，它是由英国数学家瑞利（Rayleigh）在 19 世纪末提出的。
瑞利分布函数的定义是：对于任意实数 x，如果 X~R(a)，则 P(X ≤ x) = 1 - e^(-ax)。
其中，a 是瑞利分布的参数，X 表示随机变量。
在 MATLAB 中，我们可以使用现成的函数来实现瑞利分布。
首先，我们需要导入 MATLAB 的统计工具箱，通过输入“stats”命令即可完成导入。
接着，我们可以使用“rpdf”函数来计算瑞利分布的概率密度函数值，使用“rccdf”函数来计算瑞利分布的累积分布函数值。
例如，假设我们想要计算瑞利分布的概率密度函数值，我们可以输入以下命令：```matlaba = 1; % 设定瑞利分布的参数x = 0:0.1:1; % 定义 x 的取值范围f = rpdf(x, a); % 计算概率密度函数值```同样，如果我们想要绘制瑞利分布的概率密度函数曲线，我们可以使用“plot”函数。
例如：```matlaba = 1;x = 0:0.1:1;f = rpdf(x, a);plot(x, f);xlabel("x");ylabel("f(x)");title("瑞利分布的概率密度函数曲线");```以上，就是我们如何使用 MATLAB 实现瑞利分布函数的方法。
瑞利分布在无线通信中的应用
瑞利分布在无线通信中的应用移动通信系统的性能主要受到无线信道的制约，无线信道不像有线信道那样固定并可预见，而是具有极度的随机性，从简单的视距传播，到遭遇各种复杂的地形、地物，甚至移动台的移动速度也会对信号电平的衰落产生影响。
因此，要对无线信道进行控制和预测是非常困难的，即便这样，我们可以通过对针对信道的某一统计特性来建立信道模型，从而达到对信号发射和接受进行研究的目的。
一、瑞利分布瑞利分布（Rayleigh Distribution ）:一个均值为2πσ，方差为222σπ⎪⎭⎫ ⎝⎛-的平稳窄带高斯过程，其包络的一维分布是瑞利分布.其表达式及概率密度为：()()()⎪⎩⎪⎨⎧<≥⎪⎪⎭⎫ ⎝⎛-=0002exp 222x x x x x f σσ 当一个随机二维向量的两个分量呈独立的、有着相同的方差的正态分布时，这个向量的模呈瑞利分布。
瑞利分布是最常见的用于描述平坦衰落信号接收包络或独立多径分量接受包络统计时变特性的一种分布类型。
两个正交高斯噪声信号之和的包络服从瑞利分布。
二、瑞利衰落信道通过相关的理论知识，我们知道在任何一点接收到的信号是由大量的建筑物或树木、山丘反射来的电波叠加而成的。
这些电波虽然都是从一个天线辐射出来的，但由于到达接收天线的路径不同，故其相位是随机的，从而导致合成信号的幅度急剧变化，即产生了衰落。
对于小尺度的多径衰落，我们分析它的一阶统计特性我们令任意t 时刻的包络为：()()()()()()[]t Z t Z t t Z t Z t C s s c /tan ,122-=+=θα所以，衰落特性可以通过对任意时刻t 包络()t α和相位()t θ的概率密度函数进行研究。
对于非视距的衰落信道因为不存在直接路径，我们可以建模为瑞利分布。
瑞利衰落信道（Rayleigh fading channel ）是一种无线电信号传播环境的统计模型。
这种模型假设信号通过无线信道之后，其信号幅度是随机的，即“衰落”，并且其包络服从瑞利分布。
复杂数据模型下瑞利及广义瑞利分布的拟合检验与统计推断
复杂数据模型下瑞利及广义瑞利分布的拟合检验与统计推断关键词：瑞利分布；广义瑞利分布；数据模型；拟合检验；统计推断1.引言随着科学技术的进步，数据的规模和复杂性不息增长。
在大数据时代，探究数据分布模型是分外重要的，并且对模型的拟合检验和统计推断也变得尤其关键。
瑞利分布及广义瑞利分布是常见的概率分布模型，其在信号处理、天文学、物理学等领域都有广泛的应用。
因此，对这两种概率分布模型的拟合检验和统计推断具有重要的探究价值。
2.瑞利分布及广义瑞利分布2.1瑞利分布瑞利分布是一种常见的概率分布模型，常用来描述射线、波和信号在随机震动的介质中传输的衰减状况，其概率密度函数为：$$f(x;\sigma)=\frac{x}{\sigma^2}\exp(-\frac{x^2}{2\sigma^2}),x\geq0$$其中，$\sigma$是瑞利分布的标准参数，它是随机过程振幅的方均值的平方根，也称为瑞利参数。
