Upload
karsen
View
22
Download
0
Embed Size (px)
DESCRIPTION
Kommunikációs rendszerek. Kommunikáció-technikai mérnök szak 2001/2002. Bevezetés. A kommunikáció kulcseleme: az átviteli csatorna. M I É R T ? -Az átvitel elektromos vagy optikai jel form ájában. -Sávszélesség/Kapacitás -A média fizikai korlátai. Ok : a m ennyiség. - PowerPoint PPT Presentation
Citation preview
Kommunikációs rendszerek Dr. Magyari János
1
Kommunikációs rendszerek
Kommunikáció-technikai mérnök szak2001/2002
Kommunikációs rendszerek Dr. Magyari János
2
Bevezetés
Kommunikációs rendszerek Dr. Magyari János
3
A kommunikáció kulcseleme: az átviteli csatorna
M I É R T ?
-Az átvitel elektromos vagy optikaijel formájában.
-Sávszélesség/Kapacitás
-A média fizikai korlátai.
Kommunikációs rendszerek Dr. Magyari János
4
Ok : a mennyiségA studiókban használatos nyers VIDEO
adatfolyam kb. 216 Mbit/s
A nyers AUDIO adatfolyam kb. 1.5 Mbit/s
Egyetlen műsor ilyen formában történő továbbítása kb. tíz földi vagy hat műholdas csatornát venne igénybe.
Kommunikációs rendszerek Dr. Magyari János
5
Ok: a formátum• Az észlelt jelenségek (szín, hőfok, hang stb.) eredeti
megjelenési formájukban nehezen továbbíthatóak.
• Egyes elektromos (újabban optikai) mennyiségek nagy távolságra, jó hatásfokkal történő továbbítására kiforrott eszközök és módszerek.
• Célszerű minden továbbítandó információt elektromos jellé alakítani, a célbaéréskor pedig az elektromos jeleket észlelésre alkalmas formába visszaalakítani.
Kommunikációs rendszerek Dr. Magyari János
6
A cél:
1.A kommunikációs rendszer célja az eredeti információnak a vevőoldalon a lehető legnagyobb hűséggel történő helyreállítása.
2.Alkalmas technikai megoldások révén biztosítani a különféle szempontok közötti egyensúlyt
Kommunikációs rendszerek Dr. Magyari János
7
Konvergencia
TV
PC
multimedia internet
műsorszórás
PC - TV
Internet (broadband) TV
Digital TV
rádió telefonia
Kommunikációs rendszerek Dr. Magyari János
8
Alapfogalmak
Kommunikációs rendszerek Dr. Magyari János
9
A kommunikáció• Köznapi értelemben széles jelentéstartalom:
közlés, híradás
• Példák: méhek, siketek jelbeszéde, a nyelv
• Mint technikai feladat: az információ ezer alakban jelenhet meg,de minden csatorna csak jól meghatározott típusú, a
csatornára nézve specifikus információkat tud továbbítani. ezért az üzenetet mindig olyan jelekké kell átalakítanunk,
amelyek a rendelkezésünkre álló csatornán átvihetők.
Kommunikációs rendszerek Dr. Magyari János
10
A kommunikáció általános sémája
• A kommunikáció az információ szándékolt átadása jelek rendszeréből választott jel létrehozása és észlelése által.
Kommunikációs rendszerek Dr. Magyari János
11
Az információ• Köznapi értelemben:
tájékoztatás, felvilágosítás, értesülés, hír.Számít a jelentése, adott helyzetben történő értelmezése.
• Technikai értelemben: (Shannon, 1948)A bizonytalanság mértékének csökkentője.
Kommunikációs rendszerek Dr. Magyari János
12
Az információ mértéke• Az információtartalom = az üzenet egyértelmű
ábrázolásához szükséges és elégséges döntések száma.
• Mértékegysége a „bit” .(binary digit)• Egy bit információ megfelel két egyformán
valószínű lehetőség közötti választásnak.
• 1 Kb = 1024 bit• 1 Mb = 1024 Kb • 1 Gb = 1024 Mb
Kommunikációs rendszerek Dr. Magyari János
13
Az információ mértéke• Tételezzük fel egy eszközt, amely nyolcféle jel
(A,B,C,D,E,F,G,H) kibocsátására képes.
• Amíg a következő jel megérkezésére várunk, bizonytalan, hogy melyik fog érkezni, így mindegyik érkezésének valószínűsége p=0.125
• Amint egy jel érkezik, a bizonytalanság mértéke csökken, mert információhoz jutottunk.
