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
300+累计阅读
346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
基于Matlab模拟的认知无线电能量检测
认知无线电是一种新兴的通信技术, 其中能量检测是最基本的频谱感知技术之一。利用能量检测技术，可以检测到某个频率上是否有信号存在，从而进行频谱监测和识别。本文将介绍如何在Matlab环境下进行能量检测的仿真实验，并提供相应的源代码。
首先，我们需要了解什么是能量检测。能量检测方法是一种接收机的基本接收方法，通过检测瞬时信号功率是否超过一个预定的门限值，判断输入信号是否存在。对于高斯噪声信号，它的功率符合随机变量的分布，因此能量检测方法可以很好地应用于噪声环境中的信号检测。
现在，我们来看如何用Matlab进行能量检测的仿真实验。我们可以通过以下步骤完成：
首先，我们需要生成一个模拟信号，即要检测的信号。可以使用Matlab中的awgn函数生成一个高斯噪声信号，并用rectpuls函数生成一个矩形脉冲信号。然后将两者相加，得到待检测的信号。
fs = 1000; % 采样率
t = 0:基于Matlab模拟的能量检测在认知无线电中的应用
在上述代码中，我们首先生成了一个随机的信道状态序列，其中0表示空闲状态，1表示活跃状态。接下来，我们使用一个循环对每个时隙进行能量检测，通过计算当前时隙信号的能量与门限进行比较，判断当前时隙的信道状态。能量检测是CR中一种常见的频谱感知技术，用于检测信道上的主要用户活动。需要注意的是，以上代码仅提供了一个简单的能量检测模拟示例，实际应用中可能需要考虑更多的因素，如多径衰落、多用户干扰等。通过以上的模拟，我们可以观察到能量检测在不同信道状态下的表现，并根据检测结果进行后续的频谱管理和资源分配。
MATLAB实现认知无线电中的能量检测模拟项目
认知无线电不是空中楼阁，能量检测也不是纸上谈兵。从一个简单的 $ T = \frac{1}{N}\sum|x[n]|^2 $ 开始，我们一路走过了统计建模、分布分析、阈值设计、性能评估、仿真实现，最终在 MATLAB 中亲手构建了一个完整的感知系统。你会发现，真正的工程之美，往往藏在细节之中：一个小数点后的误差，可能导致 $ P_{fa} $ 偏离十倍；一个延迟的噪声估计，会让自适应机制失效；一个合理的模块划分，能让整个项目事半功倍。而这，正是技术的魅力所在 ❤️。
能量检测法matlab程序
资源包括BPSK信号的生成、蒙特卡罗仿真程序、能量检测法程序、还有各种信噪比与检测概率之间的关系程序和曲线图。
认知无线电网络协作频谱感知优化附matlab完整代码.zip.zip
1.版本：matlab2014/2019a，内含运行结果，不会运行可私信 2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题所示，对于介绍可点击主页搜索博客 4.适合人群：本科，硕士等教研学习使用 5.博客介绍：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可si信
认知无线电中基于干扰图模型的动态频谱分配的MATLAB仿真
认知无线电中基于干扰图模型的动态频谱分配。 M=5; %频谱池中信道的个数 N=Nc/2; %发送节点的个数 r=10.^(15/20); %最小SINR值，r=15dB a=4; %衰减因子 V=[rand(N,1)*10,rand(N,1)*10]; %产生10*10范围随机分布的N个顶点的横纵坐标，作为干扰图表的顶点 V1=[rand(N,1)*20,rand(N,1)*20]; %产生20*20范围随机分布的N个认知用户的横纵坐标，作为发送节点的坐标 V2=[rand(N,1)*20,rand(N,1)*20]; %产生20*20范围随机分布
DM9000有线网卡驱动编写
DM9000有线网卡驱动编写 1.DM9000简介 DM9000 是一款完全集成的、性价比高、引脚数少、带有通用处理器接口的单芯片快速以太网控制器。 自 带一个 10/100M PHY 和 4K 双字的 SRAM ，DM9000A 为适应各种处理器提供了 8 位、16 位数据接口访问 内部存储器，DM9000 拥有自动协商功能，DM9000 特性如下： 1.集成自适应 10/100M 收发器。 2.内置 16k 字节的 SRAM。 3.支持硬件帧校验。 4.兼容 3.3V 和 5.0V
耕地质量评价软件实操指南：如何用Excel+ArcGIS一键生成土壤普查报告（附避坑技巧）
本文提供了一套融合Excel数据处理与ArcGIS空间分析的耕地质量评价实战工作流。详细讲解了从数据规范化预处理、高效数据桥接，到在ArcGIS中实现指标评分、综合指数计算与等级划分的全流程，旨在帮助土壤普查工作者大幅提升报告生成效率与准确性，并分享了关键的避坑技巧。
K-means在关键词聚类中的尝试
K-means在文本聚类中的尝试 K-means算法是无监督的聚类算法。它的算法思想是：先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。 K-means算法的关键点在于： 初始k个聚类中心的选择 距离的计...