2.2广义瑞利分布广义瑞利分布是瑞利分布的推广形式，其概率密度函数为：$$f(x;k,\sigma)=\frac{2x}{\sigma^2}\left(\frac{x^2}{\sig ma^2}\right)^{\frac{k}{2}-1}\exp(-\frac{x^k}{\sigma^k}),x\geq0,k>0,$$其中，$\sigma$是广义瑞利分布的标准参数，$k$是广义瑞利分布的外形参数。
3.数据模型和预估方法在现实生活中，瑞利分布及广义瑞利分布往往作为复杂数据模型的子模型出现。
针对这种状况，本文介绍了最大似然预估法、贝叶斯预估法和矩预估法等统计方法，并详尽谈论了在复杂数据模型下的参数预估方法。
4.拟合检验为了验证瑞利分布及广义瑞利分布在复杂数据模型下的适用性，本文提出了适用于大样本的渐进理论检验方法和适用于小样本的Bootstrap检验方法。
通过这两种方法的试验结果，本文验证了瑞利分布及广义瑞利分布在复杂数据模型下的优越性。
瑞利数文档
瑞利数瑞利数的定义瑞利数（Raleigh number），也称为瑞利分布参数，是统计学中常用的一个概念。
瑞利数的定义如下：瑞利数是一种描述随机振荡或随机波动的现象的数学参数。
它在概率论和统计学中被广泛应用。
瑞利数的应用瑞利数在各个领域中都有广泛的应用，以下是几个常见的应用领域：1. 无线通信中的使用在无线通信中，瑞利数可以用来描述无线信号的衰落过程。
当无线信号穿过自由空间或其他介质时，由于多种多样的衰弱因素，信号的强度会随着距离的增加而下降。
瑞利数可以帮助我们理解信号衰减的过程，并对无线信号传输中的可靠性和性能进行评估。
2. 光学中的使用在光学中，瑞利数可以用来描述光的波动和干涉现象。
瑞利数可以衡量光波的相位差，从而帮助我们理解干涉条纹的形成原理，以及波前传播的特性。
3. 天文学中的使用在天文学中，瑞利数可以用来描述天体的扩散和分辨能力。
由于地球大气层的湍流和散射效应，观测到的天体图像往往会受到模糊和失真的影响。
瑞利数可以帮助天文学家评估天文望远镜的分辨能力，并优化观测条件。
4. 金融学中的使用在金融学中，瑞利数可以用来描述金融资产的价格波动。
股票、外汇和其他金融产品的价格通常呈现出随机波动的特征，而瑞利数可以帮助我们对金融市场的波动性进行建模和分析。
瑞利数的计算瑞利数的计算可以通过概率密度函数（PDF）来实现。
瑞利分布的概率密度函数是一个标准正态分布的平方根。
瑞利分布的概率密度函数如下：f(x;\\sigma) = \\frac{x}{\\sigma^2}e^{-\\frac{x^2}{2\\sigma^2}}其中，x表示变量，σ表示瑞利数的参数。
瑞利数的性质1. 平均值和方差瑞利数的平均值和方差可以通过以下公式计算：平均值（mean）：E(X) = σ√π/2方差（variance）：Var(X) = (4 - π)σ^2/22. 分布函数瑞利数的累积分布函数（CDF）可以通过以下公式计算：F(x;\\sigma) = 1 - e^{-\\frac{x^2}{2\\sigma^2}}其中，x表示变量，σ表示瑞利数的参数。
matlab 瑞利分布函数
matlab 瑞利分布函数瑞利分布函数是概率统计学中常用的一种连续型随机变量的概率密度函数。
它在通信系统、雷达系统、医学图像处理等领域中被广泛应用。
瑞利分布函数是由英国科学家雷利（Rayleigh）于1880年提出的，他在研究电磁波在空气中传播时发现了这一分布规律。
瑞利分布函数的定义域是正实数轴，概率密度函数的表达式为：f(x) = (x/σ²) * e^(-x²/2σ²)，其中σ为尺度参数。
瑞利分布函数在通信系统中起着重要的作用。
在无线通信中，信号的传输受到多径效应的影响，导致接收信号中存在多个不同强度和相位的副本。
这些副本经过合并形成了多径衰落信道。
而瑞利分布函数则可以描述这种衰落现象，从而对信号的传输性能进行评估。
在雷达系统中，瑞利分布函数用于描述回波信号的幅度分布。
雷达系统通过发射脉冲信号并接收回波信号，通过分析回波信号的幅度分布可以得到目标的距离和速度等信息。
而瑞利分布函数则可以作为回波信号的统计模型，帮助雷达系统进行目标检测和跟踪。
瑞利分布函数还在医学图像处理中有广泛的应用。
