通俗易懂講講手機通訊晶元那些事兒

2021-09-24 09:21:11 字數 1793 閱讀 8478

解析通訊元件:由基頻、中頻、射頻零部件讓你一次看懂手機晶元

作者 dr. j/technews

無線通訊的頻譜有限,分配非常嚴格,相同頻寬的電磁波只能使用一次,為了解決僧多粥少的難題,工程師研發出許多「調製技術」(modulation)與「復用技術」(multiplex),來增加頻譜效率,因此才有了 3g、4g、5g 不同通訊時代技術的發明,那麼在我們的手機裡,是什麼元件負責替我們處理這些技術的呢?

調製技術與復用技術

首先我們要了解「調製技術(modulation)」與「復用技術(multiplex)」是完全不一樣的東西,讓我們先來看看它們到底有什麼不同?

數碼訊號調製技術(ask、fsk、psk、qam):將模擬的電磁波調製成不同的波形來代表 0 與 1 兩種不同的數碼訊號。ask 用振幅大小來代表 0 與 1、fsk 用頻率大小來代表 0 與 1、psk 用相位(波形)不同來代表 0 與 1、qam 同時使用振幅大小與相位(波形)不同來代表 0 與 1。

好啦,每個人的手機天線要傳送出去的數碼訊號 0 與 1 都變成不同波形的電磁波了,問題又來了,這麼多不同波形的電磁波丟到空中,該如何區分那些是你的(和你通話的),那些是我的(和我通話的)呢?

復用技術(tdma、fdma、cdma、ofdm):將電磁波區分給不同的使用者使用。tdma 用時間先後來區分是你的還是我的,fdma 用不同頻率來區分是你的還是我的,cdma 用不同密碼(正交展頻碼)來區分是你的還是我的,ofdm 用不同正交子載波頻率來區分是你的還是我的。

值得注意的是,不論數碼訊號調製技術或復用技術,都是在數碼訊號(0 與 1)進行運算與處理的時候就一起進行,一般是先進行復用技術再進行數碼訊號調製技術(ofdm 除外),所以復用技術與調製技術必定是同時使用。

數字調製技術(digital modulation)

現在的手機是屬於「數字通訊」,也就是我們講話的聲音(連續的模擬訊號),先由手機轉換成不連續的0與1兩種數碼訊號,再經由數字調製轉換成電磁波(模擬訊號載著數碼訊號),最後從天線傳送出去,原理如圖一所示。

▲ 圖一:數字通訊示意圖。(source:the noun project)

數字通訊系統架構

前面介紹的無線通訊系統後端(back end)使用基頻晶元來處理數碼訊號,前端(front end)則所使用的積體電路(ic)大致上可以分為「射頻晶元」與「中頻晶元」兩大類,分別使用不同材料的晶圓製作:

中 頻晶元(intermediate frequency,if):又稱為「模擬基頻(analog baseband)」,概念上就是「高頻數字模擬轉換器(dac)」與「高頻模擬數字轉換器(adc)」,包括:調製器(modulator)、解調器 (demodulator),通常還有中頻放大器(if amplifier)與中頻帶通濾波器(if bpf)等,通常由矽晶圓製作的 cmos 元件組成,可能是數個積體電路,其些可能整合成乙個積體電路(ic)。

射頻晶元(radio frequency,rf):又稱為「射頻積體電路(rfic)」,是處理高頻無線訊號所有晶元的總稱,通常包括:傳送接收器 (transceiver)、低雜訊放大器(lna)、功率放大器(pa)、帶通濾波器(bpf)、合成器(synthesizer)、混頻器 (mixer)等,通常由砷化鎵晶圓製作的 mesfet、hemt 元件,或矽鍺晶圓製作的 bicmos 元件,或矽晶圓製作的 cmos 元件組成,目前也有用氮化鎵(gan)製作的功率放大器,可能是數個積體電路,某些可能整合成乙個積體電路(ic)。

numpy bincount 通俗易懂

bincount的用途很簡單,就是統計出乙個列表的各個元素的出現次數。例如輸入是 1,0,2,2,1,2,3,5 那麼輸出就是 1,2,3,1,0,1 這樣的結果可能並不是很直觀,可能依然會有同學會問為什麼會輸出這樣的結果。我們看看 假如我們把輸入的列表中的數字都統計一遍,形成乙個字典 key是列表...

通俗易懂的C STL

泛型程式設計 generic programming 是一種語言機制,通過它可以實現乙個標準的容器庫。像類一樣,泛型也是一種抽象資料型別,但是泛型不屬於物件導向,它是物件導向的補充和發展。泛型程式設計在c 上的應用主要體現在兩方面 函式模板和類模板。接下來舉個栗子 csdn部落格 anyway,模板...

遷移學習,通俗易懂

一.背景 在之前用深度神經網路進行引數訓練時,我們每次的訓練都是從頭開始的,隨機地初始化網路。在網路層數不深的時候,訓練時間可以接受,但隨著現在網路構越來越複雜,網路層數越來越深,少則幾十層,多者上百層甚至上千層,如果任然每次都從頭開始訓練,時間的開銷則會非常大。例如imagenet網路的訓練常常需...