[Chinese Translation] Update (#45)

* minor update & fix

* update filter.rst

content-zh/digital_modulation.rst

@@ -4,7 +4,7 @@
 数字调制
 ###################
 
-在本章中，我们将讨论如何使用数字调制（Digital Modulation）和无线符号（Wireless Symbols）去 *实际传输数据* ！
+在本章中，我们将学习使用数字调制（Digital Modulation）和无线符号（Wireless Symbols）去 *实际传输数据* ！
 我们将使用 ASK、PSK、QAM、FSK 等调制方案去设计一些能传达 “信息” 的无线信号，例如 1 和 0。
 我们还将讨论 IQ 图和星座图（Constellation），并以一个 Python 示例收尾本章。
 

content-zh/frequency_domain.rst

@@ -4,9 +4,8 @@
 频率域
 #####################
 
-本章主要探讨频率域（Frequency Domain， 后文简称 **频域** ），
-包括傅里叶级数、傅里叶变换、傅里叶性质、快速傅里叶变换（FFT）、窗函数处理（Windowing）和时频谱/瀑布图（Spectrograms/Waterfall），
-同时还提供 Python 实例进行分析。
+在本章中，我们将学习频率域（Frequency Domain， 后文简称 **频域** ）、傅里叶级数、傅里叶变换、傅里叶性质、快速傅里叶变换（FFT）、窗函数处理（Windowing）和时频谱/瀑布图（Spectrogram/Waterfall），
+同时还将学习 Python 实例分析。
 
 学习数字信号处理（DSP）和无线通信的其中一个有趣的副产品是，能让你习惯于在频域中思考。
 然而，多数人对于频域的理解程度，可能仅限于在调节汽车音响的低音、中音和高音旋钮，或者简单的观察一个音频均衡器，如下图所示：
@@ -31,7 +30,7 @@
 傅里叶级数
 ***************
 
-频域的基本理念是任何信号都可以通过一系列叠加的正弦波来表达。如果我们将一个信号解构为其组成的正弦波，我们称之为傅立叶级数。以下是一个由两个正弦波组合构成的信号的示例：
+频域的基本理念是任何信号都可以通过一系列叠加的正弦波来表达。如果我们将一个信号解构为其组成的正弦波，我们称之为傅里叶级数。以下是一个由两个正弦波组合构成的信号的示例：
 
 .. image:: ../_images/summing_sinusoids.svg
    :align: center
@@ -53,7 +52,7 @@
    :align: center
    :alt: Animation of the Fourier series decomposition of an arbitrary function made up of square pulses
 
-要理解我们如何将信号分解为正弦波（sine waves, 或称为 sinusoids），我们需要先回顾正弦波的三个属性：
+要理解我们如何将信号分解为正弦波（sine wave, 或称为 sinusoid），我们需要先回顾正弦波的三个属性：
 
 #. 幅度（Amplitude）
 #. 频率（Frequency）
@@ -143,7 +142,7 @@
 傅里叶变换
 *****************
 
-在数学上，我们用来从时域转换到频域的“变换”称为傅里叶变换（Fourier Transform）。其定义如下：
+数学上，傅里叶变换（Fourier Transform）是一种时域到频域的 “变换”。其定义如下：
 
 .. math::
    X(f) = \int x(t) e^{-j2\pi ft} dt
@@ -179,7 +178,7 @@
 如果这些方程对你来说没有多大意义，也没关系。实际上，我们不直接使用它们也可以用 DSP 和 SDR 做一些很酷的事情！
 
 *************************
-时间-频率特性
+时间-频率性质
 *************************
 
 我们之前检查了信号在时域和频率域中的表现形式的例子。现在，我们将涵盖五个重要的“傅里叶性质”。
@@ -358,7 +357,7 @@ FFT 令人疑惑的一点在于，其输出总是在频域中的，所以当我
 但是实际上，仅仅是因为它低于中心频率而已。当我们学习更多关于采样的知识并且积累了 SDR 设备的使用经验后，你将彻底明白为什么会发生这个转换。
 
