墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
600+累计阅读
637平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
数字调制及PAM调制的理解与Matlab实现
数字调制是一种将数字信号转换为模拟信号的技术，常用于数字通信系统中。其中，脉冲振幅调制（PAM）是一种常见的数字调制技术，它将数字信号转换为离散的脉冲信号，并通过调整脉冲的振幅来表示不同的数字数值。在本文中，我们将通过Matlab实现PAM调制来详细解释数字调制的概念和过程。
首先，让我们了解一下PAM调制的基本原理。PAM调制是一种基带调制技术，它将数字信号分为一系列的离散时间片段，并使用脉冲的幅度来表示数字信号的幅度。PAM调制的过程可以分为三个关键步骤：抽样、量化和调制。
抽样是将连续时间的信号转换为离散时间信号的过程。在Matlab中，可以使用downsample函数对信号进行抽样。假设我们有一个连续时间信号x(t)，我们可以使用以下代码进行抽样：
fs = 100; % 抽样频率
Ts = 1/fs; 数字调制及PAM调制（Matlab实现）
脉冲振幅调制（Pulse Amplitude Modulation，简称PAM）是其中一种常见的数字调制技术，它基于将数字信号映射到不同的振幅脉冲上进行传输。脉冲振幅调制（PAM）是数字调制中最简单和常见的一种形式，它将数字信号映射到不同振幅的脉冲上。通过Matlab的实现，我们可以更直观地了解数字调制以及PAM调制的工作原理，同时也可以根据实际需求进行相关参数的调整和优化，以满足不同通信系统的要求。在数字调制中，常见的调制方式有脉冲振幅调制（PAM）、脉冲位置调制（PPM）、脉冲编码调制（PCM）等。
基于MATLAB的信号PAM编码算法仿真
常见的PAM编码有两种形式：单极性PAM编码和双极性PAM编码。单极性PAM编码只允许脉冲信号有正幅值，而双极性PAM编码则允许脉冲信号具有正、负两种幅值。假设我们有一段长度为100个码元的数据需要进行PAM编码，我们可以使用上述的MATLAB代码生成相应的PAM编码信号。本文介绍了PAM编码的基本原理，并给出了一份适用于MATLAB的PAM编码算法实现代码。在上述代码中，我们除了生成PAM编码信号外，还对其进行了解码，生成了还原后的数字信号，并将其与原始数据进行了比较。三、PAM编码的仿真。
PAM基带信号的功率谱原理推导及Matlab实现
最后，根据功率谱密度的定义，计算了信号的功率谱密度Sxx，并使用plot函数绘制了功率谱密度图。通过计算和绘制功率谱密度，我们可以了解PAM信号在频域上的能量分布情况，为信号处理和通信系统设计提供有价值的信息。对于PAM基带信号，我们可以通过对离散PAM信号序列进行傅里叶变换来得到其功率谱密度。为了计算PAM信号的功率谱密度，我们需要计算其自相关函数。其中X(k)是频域上的复数信号，k表示频域的离散采样点，N是信号序列的长度。其中X(f)是频域上的复数信号，|.|表示绝对值操作，N是信号序列的长度。
MATLAB中的数字信号调制和解调
MATLAB中的数字信号调制和解调数字信号调制是一种将模拟信号转换为数字信号的过程，而数字信号解调则是将数字信号重新转换为模拟信号的过程。在MATLAB中，我们可以使用各种工具和函数来实现数字信号的调制和解调。本文将介绍一些常见的数字调制技术，并提供相应的MATLAB源代码示例。
MATLAB实现的SISO_PAM变声变调技术源码
本文还有配套的精品资源，点击获取 简介：本文深入探索了MATLAB源码中实现的变声变调技术，尤其关注于SISO系统中的PAM技术。SISO_PAM是数字调制的一种，它将二进制数据映射到模拟信号的幅度上，以在通信链路中传输信息。源码涵盖数据生成、PAM调制、引入AWGN模型、信道均衡、解调、性能评估和可视化等多个关键步骤，旨在通过实践加深对PAM和数字通信的理解。 ...