别再折腾SNAP了！ENVI 5.6.0 直接拖拽打开Sentinel-2 L2A数据的正确姿势
本文详细介绍了ENVI 5.6.0直接处理Sentinel-2 L2A数据的高效方法，无需通过SNAP进行繁琐的重采样预处理。通过直接拖拽XML文件，用户可以快速加载不同分辨率的波段数据，显著提升工作效率。文章还对比了直接打开与SNAP重采样流程的优劣，并提供了常见问题解决方案和高级应用技巧。
湿式双离合器自动变速器simulink建模与仿真
随着汽车工业的不断发展，自动变速器在提高汽车性能、驾驶舒适性和燃油经济性等方面发挥着越来越重要的作用。湿式双离合器自动变速器（Wet Dual-Clutch Transmission，简称 WDCT）作为一种先进的自动变速器技术，具有换挡速度快、动力传递平稳、燃油经济性好等优点，被广泛应用于各类汽车中。结构组成湿式双离合器自动变速器主要由双离合器、齿轮传动系统、液压控制系统和电子控制系统等部分组成。双离合器：由两个独立的离合器组成，分别控制奇数挡和偶数挡。通过切换两个离合器的工作状态，可以实现快速换挡。
基于Simulink与MATLAB的七轴OpenArm机械臂逆运动学仿真与轨迹规划完整指南
本文详细介绍了七自由度OpenArm机械臂在MATLAB/Simulink环境下的运动学仿真与轨迹规划实现方法。首先建立了机械臂的DH参数模型，验证了正运动学计算；随后提出了两种逆运动学求解算法（数值迭代法和臂型角参数化解析法）的MATLAB实现方案；最后在Simulink中搭建了完整的轨迹规划与控制系统。研究解决了七自由度冗余机械臂特有的多解性、奇异性和关节限位约束等核心问题，为OpenArm机械臂的运动控制提供了完整的技术方案和可运行代码实现。
Transformer模型详解
本文主要介绍Transformer系列，从基础到理论，对注意力机制进行总结并解释《Attention is all you need》，提出解决sequence to sequence问题的transformer模型，用全attention的结构代替了lstm，抛弃了之前传统的encoder-decoder模型必须结合cnn或者rnn的固有模式，只用attention。文章的主要目的是在减少计算量和提高并行效率的同时不损害最终的实验结果。
045、镜头模组公差链分析：从 Lens 到 Sensor 的装配公差累积与良率优化
本文深入分析了镜头模组从镜片到传感器各环节的公差累积问题及优化策略。文章首先剖析了四级公差链（镜片单体、镜筒装配、VCM定位、传感器贴装）的误差传递机制，指出各环节典型公差值及其影响（如5微米镜片偏差可导致0.02度光线偏折）。其次对比了最坏情况法与均方根法的差异，强调需考虑公差相关性（如镜片曲率与镜筒间隙的正相关性）。最后提出良率优化"三板斧"：通过蒙特卡洛仿真优化公差分配、采用主动对准工艺在线补偿、建立数据反馈闭环系统，并结合"阴阳脸"案例说明如何定位根因（模具磨损+贴片机老化导致的误差叠加）。作者总结
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")
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
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
196
扫一扫