• Az információ mértéke a nyolc lehetséges jelre:
• H = log2(M) = log2(8) = 3 bit
Kommunikációs rendszerek Dr. Magyari János
14
Az információ osztályozása• Jelentése szerint
Adat /szöveges információ
Képi információ
Idő alapú információ
Audio
Video
Kommunikációs rendszerek Dr. Magyari János
15
Az információ osztályozása
• Ismeret tartalma szerint:
• irreleváns (nem fontos) • releváns (fontos) • redundáns(már ismert) • nem redundáns
(ismeretlen)
Kommunikációs rendszerek Dr. Magyari János
16
A redundanciaAz optimális kód adott mennyiségű információt a lehető legkevesebb jellel
fejezi ki. Ha az üzenetet ennél több jellel fejezzük ki, redundánssá válik.
• A vevő számára csak az információ releváns, nem redundáns része érdekes (ez jelent újdonságot). A forráskódolás során az információtömörítés olyan módját kell alkalmazni, amely az irreleváns és redundáns tartalmat lehetőleg kiküszöböli, ezzel
• Csökkenti – A sávszélességet– Az adó igénybevételt– A tárolókapacitást/ átviteli időt
• Az üzenet redundanciája (eltérően a forrás redundaciájától) növeli az üzenet hibamentes rekonstrukciójának valószínűségét.
Kommunikációs rendszerek Dr. Magyari János
17
A hírközlési csatorna• berendezés, amely képes a bemenetelnél információt felvenni, és a
kimenetelnél leadni. Fizikai valójukban a csatornák nagyon sokfélék lehetnek: a levegő, a telefonvezeték, az optikai üvegszál, az élőlények idegszálai, a könyv, a videolemez stb.
• Osztályozás
– A térbeli csatornák a tér valamelyik pontjából egy vagy több másik pontjába ( például a telefonvezeték)
– az időbeli csatornák a T időponttól a (T + t) időpontba például a videolemez)
• szállítják az információkat.A tér és időbeli csatornákat szokás késleltetés nélkül és késleltetéssel működő csatornáknak is nevezni. Előbbiek maghatározott sebességgel, s ahogy nevük is mutatja, késleltetés nélkül szállítják az üzeneteket, utóbbiak pedig tetszőleges ideig tárolják, azaz késleltetik az üzenet továbbadását.
• Osztályozás
– Pont- pont közötti (hírközlő)– Pont-több pont közötti (műsorszóró)
Kommunikációs rendszerek Dr. Magyari János
18
A jel
Kommunikációs rendszerek Dr. Magyari János
19
A jel fogalma• Az (x) információ fizikai megjelenési formája.
• A jel valamely fizikai állapothatározó mennyiség minden olyan értéke vagy értékváltozása, amely egyértelműen hozzárendelt információ szerzésére, továbbítására vagy tárolására alkalmas.
• Üzenet az adó által a rendelkezésére álló jelkészletből kiválasztott és összeállított jelek sorozata.
Kommunikációs rendszerek Dr. Magyari János
20
A jelek felosztása I.• Értékkészlet alapján
– Folytonos: az értelmezési tartományán belül minden értéket
felvehet.– Szakaszos: csak meghatározott (diszkrét) értékeket vehet fel
(ritkán analóg, digitális mindig)
Kommunikációs rendszerek Dr. Magyari János
21
A jelek felosztása II.• Az időbeli lefolyás szerint
– Folyamatos: a jel értéke adott időtartomány bármelyik
időpontjában változhat.– Szaggatott: a jel értéke csak bizonyos (diszkrét) időközönként
és időtartamban szolgáltat információt.(ritkán analóg, gyakran mintavétel során )
Kommunikációs rendszerek Dr. Magyari János
22
Diszkrét és folytonos jelek • diszkrét=
nem folytonos, szakadásos, elkülönült tagokból álló
• kvantálás =a rendszer vagy folyamat jellemző fizikai mennyisége lehetséges értékeinek
meghatározása
Kommunikációs rendszerek Dr. Magyari János
23
A jelek felosztása III.• Az információ megjelenési formája szerint
– analóg: a jelhordozó értéke vagy értékváltozása közvetlenül
képviseli az információt. (Többnyire értékkészlet és időbeli lefolyás szerint folytonos jel)
– digitális: a jelhordozó diszkrét, számjegyeket kifejező jelképi kódjai képviselik az információt.
Kommunikációs rendszerek Dr. Magyari János
24
A jelek felosztása IV.• Az érték meghatározottsága szerint
– determinisztikus: a jel, ha mindenkori értéke meghatározott időfüggvénnyel egyértelműen megadható.
– sztochasztikus: a jel ha értéke véletlen hatások által befolyásolt, szabálytalan lefolyású, leírása csak valószínűségszámítási módszerekkel lehetséges.