 ****************************
-时域上的顺序并不重要
+时域中的顺序并不重要
 ****************************
 
 在我们开始深入探讨 FFT 之前，还有最后一个性质需要了解。
@@ -609,7 +608,7 @@ FFT 的代码实现
 然后在 1965 年被 James Cooley 和 John Tukey 重新发明并普及。
 
 这个算法的基本版本适用于二的幂次方窗口大小的 FFT，旨在处理复数输入，但也可以处理实数输入。
-这个算法的构建模块被称为蝶形运算（butterfly），本质上是一个 N = 2 窗口大小的 FFT，包括两次乘法运算和两次求和运算：
+这个算法的构建模块被称为蝶形运算（Butterfly），本质上是一个 N = 2 窗口大小的 FFT，包括两次乘法运算和两次求和运算：
 
 
 .. image:: ../_images/butterfly.svg
@@ -628,7 +627,7 @@ FFT 的代码实现
 （ :math:`N` 是 FFT 窗口大小，:math:`k` 是索引）。
 注意输入和输出都是复数，例如，:math:`x_0` 可能是 0.6123 - 0.5213j，加法与乘法操作都是复数运算。
 
-该算法是二分递归的，直到最后只剩下一系列的蝶形运算（Butterflies），下面用一个窗口大小为 8 的 FFT 来描述这个过程：
+该算法是二分递归的，直到最后只剩下一系列的蝶形运算，下面用一个窗口大小为 8 的 FFT 来描述这个过程：
 
 .. image:: ../_images/butterfly2.svg
    :align: center

content-zh/intro.rst

@@ -56,7 +56,7 @@
 参与贡献
 ***************
 
-如果你从PySDR中获得了帮助，别忘了与你的同事、学生和其他可能对这些资料感兴趣的终身学习者分享。你还可以通过在PySDR的 `Patreon <https://www.patreon.com/PySDR>`_ 上捐款来表达你的支持，你的名字将会显示在每章下面的章节列表的左侧。
+如果你从 PySDR 中获得了帮助，别忘了与你的同事、学生和其他可能对这些资料感兴趣的终身学习者分享。你还可以通过在 PySDR 的 `Patreon <https://www.patreon.com/PySDR>`_ 上捐款来表达你的支持，你的名字将会显示在每章下面的章节列表的左侧。
 
 此外，欢迎你通过 [email protected] 向我发送问题、评论或者建议，你将为这本教科书的完善做出贡献！
 你还可以直接在教科书的 `GitHub页面 <https://github.com/777arc/PySDR/tree/master/content>`_ 上编辑源代码，欢迎你提交 Issue 或 Pull Request。
@@ -76,5 +76,6 @@
 - `Daniel Versluis <https://versd.bitbucket.io/content/about.html>`_ 将 PySDR 翻译为 `荷兰语 <https://pysdr.org/nl/index-nl.html>`_
 - `mrbloom <https://github.com/mrbloom>`_  将 PySDR 翻译为 `乌克兰语 <https://pysdr.org/ukraine/index-ukraine.html>`_
 - `Yimin Zhao <https://github.com/doctormin>`_ 将 PySDR 翻译为 `简体中文 <https://pysdr.org/zh/index-zh.html>`_
+- `Eduardo Chancay <https://github.com/edulchan>`_ 将 PySDR 翻译为 `西班牙语 <https://pysdr.org/es/index-es.html>`_
 
 以及所有 `PySDR Patreon <https://www.patreon.com/PySDR>`_ 支持者!