在医学影像学中，瑞利分布函数被用于描述图像中的噪声分布。
通过对图像进行噪声建模，可以帮助医生诊断病变和进行图像处理。
瑞利分布函数的参数可以通过最大似然估计等方法进行估计，从而得到更准确的噪声模型。
总结起来，瑞利分布函数是一种重要的概率密度函数，广泛应用于通信系统、雷达系统和医学图像处理等领域。
它可以描述信号的衰落、回波信号的幅度分布和图像中的噪声分布。
瑞利分布函数的研究和应用对于相关领域的发展具有重要意义，帮助人们更好地理解和利用随机变量的特性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
瑞利分布信道M A T L A B 仿真
一、瑞利衰落原理
在陆地移动通信中，移动台往往受到各种障碍物和其他移动体的影响，以致到达
移动台的信号是来自不同传播路径的信号之和。
而描述这样一种信道的常用信道
模型便是瑞利衰落信道。
定义:由于信号进行多径传播达到接收点处的场强来自不同传播的路径，各条路径延时时间是不同的，而各个方向分量波的叠加，又产生了驻波场强，从而形成信号快衰落称为瑞利衰落。
瑞利衰落信道（Rayleighfadingchannel
）是一种无线电信号传播环境的统
计模型。
这种模型假设信号通过无线信道之后，其信号幅度是随机的，表现为“衰落”特性，并且多径衰落的信号包络服从瑞利分布。
由此，这种多径衰落也称为
瑞利衰落。
这一信道模型能够描述由电离层和对流层反射的短波信道，
以及建筑
物密集的城市环境。
瑞利衰落只适用于从发射机到接收机不存在直射信号的情况，否则应使用莱斯衰落信道作为信道模型。
假设经反射（或散射）到达接收天线的信号为N 个幅值和相位均随机的且统计独立的信号之和。
信号振幅为
r,相位为
,则其包络概率密度函数为
P(r)=
2
2
2
2
r
r e
(r 0)
相位概率密度函数为：
P(
)=1/2
（20）
二、仿真原理（1）瑞利分布分析
环境条件：通常在离基站较远、反射物较多的地区，发射机和接收机之间没有直射波路径（如视距传播路径），且存在大量反射波，到达接收天线的方向角随机的（（0~2π）均匀分布），各反射波的幅度和相位都统计独立。
幅度与相位的分布特性：
包络r 服从瑞利分布，θ在0～2π内服从均匀分布。
瑞利分布的概率分布密度如图1所示：
00.51 1.52 2.53
0.10.20.30.40.50.60.70.80.9图1瑞利分布的概率分布密度
（2）多径衰落信道基本模型
离散多径衰落信道模型为
()
1
()
()()
N t k k
k y t r t x t
%%(1)
其中,
()k r t 复路径衰落，服从瑞利分布
;
k
是多径时延。
多径衰落信道模
型框图如图2所示：
图2多径衰落信道模型框图
（3）产生服从瑞利分布的路径衰落
r(t)
利用窄带高斯过程的特性，其振幅服从瑞利分布，即
2
2
()
()
()
c s r t n t n t （2）
上式中()()c s n t n t 、，分别为窄带高斯过程的同相和正交支路的基带信号。
3、仿真框架
根据多径衰落信道模型（见图2），利用瑞利分布的路径衰落
r(t)和多径延
时参数
k
，我们可以得到多径信道的仿真框图，如图
3所示；
图3多径信道的仿真框图
三、仿真实验结果
1、当速度为30km/h时，多普勒频移是27.8HZ。
正弦载波频率为1GHZ时的接收信号瑞利衰落的仿真图以及多普勒频移仿真图。
瑞利衰落的仿真图
多普勒频移仿真图
2、当速度为120km/h时，多普勒频移是111HZ。
正弦载波频率为1GHZ时的接收信号瑞利衰落的仿真图以及多普勒频移仿真图。
瑞利衰落的仿真图
多普勒频移仿真图
四、小结
这学期对数字移动通信学习，学到了很多知识，这次通过对瑞利衰落的仿真，更加深刻理解了瑞利衰落。
在设计过程中遇到了一些问题，通过同学的帮助和自己的努力解决了问题，最后衷心感谢这一学期老师的辛勤教导。
附录：
瑞利衰落与多普勒频移仿真程序
function[h]=rayleigh(fd,t)%产生瑞利衰落信道
fc=900*10^6;%选取载波频率
v1=30*1000/3600;%移动速度v1=30km/h
c=3*10^8;%定义光速
fd=v1*fc/c;%多普勒频移
ts=1/10000;%信道抽样时间间隔