Kommunikációs rendszerek Dr. Magyari János
25
Folytonos jelek
Kommunikációs rendszerek Dr. Magyari János
26
Időtartománybeli leírás• Az időfüggvénnyel
ábrázolható, folytonos, determinisztikus jelek „leírási bonyolultsága”:
– Szinuszos jelek– Periodikus jelek– Nem periodikus
jelek
t
x(t)
Kommunikációs rendszerek Dr. Magyari János
27
A szinuszos jel
• Jellemzői– periódusidő T– frekvencia f = 1/T– amplitudó S(t)
– fázis
Kommunikációs rendszerek Dr. Magyari János
28
Periódikus jel
• Ha létezikx(t+T) = x(t)ahol T az alapfrekvencia periódusideje.
Kommunikációs rendszerek Dr. Magyari János
29
Periódikus jel szintézise 0
Kommunikációs rendszerek Dr. Magyari János
30
Periódikus jel szintézise 1
Kommunikációs rendszerek Dr. Magyari János
31
Periódikus jel szintézise 2
Kommunikációs rendszerek Dr. Magyari János
32
Periódikus jel szintézise 3
Kommunikációs rendszerek Dr. Magyari János
33
Fourier felbontás
Fourier: minden periódikus jel előállítható alkalmasan megválasztott szinuszos (koszinuszos) jelek összegeként.(gyakran végtelen sok tagból)
Kommunikációs rendszerek Dr. Magyari János
34
Frekvencia tartománybeli leírás• A periódikus négyszög jelet előállító végtelen sor:
együtthatói grafikusan is ábrázolhatóak:
1 3 5 7 9 11f
c (f)
Kommunikációs rendszerek Dr. Magyari János
35
Jelek spektrális ábrázolása• A periódikus függvény frekvenciaspektruma a
Fourier-sorba fejtés együtthatóiból származó diszkrét értékekből áll. (vonalas spektrum)
• A periódikus függvény egyértelmű leírásához a diszkrét amplitudóspektrum és a diszkrét fázisspektrum is szükséges.
Kommunikációs rendszerek Dr. Magyari János
36
Kommunikációs rendszerek
Anyagrész vége
Kommunikációs rendszerek Dr. Magyari János
37
• The greater the information in a message, the lower its randomness, or noisiness, and hence the smaller its entropy. Since the information content is, in general, associated with a source that generates messages, it is often called the entropy of the source. Often, because of constraints such as grammar, a source does not use its full range of choice. A source that uses just 70% of its freedom of choice would be said to have a relative entropy of 0.7. The redundancy of such a source is defined as 100% minus the relative entropy, or, in this case, 30%
Kommunikációs rendszerek Dr. Magyari János
38
Digitizing Analog Waveforms
• Sampling– Measure signal value at regular time intervals– dt = 1/ Sampling frequency– Nyquist Theorem
• Must sample at ≥ 2 * highest frequency signal component• Otherwise get “aliasing” between low and high frequency values
• Analog to Digital Conversion– Convert each sample into k-bit value– Limits dynamic range– Low resolution gives “quantization error”
Sampler
Analog/Digital
Kommunikációs rendszerek Dr. Magyari János
39
Information and redundancy
Redundáns informació tartalom
Entropia– hasznos informació
Teljesinformációtartalom
Kommunikációs rendszerek Dr. Magyari János
40
Entropy definition• Entropy is a measure of uncertainty of a random
variable– let X be a discrete random variable with alphabet and
probability mass function p(x)– The entropy of a discrete random variable is then
defined:
x
xpxpXH )(log)()(
Kommunikációs rendszerek Dr. Magyari János
41
Entropy• If the log is log 2 base 2
– entropy is in bits/symbol– it is known as the average information or the uncertainty
of occurrence of a symbol
jJ
j
j apappH 2
1
0
log
Kommunikációs rendszerek Dr. Magyari János
42
• Die Entropie beschreibt den Informationsgehalt der Quelle. Die bin¨ are Entropie
• H =- pi * log2pi• (pi: Wahrscheinlichkeit des i: Symbols von n)
gibt an, wieviele Bits pro Symbol minimal ben¨ otigt wer-den,
• um die Information vollst¨ andig zu kodieren. Je ungleichm¨ aßiger die Wahrscheinlichkeiten verteilt
• sind, desto kleiner wird die Entropie.