content-zh/link_budgets.rst

@@ -4,7 +4,7 @@
 链路预算
 ##################
 
-本章将重点介绍链路预算（Link Budget）这一概念，
+在本章中，我们将学习链路预算（Link Budget）这一概念，
 其中主要包含发送/接收功率、路径损耗（Path Loss）、
 天线增益（Antenna Gain）、噪声（Noise）和信噪比（缩写为 SNR 或 S/N）等细节。
 最后，我们通过一个针对 ADS-B 系统的链路预算实例来加深理解。
@@ -50,7 +50,7 @@ ADS-B 是商用飞机使用的一种信号系统，用于实时共享飞机的
 发射功率
 #####################
 
-传输功率比较直观易懂，它以 W（瓦特）、dBW 或 dBm（注意 dBm 是 dBmW 的简写）作为单位来衡量。
+传输功率比较直观易懂，它以 W（瓦特）、dBW 或 dBm（dBm 是 dBmW 的简写）作为单位来衡量。
 每个发射机都配备一个或多个放大器，而传输功率主要取决于这些放大器的性能。
 传输功率可以类比灯泡的功率瓦数，很显然高功率灯泡发出的光线更亮。
 以下是不同技术示例的传输功率范围：
@@ -128,7 +128,7 @@ Okumura-Hata 模型是城市和郊区（如蜂窝网络）中常用的模型之
  L_{path} = 69.55 + 26.16 \log_{10} f - 13.82 \log_{10} h_B - C_H + \left[ 44.9 - 6.55 \log_{10} h_B \right] \log_{10} d
 
 其中 :math:`L_{path}` 是路径损耗（dB），:math:`h_B` 是发射天线相对于地面高度（m），
-:math:`f` 是载波频率（MHz），:math:`d` 是发射机（Tx）和接收（Rx）之间的距离（km），
+:math:`f` 是载波频率（MHz），:math:`d` 是发射机（TX）和接收（RX）之间的距离（km），
 :math:`C_H` 被称为 “天线高度修正因子” ，根据城市规模和载波频率范围来具体设定。
 
 对于中小型城市，:math:`C_H` 设置为:
@@ -217,7 +217,7 @@ EIRP 是一个代表性数字，指出如果使用理想的全向天线，在天
 在讨论完信号功率后，让我们转向讨论接收噪声，有了这两者之后就可以计算 SNR 了。
 两者的计算方式也是类似的。
 
-噪声是如何进入通信链路的？答案是：**接收机！**
+噪声是如何进入通信链路的？答案是：**接收机** !
 只有当信号到达接收机后才会受到干扰，理解这一点 **非常** 重要！
 许多学生并没有完全理解这一点，结果犯了一些错误。
 空气中并没有漂浮的噪声，噪声的来源是接收机中的放大器和其他电子元件，毕竟它们不完美并且在非零开尔文（K）的温度下工作。
@@ -328,5 +328,4 @@ ADS-B 的物理层（PHY）有这些特征：
 但在真实情况下，例如使用不合适的天线随意放置在接收机上，并在教室里接收 ADS-B 信号，
 附近有一个强大的 FM 广播电台引起干扰，这种情况下损耗可以轻松达到 20-30 dB。
 
-尽管这个例子只是一个草稿计算，但它展示了创建链路预算和理解通信链路的重要参数的基础知识。
-
+尽管这个例子只是一个草稿计算，但它展示了创建链路预算和理解通信链路的重要参数的基础知识。

content-zh/multipath_fading.rst

@@ -4,14 +4,14 @@
 多径衰落
 #######################
 
-在本章中我们将介绍多径（Multipath），它指的是信号从发射端 “经由两条或更多路径” 传播到接收端。
+在本章中，我们将学习多径（Multipath），它指的是信号从发射端 “经由两条或更多路径” 传播到接收端。
 这种现象才是真实场景中多见的，而我们之前所讨论的 “AWGN 信道” 只是一种简单地将信号加到噪声上的模型，基本上只适用于有线通信和一些卫星通信系统。
 
