《[工学]校园内无线信号场强特性研究报告》由会员分享，可在线阅读，更多相关《[工学]校园内无线信号场强特性研究报告（33页珍藏版）》请在金锄头文库上搜索。
1、校园内无线信号场强特性的研究目录【实验目的】2【实验原理】2【实验仪器】5【实验步骤】51实验对象的选择52数据采集63. 数据录入64. 数据处理65实验数据76数据处理结果7（1）实验代码（以教二室外为例）7（2）实验生成图像：11【数据分析】30【实验结论】32【心得体会】32【实验目的】 1. 掌握在移动环境下阴影衰落的概念以及正确测试方法。 2. 研究校园内各种不同环境下阴影衰落的分布规律。 3. 掌握在室内环境下的场强的正确测试方法 ， 理解建筑物穿透损耗概念。 4. 通过实地测量，分析建筑物穿透损耗随频率的变化关系。 5. 研究建筑物穿透损耗与建筑材料的关系。 【实验原理】无线通
2、信系统是由发射机，发射天线，无线信道，接收机，接收天线所组成。对于接收者，只有处在发射信号的覆盖区内，才能保证接收机正常接收信号， 此时，电波场强大于等于接收机的灵敏度。因此，基站的覆盖区的大小，是无线工程师所关心的。决定覆盖区的大小的主要因素有：发射功率，馈线及接头损耗， 天线增益，天线架设高度，路径损耗，衰落，接收机高度，人体效应，接收机灵敏度，建筑物的穿透损耗，同播，同频干扰。1大尺度路径损耗 在移动通信系统中，路径损耗是影响通信质量的一个重要因素。 大尺度路径损耗：用于测量发射机与接收机之间信号的平均衰落，即定义为有效发射功率和平均接收功率之间的dB 差值，根据理论和测试的传播模型，无
3、论室内或室外信道，平均接收信号功率随距离对数衰减，这种模型已被广泛地采用。对任意的传播距离，大尺度平均路径损耗表示式为： PL(d)dB=PL(d0)+10nlog(d/d0) 即平均接收功率为： Pr(d)dBm=PtdBm-PL(d0)-10nlog(d/d0)=Pr(d0)dBm-10nlog(d/d0) 其中，n 为路径损耗指数，表明路径损耗随距离增长的速度；d0 为近地参考距离； d 为发射机与接收机（T-R）之间的距离。横杠表示给定值d 的所有可能路径损耗的综合平均。坐标为对数-对数时，平均路径损耗或平均接收功率可表示为斜率10ndB/10 倍程的直线。n 值取决于特定的传播环境。
4、决定路径损耗大小的首要因素是距离， 此外，它还与接收点的电波传播条件密切相关。为此，我们引进路径损耗中值的概念。中值是使实测数据中一半大于它而另一半小于它的一个数值(对于正态分布中值就是均值)。人们根据不同的地形地貌条件，归纳总结出各种电波传播模型：（1）自由空间模型 （2）双径模型 （3）Hata模型 （4）Hat-cost231模型 （5）Okumura 模型2阴影衰落在无线信道里，造成慢衰落的最主要原因是建筑物或其它物体对电波的遮挡。在测量过程中，不同位置遇到的建筑物遮挡情况不同，因此接收功率也不同，这样就会观察到衰落现象。由于这种原因造成的衰落也叫“阴影效应”或“阴影衰落”。在阴影衰落
5、的情况下，移动台被建筑物所遮挡，它收到的信号是各种绕射， 反射，散射波的合成。所以，在距基站距离相同的地方，由于阴影效应的不同， 它们收到的信号功率有可能相差很大，理论和测试表明，对任意的d 值，特定位置的接受功率为随机对数正态分布即：Pr(d)dBm=Pr(d)dBm+X= Pr(d0)dBm-10nlog(d/d0)+ X其中，X为0 均值的高斯分布随机变量，单位为dB，标准偏差为，单位也是dB。 s s 对数正态分布描述了在传播路径上，具有相同T-R 距离时，不同的随机阴影效应。这样利用高斯分布可以方便地分析阴影的随机效应。正态分布，也叫高斯分布，它的概率密度函数是：fx=122e-(x
6、-m)222应用于阴影衰落时，上式中的x 表示某一次测量得到的接收功率，m 表示以dB 表示的接收功率的均值或中值，s 表示接收功率的标准差，单位是dB。阴影衰落的标准差同地形，建筑物类型，建筑物密度等有关，在市区的150MHz 频段其典型值是5dB。除了阴影效应外，大气变化也会导致阴影衰落。比如一天中的白天，夜晚，一年中的春夏秋冬，天晴时，下雨时，即使在同一个地点上，也会观察到路径损耗的变化。但在测量的无线信道中，大气变化造成的影响要比阴影效应小的多。下面是阴影衰落分布的标准差，其中s s (dB)是阴影效应的标准差。s s (dB)频率（MHz）准平坦地形不规则地形h(m)城市郊区5015
7、03001503.5-5.54-79111345067.51115189006.581418213建筑物的穿透损耗的定义 建筑物穿透损耗的大小对于研究室内无线信道具有重要意义。穿透损耗又称大楼效应，一般指建筑物一楼内的中值电场强度和室外附近街道上中值电场强度dB 之差。 发射机位于室外，接收机位于室内，电波从室外进入到室内，产生建筑物的穿透损耗，由于建筑物存在屏蔽和吸收作用，室内场强一定小于室外的场强，造成传输损耗。室外至室内建筑物的穿透损耗定义为：室外测量的信号平均场强减去同一位置室内测量的信号平均场强。用公式表示为：P= 1 Ni=1NPi(outside)-1Mj=1MPj(inside
