Документация Engee
Notebook

4-FSK модулятор и демодулятор

Открыть пример в Engee

В этом примере мы рассмотрим работу с 4-FSK (Frequency Shift Keying) в Engee. Частотная модуляция – это вид модуляции, при котором информация кодируется изменением частоты сигнала. 4-FSK, четырехуровневая частотная манипуляция, – это тип модуляции, применяемый в DMR (Digital Mobile Radio), также он оптимален для использования в системах PMR (Professional Mobile Radio).

Каждая пара бит информации определяет частотный сдвиг относительно несущей частоты.

Огибающая в этом типе модуляции носит постоянный характер, что предоставляет значительные преимущества по потреблению и построению схемы передатчика: отсутствуют жесткие требование по обеспечению линейности тракта передачи.

image.png

Мы построим на базовых элементах модулятор и демодулятор 4-FSK.

In [ ]:
function run_model( name_model)
    Path = (@__DIR__) * "/" * name_model * ".engee"
    if name_model in [m.name for m in engee.get_all_models()] # Проверка условия загрузки модели в ядро
        model = engee.open( name_model ) # Открыть модель
        model_output = engee.run( model, verbose=true ); # Запустить модель
    else
        model = engee.load( Path, force=true ) # Загрузить модель
        model_output = engee.run( model, verbose=true ); # Запустить модель
        engee.close( name_model, force=true ); # Закрыть модель
    end
    sleep(5)
    return model_output
end
Out[0]:
run_model (generic function with 1 method)

Модель содержит два основных блока: модулятор и демодулятор. На входе подаётся битовый поток, после чего при помощи буфера формируем пакеты по два отсчёта и выполняем модуляцию и демодуляцию. В нашем примере условия для работы модулятора и демодулятора идеальные: отсутствуют канал связи и какие-либо помехи.

image.png

Далее запустим модель и проанализируем результаты моделирования.

In [ ]:
run_model("4fsk")
Building...
Progress 100%
Out[0]:
Dict{String, DataFrame} with 4 entries:
  "4-FSK demodulator.Out1" => 51×2 DataFrame…
  "Buffer.1"               => 51×2 DataFrame…
  "SumError.ErrorCnt"      => 101×2 DataFrame…
  "Add.1"                  => 101×2 DataFrame

Сравним входную группу битов с выходными битами.

In [ ]:
In_bit = collect(simout["4fsk/4-FSK demodulator.Out1"]);
Out_bit = collect(simout["4fsk/Buffer.1"]);
In_and_Out_bit = [In_bit.value Out_bit.value]
Out[0]:
51×2 Matrix{Vector{Float64}}:
 [0.0, 0.0]  [0.0, 0.0]
 [1.0, 1.0]  [1.0, 1.0]
 [0.0, 1.0]  [0.0, 1.0]
 [1.0, 0.0]  [1.0, 0.0]
 [0.0, 1.0]  [0.0, 1.0]
 [1.0, 1.0]  [1.0, 1.0]
 [0.0, 1.0]  [0.0, 1.0]
 [1.0, 0.0]  [1.0, 0.0]
 [1.0, 0.0]  [1.0, 0.0]
 [0.0, 1.0]  [0.0, 1.0]
 [1.0, 1.0]  [1.0, 1.0]
 [1.0, 0.0]  [1.0, 0.0]
 [1.0, 1.0]  [1.0, 1.0]
 ⋮           
 [0.0, 0.0]  [0.0, 0.0]
 [1.0, 0.0]  [1.0, 0.0]
 [0.0, 1.0]  [0.0, 1.0]
 [1.0, 1.0]  [1.0, 1.0]
 [1.0, 0.0]  [1.0, 0.0]
 [1.0, 1.0]  [1.0, 1.0]
 [0.0, 1.0]  [0.0, 1.0]
 [0.0, 0.0]  [0.0, 0.0]
 [1.0, 1.0]  [1.0, 1.0]
 [1.0, 0.0]  [1.0, 0.0]
 [1.0, 0.0]  [1.0, 0.0]
 [0.0, 0.0]  [0.0, 0.0]

Как мы видим из явного сравнения пар бит, все последовательности распознаются правильно. Теперь посмотрим на численный показатель ошибок в нашей модели.

In [ ]:
ErrorCnt = collect(simout["4fsk/SumError.ErrorCnt"]);
ErrorCnt = ErrorCnt.value;
print("Кол-во ошибок за всё время моделирования: $(ErrorCnt[end])")
Кол-во ошибок за всё время моделирования: 0.0

Вывод

Результаты моделирования таковы: релизованные нами модулятор и демодулятор работают корректно, без ощибок. Это значит, что такую реализацию можно применить для протоколов связи, например, DMR.

Блоки, использованные в примере