t=0:ts:1;%生成时间序列
h1=rayleigh(fd,t);%产生信道数据
v2=120*1000/3600;%移动速度v2=120km/h
fd=v2*fc/c;%多普勒频移
h2=rayleigh(fd,t);%产生信道数据
figure;
plot(20*log10(abs(h1(1:10000))))
title('v=30km/h时的信道曲线')
xlabel('时间');ylabel('功率')
plot(20*log10(abs(h2(1:10000))))
title('v=120km/h时的信道曲线')
xlabel('时间');ylabel('功率')
function[h]=rayleigh(fd,t)
%该程序利用改进的jakes模型来产生单径的平坦型瑞利衰落信道
%输入变量说明：
%fd：信道的最大多普勒频移单位Hz
%t:信号的抽样时间序列，抽样间隔单位s
%h为输出的瑞利信道函数，是一个时间函数复序列
N=40;%假设的入射波数目
wm=2*pi*fd;
M=N/4;%每象限的入射波数目即振荡器数目
Tc=zeros(1,length(t));%信道函数的实部
Ts=zeros(1,length(t));%信道函数的虚部
P_nor=sqrt(1/M);%归一化功率系
theta=2*pi*rand(1,1)-pi;%区别个条路径的均匀分布随机相位
forn=1:M
%第i条入射波的入射角
alfa(n)=(2*pi*n-pi+theta)/N;
fi_tc=2*pi*rand(1,1)-pi;%对每个子载波而言在(-pi,pi)之间均匀分布的随机相位
fi_ts=2*pi*rand(1,1)-pi;
Tc=Tc+2*cos(wm*t*cos(alfa(n))+fi_tc);
Ts=Ts+2*cos(wm*t*sin(alfa(n))+fi_ts);%计算冲激响应函数
end;
h=P_nor*(Tc+j*Ts);%乘归一化功率系数得到传输函数
%Rayleighfadingsimulator.
%使用jakes模型生成的加权正交正弦曲线的总和
fm=111.0; %MaxDopplerfrequencyinHz fs=1000; %SampleFrequency
ns=1024; %Numberofsamples
R=zeros(ns,1);
Mag=zeros(ns,1);
forx=1:ns
tm=x/fs;
I=0.0;
I=1.848*cos(0.983*2*pi*fm*tm);
I=I+1.414*cos(0.932*2*pi*fm*tm);
I=I+0.765*cos(0.850*2*pi*fm*tm);
I=I+0.0*cos(0.739*2*pi*fm*tm);
I=I-0.765*cos(0.603*2*pi*fm*tm);
I=I-1.414*cos(0.446*2*pi*fm*tm);
I=I-1.848*cos(0.247*2*pi*fm*tm);
I=I-2.000*cos(0.092*2*pi*fm*tm);
I=I+1.000*cos(1.000*2*pi*fm*tm);
Q=0.0;
Q=Q+0.765*cos(0.983*2*pi*fm*tm);
Q=Q+1.414*cos(0.932*2*pi*fm*tm);
Q=Q+1.848*cos(0.850*2*pi*fm*tm);
Q=Q+2.000*cos(0.739*2*pi*fm*tm);
Q=Q+1.848*cos(0.603*2*pi*fm*tm);
Q=Q+1.414*cos(0.446*2*pi*fm*tm);
Q=Q+0.765*cos(0.247*2*pi*fm*tm);
Q=Q+0.000*cos(0.092*2*pi*fm*tm);
Q=Q+1.000*cos(1.000*2*pi*fm*tm);
R(x)=I+j*Q;
Mag(x)=abs(R(x));
end;
[Pxx,f]=psd(R,[],fs);
%psd(R,[],fs);
plot(f-fs/2,fftshift(Pxx));
title('SpectralEstimateofsimulatedsignal'); xlabel('Frequency(Hz)');
pause;。