Kommunikációs rendszerek Dr. Magyari János
43
Terminológia• A jelek átalakítását kódolásnak nevezzük
• a kód egy olyan leképzési előírás, amely egy jelkészletet egy másik jelkészletbe visz át, s a kódolás ennek az előírásnak a végrehajtása
Kommunikációs rendszerek Dr. Magyari János
44
TÖMÖRÍTÉS
Lossless and Lossy Coding
• Lossless methods can be based on
– Predictive coding
– Entropy coding
• Lossy methods can be based on
– Transform coding (DCT, wavelets, subband decomposition...)
– Vector quantization
– Shape/ model based coding
– Fractals
– Entropy coding
Kommunikációs rendszerek Dr. Magyari János
45
Terminology• Physical versus logical
– Physical• Performed on data regardless of what information it contains
• Translates a series of bits to another series of bits
– Logical• Knowledge-based
• Change United Kingdom to UK
Kommunikációs rendszerek Dr. Magyari János
46
Terminology• Symmetric
– Compression and decompression roughly use the same techniques and take just as long
– Data transmission which requires compression and decompression on-the-fly will require these types of algorithms
Kommunikációs rendszerek Dr. Magyari János
47
Terminology• Asymmetric
– Most common is where compression takes a lot more time than decompression
• In an image database, each image will be compressed once and decompressed many times
– Less common is where decompression takes a lot more time than compression
• Creating many backup files which will hardly ever be read
Kommunikációs rendszerek Dr. Magyari János
48
Terminology• Non-adaptive
– Contain a static dictionary of predefined substrings to encode which are known to occur with high frequency
• Adaptive– Dictionary is built from scratch
Kommunikációs rendszerek Dr. Magyari János
49
Terminology• Semi-adaptive
– In pass 1, an optimal dictionary is constructed– In pass 2, the actual compression occurs
Kommunikációs rendszerek Dr. Magyari János
50
Terminology• Lossless
– decompress(compress(data)) = data
• Lossy– decompress(compress(data)) data– A small change in pixel values may be invisible,
however
Kommunikációs rendszerek Dr. Magyari János
51
Run-Length Encoding• Repeating string of characters, called a run, is
coded into two bytes– First byte contains the run count, one less than the
number of repetitions– Second byte contains the run value, the character being
repeated
Kommunikációs rendszerek Dr. Magyari János
52
Run-Length Encoding• ‘77777zzzyyyyyyV’ becomes ‘472z5y0V’
– 15 byte string becomes 8 bytes long– Compression ratio of almost 2 to 1
• Some strings become twice as long– ‘7fu5JLY9jhYIujG’
Kommunikációs rendszerek Dr. Magyari János
53
Lempel-Ziv-Welch (LZW)• Lossless
• GIF, TIFF, V.42bis modem compression standard, PostScript Level 2
• Substitutional or dictionary-based– Algorithm builds a data dictionary– Code emitted if pattern found in dictionary, while if not
already in dictionary, it is added– Not necessary to have dictionary to do decompression
Kommunikációs rendszerek Dr. Magyari János
54
Lempel-Ziv-Welch (LZW)
3 1 2 5 1 3 1 4 1 2 5 1 5 5 1 5 5 1 4
Search buffer Lookahead buffer
offset = 0
length = 0
Output is (0, 0, code(4))
Kommunikációs rendszerek Dr. Magyari János
55
Lempel-Ziv-Welch (LZW)
3 1 2 5 1 3 1 4 1 2 5 1 5 5 1 5 5 1 4
Search buffer Lookahead buffer
offset = 7
length = 4
Output is (7, 4, code(5))
Kommunikációs rendszerek Dr. Magyari János
56
Lempel-Ziv-Welch (LZW)
3 1 2 5 1 3 1 4 1 2 5 1 5 5 1 5 5 1 4
Search buffer Lookahead buffer
offset = 3
length = 5
Output is (3, 5, code(4))
Kommunikációs rendszerek Dr. Magyari János
57
How does Compression Work?