8、)DP是穿透损耗，单位是dB，Pj是在室内所测的每一点的功率，单位是dBv，共M 个点，Pi是在室外所测的每一点的功率，单位是dBv，共N个点。【实验仪器】DS1131场强仪一台【实验步骤】 1实验对象的选择根据实验目的和研究对象，我们组决定同时进行室内和室外的信号测量。经过讨论，确定测量地点为教二和教四的室内外，因为两栋教学楼建筑结构差异不大，其建筑俯视图均为矩形，但周围环境又有所不同，所以可将两者的室内及室外的测量数据进行对比，方便数据整理和得出结论。选择频率时，由于实验要求只有大于-75dbmw的数据才是有效的实验数据，因为测量的仪器本身就有一定的干扰和误差，小于-75dbmw的数据没有
9、参考价值，所以我们选择了100.6Mhz频段，此信号强度较大，且有起伏变化，在学校里大部分区域的信号强度都能满足要求。2数据采集利用场强测量仪DS1131对无线信号的功率值进行测量，在100.6MHZ的频率下，半波长为1.49m,每走两三步读一次数，并进行记录。按照测量地点来分组，我们在两栋教学楼（教2和教4）的室内外一共测量了10组数据，测量室外数据采用的方法是围绕建筑物测量一周。测量室内数据采用的方法是：测教室时围绕四面墙壁一周，重点测量窗口附近和墙角等特殊地点，以及在房间中央取几十个点；测走廊时，从一端走到另一端，每走两三步读一次数，并进行记录。具体测量的相关信息如下：天气情况：晴朗频点
10、选择：100.6MHZ测量地点：（1）教二外围一圈，包括东南西北四条道路。（2）教二1楼的走廊（3）教二5楼的走廊（4）教二5楼东面天台（5）教二5楼西面天台（6）教四外围一圈，包括东南西北四条道路（7）教四1楼的走廊（8）教四2楼的走廊（9）教四东面的教室202（10）教四4楼的走廊3. 数据录入 将测量得到的数据填入Excel表格，把不同地点得到的数据放在不同的表格中，并按照数据采集的顺序录入。其中特殊的地点或场强变化明显的地点，特意用不同颜色字体标注了出来。 4. 数据处理 实验测得的数据比较多，大概有700个左右，在处理时用Matlab R2009a软件来处理用EXCEL录入的数据，对
11、数据进行样本与概率密度曲线分析，累积概率分布分析，计算最大值，最小值，均值，中值，标准差等数值，并做图直观分析。5实验数据具体实验数据见附录。6数据处理结果（1）实验代码（以教二室外为例）clear all;close all; south_w2e=xlsread(data.xlsx,south_w2e);south_w2e2=reshape(south_w2e,1,21);south_w2e3=south_w2e2,zeros(1,21),1:21;south_w2e3=reshape(south_w2e3,21,3); figure(1)subplot(1,2,1);histfit(sou
12、th_w2e2);%axis(20,80,0,15);grid on;str=; ; title(str);xlabel(-dBmw);ylabel();legend(,);subplot(1,2,2);h_south,stats_south = cdfplot(south_w2e2)%axis(20,80,0,1);hold on;% south_w2emean=num2str(s1.mean);% south_w2estd=num2str(s1.std);text(58,0.27,= ,num2str(stats_south.min);text(58,0.21,= ,num2str(sta
13、ts_south.max);text(58,0.15,= ,num2str(stats_south.mean);text(58,0.09,= ,num2str(stats_south.median);text(58,0.03,= ,num2str(stats_south.std);title( ); north_w2e=xlsread(data.xlsx,north_w2e);north_w2e2=reshape(north_w2e,1,27);north_w2e3=north_w2e2,zeros(1,27),1:27;north_w2e3=reshape(north_w2e3,27,3); figure(2)subplot(1,2,1);histfit(north_w2e2);%axis(20,80,0,15);grid on;str=; ; title(str);xlabel(-dBmw);ylabel();legend(,);subplot(1,2,2);h_north,stats_north = cdfplot(north_w2e2)%axis(20,80,0,1);hold on;% south_w2emean=num2str(s1.mean);% south_w2estd=num2