 *************************
 多径
 *************************
 
-无线信道中往往存在各种各样的 “反射体（Reflectors）”，它们会反射射频信号。
+无线信道中往往存在各种各样的 “反射体（Reflector）”，它们会反射射频信号。
 在发射机（TX）和接收机（RX）之间或附近的任何物体都会通过反射给原信号增加额外的传播路径，而每条路径都将制造不同的延迟（即相位变化）和衰减（即幅度变化）。
 来自所有路径的信号将在接收端叠加，这种叠加可能是相加性的（Constructively）、相消性的（Destructively）或者二者兼有。
 我们将信号通过多条信号路径到达接收端的概念称为 “多径”。
@@ -21,7 +21,7 @@
 .. image:: ../_images/multipath.svg
    :align: center 
    :target: ../_images/multipath.svg
-   :alt: 多径的简单描绘，展示了视线路径和一条非视线路径
+   :alt: 多径的简单描绘，展示了视线路径和一条非视线路径。
 
 在一些情况下，多径之间会产生相消性干涉。考虑上面的示例（其中只有两条路径），当载波频率或者路径距离变化时，来自这两条路径的信号可能以相似的幅度但是 180 度的相位差到达，这时它们会相互抵消（如下图所示）。当多径之间严重相消时，我们称之为 “深衰落（Deep Fade）”，此时接收端收到的信号会短暂消失。
 
@@ -34,7 +34,7 @@
 .. image:: ../_images/multipath2.svg
    :align: center 
    :target: ../_images/multipath2.svg
-   :alt: 多径以及功率延迟分布的可视化
+   :alt: 多径以及功率延迟分布的可视化。
 
 在功率时延谱中，最靠近 y 轴的箭头始终描述的是 LOS 路径（假设有的话），因为没有其他路径能比 LOS 路径更快到达接收端。通常，随着时延的增加功率会减小，因为信号到达接收端的路径距离会更远。
 
@@ -52,7 +52,7 @@
 .. image:: ../_images/multipath_fading.png
    :scale: 100 % 
    :align: center
-   :alt: 多径衰落有时候会导致 “深衰落（零值）” 现象，此时 SNR 会急剧下降
+   :alt: 多径衰落有时候会导致 “深衰落（零值）” 现象，此时 SNR 会急剧下降。
 
 从 **时间** 域的角度看，多径衰落有两种类型：
 
@@ -70,7 +70,7 @@
 .. image:: ../_images/flat_vs_freq_selective.png
    :scale: 70 % 
    :align: center
-   :alt: 平坦衰落对比频率选择性衰落
+   :alt: 平坦衰落对比频率选择性衰落。
 
 下图展示了一个频率选择性衰落的示例。图中，一个带宽为 16 MHz 的信号被传输，在某些时刻出现了因衰落导致的信号缺失。
 可以注意到，这些缺失是 “部分” 的，即在一些频率上导致了空洞但是没影响其他频率。
@@ -150,7 +150,7 @@
 .. image:: ../_images/rayleigh.svg
    :align: center 
    :target: ../_images/rayleigh.svg
-   :alt: 对瑞利衰落的模拟
+   :alt: 对瑞利衰落的模拟。
 
 从上图中可以看到两个有意思的点：一是深衰落会短暂出现，二是多径信道在某些时刻得到的接收信号甚至会比没有衰落的直射信号更好。
 
@@ -176,6 +176,6 @@ OFDM
 #####
 
 正交频分复用（OFDM）是 4G 蜂窝、WiFi 等许多技术所使用的一种方案。
-OFDM 使用所谓的 “子载波”（Subcarriers）在频域中将信号分成一堆互相存在交叉的窄信号。
+OFDM 使用所谓的 “子载波”（Subcarrier）在频域中将信号分成一堆互相存在交叉的窄信号。
 为了对抗多径衰落，我们可以避免将数据分配给处于深衰落中的子载波（当然，前提是接收端能快速向发射端告知当前信道状态）。
 我们也可以将高阶 QAM 调制方案分配给信道质量良好的子载波，以最大化我们的数据传输速率。