Matlab下PAM4信号彩色眼图的绘制与分析
在电子通信领域，眼图是一个重要的诊断工具，它提供了一种直观的方式来观察和评估数字信号的质量。通过将信号的多个周期叠加在一起，眼图可以展示信号在时间和电压层面的特性，从而让工程师能够识别信号失真、噪声影响以及可能的同步问题。随着数据传输速率的不断增加，传统的二进制幅度调制（Binary Amplitude Modulation，如NRZ）技术在频谱效率、信号传输距离和功耗方面面临越来越多的挑战。
MATLAB实现PAM通信系统仿真完整课程设计项目
先别急着打开Simulink，咱们得搞清楚：PAM到底是什么？它的全称是Pulse Amplitude Modulation（脉冲幅度调制），听上去很专业，其实核心思想非常朴素：把信息编码进一系列脉冲的“高度”里。举个生活化的例子🌰：假设你在山的另一边有个朋友，你们约定用灯光打信号。如果灯亮一下表示“你好”，亮两下表示“吃饭了吗？”……这叫时域编码。但如果你们改用不同亮度的光呢？微弱闪光 →0中等亮度 →1强烈闪光 →2极亮爆闪 →3。
python 中心线提取_二值分析 | OpenCV + skimage如何提取中心线
点击上方蓝字关注我们微信公众号：OpenCV学堂关注获取更多计算机视觉与深度学习知识问题前几天有个人问了我一个问题，问题是这样的，他有如下的一张二值图像：怎么得到白色Blob中心线，他希望的效果如下：显然OpenCV中常见的轮廓分析无法获得上面的中心红色线段，本质上这个问题是如何提取二值对象的骨架，提取骨架的方法在OpenCV的扩展模块中，另外skimage包也支持图像的骨架提取。这里就...
Halcon一维测量实战：从measure_pos与measure_pairs的底层原理到精准应用
本文深入解析Halcon中measure_pos与measure_pairs算子的底层原理与精准应用，涵盖参数调优、测量矩形方向设置及典型工业场景实战。通过对比分析，揭示两者在一维测量中的核心差异与适用场景，提供从基础到高级的完整解决方案，助力工业视觉检测精度提升。
别再只调API了！深度拆解Dify文件上传的两种传参方式（sys.file vs. inputs.upload_file）
本文深度解析Dify平台文件上传的两种传参方式——sys.file与inputs.upload_file，详细对比其设计原理、技术实现及适用场景。通过代码示例和性能分析，帮助开发者在本地大模型应用中做出精准技术选型，提升文件处理效率与系统稳定性。
逆向工程的艺术：如何绕过PDD的长连接机制实现高效抓包
本文深入解析了如何通过逆向工程技术绕过拼多多（PDD）的长连接机制实现高效抓包。详细介绍了动态调试方案、关键函数Hook技巧及流量解密重组方法，帮助开发者在非Root环境下捕获并解析PDD的加密数据。结合Python工具链，实现稳定数据采集，适用于电商数据分析和反爬策略研究。
如何设计一个低代码平台
近些年来，低代码发展火热，各种低代码平台如雨后春笋纷纷崛起，这些平台各定位不同，优劣不同，用户的选择空间很大。那么，如果用户想从零开始设计一个低代码平台，该如何做呢？
如何在不牺牲精度的前提下，把 YOLOv11 压缩到 Jetson 能跑的程度
YOLOv11 在目标检测任务中具备较强的准确性与多尺度鲁棒性，但其原始模型参数规模与计算量，对边缘设备来说并不友好，特别是面向 Jetson 这类资源受限的推理平台。本文基于实际部署场景，逐步拆解从结构层级改造、剪枝策略制定、量化导出流程，到 Jetson TensorRT 推理落地全过程。在不牺牲主干精度的前提下，最终实现 YOLOv11 推理延迟缩短 3 倍、模型体积压缩 4 倍、mAP 损失控制在 1% 以内的轻量化优化结果，并总结出一条可复用的工程路径，供工业界与边缘侧模型部署开发者参考。
PCL Fast Global Registration 快速全局配准（源码版）
Fast Global Registration（FGR）是一种经典的点云粗配准算法，已集成到Open3D和CloudCompare等软件中。本文介绍了该算法的源码实现及优化方法，包括如何通过修改源码直接读取点云进行配准，而不依赖文件中读取特征描述子。文章还提供了关键参数设置（如最大迭代次数、匹配距离等）。算法实现简单高效，未来计划发布基于纯PCL的版本。源码和论文链接已附上，供开发者参考。
目前固态激光雷达在机器人领域的应用难点汇总
固态激光雷达在机器人领域面临性能与成本的双重挑战：探测性能上，动态范围不足（60-80dB）导致高/低反射物体识别困难，近距盲区（30-50cm）与长距精度（±3cm）矛盾突出；结构上视场角与点云密度难以平衡，多雷达拼接又带来同步误差。成本方面，核心元件（SPAD/OPA芯片）良率低（＜50%）、校准工序复杂，单机成本超200美元。环境适应性上，粉尘附着、振动偏移（±2°）和光衰（1万小时衰减15%）制约可靠性。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
IEM模型，地表粗糙度模拟
利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1203
扫一扫