Compression is done by reducing redundancy
l Spatial Redundancy
neighboring pixels in individual picture of frame of
video signal are related
l Temporal Redundancy
pixels in successive pictures or frames are correlated
l Psychovisual Redundancy
eye percei ves changes to a greater extent i n
l umi nance than i n chromi nance
l Coding Redundancy
not all pixel values occur at the same probability in the
image
Kommunikációs rendszerek Dr. Magyari János
58
Data Compression
• Reduces the size of data files to move more information with fewer bits
• Used for transmission and for storage
• Combines w/ multiplexing to increase efficiency
• Works on the principle of eliminating redundancy
• Codes are substituted for compressed portions of data
• Lossless: reconstituted data is identical to original (ZIP, GIF)
• Lossy: reconstituted data is only “perceptually equivalent” (JPEG, MPEG)
Kommunikációs rendszerek Dr. Magyari János
59
Run Length Encoding• Replace long string of anything with flag, character,
and count
• Used in GIF to compress long stretches of unchanged color, in fax transmissions to transmit blocks of white space
Kommunikációs rendszerek Dr. Magyari János
60
Run-Length Encoding Example
Kommunikációs rendszerek Dr. Magyari János
61
Huffman Coding• Lossless
Symbol Probability Symbol Probabilitya .10 a .10b .20 b .20c .04 (ce) .11d .10 d .10e .07 f .20f .20 g .29g .29
Kommunikációs rendszerek Dr. Magyari János
62
Huffman Coding
Symbol Probability Symbol Probability(ad) .20 ((ad)(ce)) .31
b .20 b .20(ce) .11 f .20
f .20 g .29g .29
Symbol Probability Symbol Probability((ad)(ce)) .31 (((ad)(ce))g) .60
(bf) .40 (bf) .40g .29
Kommunikációs rendszerek Dr. Magyari János
63
Huffman Coding
0
0
0
0
1
1
11
11 0 0
a d c e g b f
Symbol Code Symbol Codea 0000 e 0011b 10 f 11c 0010 g 01d 0001
Kommunikációs rendszerek Dr. Magyari János
64
Kommunikációs rendszerek Dr. Magyari János
65
Huffman Coding
• 1. Show symbols as leaf nodes…
Symbol a b c d e
Frequency 19 10 8 8 5
a b c
2. Combine nodes with lowest frequencies…
d e8 5
13
d e
Decreasing frequency
Kommunikációs rendszerek Dr. Magyari János
66
Huffman Coding II
dea bc
13 18
31
50
0 1
0
0
1
11 0
Symbol Huffman Code
a 0
b 111
c 110
d 101
e 100
=
Fewer bits per symbol – compression achieved
Kommunikációs rendszerek Dr. Magyari János
67
Huffman Encoding
• Length of each character code based on statistical frequency in text
• Tree-based dictionary of characters• Encoding is the string of symbols on each branch
followed. String Encoding TEA 10 00 010 SEA 011 00 010 TEN 10 00 110
Kommunikációs rendszerek Dr. Magyari János
68
Lempel-Ziv Encoding • Used in V.42 bis, ZIP
• buffer strings at transmitter and receiver
• replace strings with pointer to location of previous occurrence
• algorithm creates a tree-based dictionary of character strings
Kommunikációs rendszerek Dr. Magyari János
69
Lempel-Ziv Example
Kommunikációs rendszerek Dr. Magyari János
70
Signal classification• Deterministic signals• Random signals; purely and pseudo-random• Energy signals; pulses• Power signal; periodic• Also:• Continuous time - discrete time:
• Analog - digital• Real - complex
( ), [ ] ( ), ( ), [ ]S
x t x n x nT X f X k
Kommunikációs rendszerek Dr. Magyari János
71
Deterministic signals• Deterministic signals are signals which are
completely specified as a function of time.
• Examples of deterministic signals:
• Some properties for delta function
cos2C
A f t exp( )at( ) '( ) ( ) /t u t du t dt
( ) :t
0 0 0
0 0
( ) ( )
0 0
( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) /
( ) ( ) ( 1) ( )n n n
t t
x t t t x t t t
t t t dt t
at t a
t t t dt t
( / )t T ( / )t T
Kommunikációs rendszerek Dr. Magyari János
72
Random signals• Random signals are signals that take a random value at any
given instance of time • These signals must be modeled probabilistically (e.g. using
distribution functions as PDF and CDF)• The discrete and continuous mean (e. g. mean for a discrete
variable) is defined by
where A is the span where p(x) exists.• The variance (AC power) is defined by
• The RMS value is
1( ) [ ] [ ]
K
xi
x n m x i p i ( )
x xA
m xp x dx
22
1( )
K
x k xk
m x m 2 2 ( )
xA
m x p x dx/ 2 22 2
/ 2
( ) /T
x xT
x t dt T m m
Kommunikációs rendszerek Dr. Magyari János
73
Kommunikációs rendszerek Dr. Magyari János
74
• The sinusoidal wave is parameterized by constant amplitude, frequency and phase:
• All parameters known, thus: convoys no information!• Mathematically and experimentally convenient basic
formulation whose parameterization by variables enables presenting all the modulation formats:
Unmodulated sinusoidal
( ) ( )cos ( )cx t A t t t
Kommunikációs rendszerek Dr. Magyari János
75
Examples of other signals’ spectra• All finite signals have spectra that can be computed via
Fourier transformations or Fourier series
Kommunikációs rendszerek Dr. Magyari János
76