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
400+累计阅读
420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
Matlab
专栏收录该内容
MATLAB仿真：QAM系统调制与解调过程
QAM（Quadrature Amplitude Modulation，正交振幅调制）是一种常用的数字调制技术，广泛应用于无线通信系统中。本文将使用MATLAB来实现QAM系统的调制与解调过程，并提供相应的源代码。
一、QAM调制过程
QAM调制是将数字二进制数据映射到一组复数符号上的过程。在QAM调制中，每个符号表示两个二进制比特。QAM调制的关键是确定合适的星座图，即一组复数点的集合，用于表示不同的符号。
下面是实现QAM调制过程的MATLAB代码示例：
% 参数设置
M = 16; % 星座图大小
k = log2(M); % 符号比特数
n matlab实现16QAM调制解调
文章目录一、要求二、设计三、代码四、结果五、结论 一、要求 用基带等效的方式仿真16-QAM在AWGN信道下的误码率和误比特率性能，并与理论值相比较。 二、设计 1.调制 (1)首先，一串二进制序列进入串/并变换中，进行4比特划分后再进行2比特划分成一组，按照奇数送同相路，偶数送入正交路。 (2)进入2/L电平变换，就是说二进制数变成4个十进制数，而4个十进制数是由自己的星座图设定的，即00,01,11,10分别对应于-3,-1,1,3。 (3)送入低通后滤除较小的抖动波。 (4)进入相乘器，载波cosωc
正交幅度调制（QAM）信号的产生与解调介绍及matlab实现
1.QAM信号的产生 1.1 原理 1.2 仿真代码 clear all M=8; msg = [1 4 3 0 7 5 2 6]; %消息信号 ts = 0.01; %抽样时间间隔 T = 1; %符号周期 t = 0:ts:T; %符号持续时间向量 x = 0:ts:length(msg); %所有符号的传输时间 fc = 1; %载波频率 c = sqrt(2/T)*exp(...
基于matlab仿真实验---16QAM调制与解调
基于matlab仿真实验---16QAM1.仿真要求2.三、仿真方案详细设计16QAM 调制原理：16QAM 解调原理：3.仿真代码仿真结果 1.仿真要求 用基带等效的方式仿真16-QAM在AWGN信道下的误码率和误比特率性能，并与理论值相比较。 2.三、仿真方案详细设计 16QAM 调制原理： 16QAM 是用两路独立的正交 4ASK 信号叠加而成， 4ASK 是用多电平信号去键控载波而得到的信号。 正交幅度调制是利用多进制振幅键控（ MASK ）和正交载波调制相结合产生的。 16 进制的正交振幅调制是一
16QAM调制解调和误码率
16QAM调制解调 clear all; close all; %% %16QAM信号调制解调 %通过瑞利/高斯信道 %理论和仿真误码率 %% %系统参数设计 T_start=0;%开始时间 T_stop=40;%截止时间 T=T_stop-T_start;%仿真持续时间 rs=10;%传输速率 NumBits=rs*T;%传输bit数 fc=20;%载波频率 L=100;%码元长度 N_sample=NumBits*L;% 采样点数 T_sample=T/N_sample;%采样间隔 f_samp
LTE物理层概述（6）-- LTE之调制与解调及其matlab仿真
LTE（长期演进）下行链路 PHY（物理）层处理链路可以认为是下行链路共享信道（DLSCH）和物理下行链路共享信道（PDSCH）处理的组合。DLSCH 即 下行链路传输信道 TrCH。 LTE下行链路物理模型描述，具体可参照之前文章： LTE物理层概述（3）-- 下行链路物理模型概述https://blog.youkuaiyun.com/snowman898/article/details/124684077 本节主要学习 LTE物理信道的调制与解调功能，文末给出仿真代码。 1、调制 LTE使用的调..
基于MATLAB仿真的数字调制和解调设计
首先将接收到的信号乘以两个相互正交的载波信号，然后通过低通滤波器去除高频成分，最后使用符号选择来检测接收到的数据。为了演示QAM数字调制和解调，我们将使用MATLAB对基本的QAM方案进行仿真。本文介绍了QAM数字调制和解调的基本原理，并使用MATLAB对数字调制和解调进行了仿真，包括QAM信号的生成、解调和还原等过程。正交振幅调制（QAM）是一种通过改变信号的幅度和相位来调制信号的数字调制技术。QAM是一种复杂的调制技术，它将两个相互正交的载波信号进行复合，并且可以同时携带多个比特。
128QAM调制解调
128QAM调制解调,在matlab中仿真。同时还有16QAM，32QAMm，64QAM 的性能比较，调用方便。
基于Matlab实现QAM调制解调仿真（源码）.rar
1、资源内容：基于Matlab实现QAM调制解调仿真（源码）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.youkuaiyun.com/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。
基于MATLAB与GUI的QAM调制与解调仿真系统设计与实现
基于MATLAB与GUI的QAM调制与解调仿真系统设计与实现
沈阳计算机研究所复试,沈阳计算所复试试题附答案.doc
沈阳计算所复试试题附答案目录数据结构1200612007220085200914操作系统16200616200718200818200919组成原理20200620200720200821200921经典算法22数据结构2006数据结构部分(共25分，第1题10分，第2题15分)在(下图)所示的有向图中：v1 v2v4 ...
歪枣网股票数据下载接口汇总一
歪枣网上下载接口动态信息如下： 接口名称:A股列表，接口描述：沪深京A股基本信息，接口地址：/doc/getStockHSABaseInfo?code=all&fields=code,name,stype,hsgt,bk,roe,zgb,ltgb&export=0&token= 请求参数描述： 参数名：code，参数描述：股票代码，支持批量查询，用逗号分隔，每次最多30个；若为all，则表示全部，即可获取任意一天内的所有数据。 请求参数描述： 参数名：fields，参数描述：数据字段
Halcon棋盘格畸变矫正
通常我们使用的相机都是带有一定的畸变的，只是畸变的大小不同。对于我们常见的测量项目来说，对测量精度的要求很高，通常从相机镜头上进行优化，但是即使镜头优化或者成本原因，造成图像仍有一定的畸变时，我们就可是使用棋盘格标定板，进行畸变矫正。
【PyBind11+anaconda+opencv+windows11+cmake+wsl+vscode】从入门到跑通。构建基于opencv c++的python package
如何安装请详见上文 【PyBind11+anaconda+opencv+windows11+cmake+wsl+vscode】从入门到跑通。构建基于opencv c++的python接口_子韵如初的博客-优快云博客w不需要安装啥x11 、 xming直接mobxterm可以搞定点击右上角的X server打开可视化服务器然后 apt install x11-apps -yxclock 搞定从mobxterm可以看到display的端口X11显示可视化的原理是就是通过X协议，类似于http对linux于w
香橙派5B-RK3588-NPU内核升级至0.9.8：RKLLM多模态部署实战
本文详细介绍了香橙派5B-RK3588设备NPU内核升级至0.9.8版本的完整流程，重点讲解了升级的必要性、两种升级方案（预编译包安装与自行编译内核）以及RKLLM SDK的安装配置。通过实战演示多模态模型转换与推理，显著提升AI计算性能，为嵌入式AI部署提供实用指南。
ESP32专用E220LoRa库：EBYTE LoRa模块驱动与点对点透传实现
LoRa是一种基于扩频技术的低功耗远距离无线通信协议，广泛应用于物联网终端设备间的数据传输。其核心原理在于通过线性调频（Chirp）信号提升接收灵敏度与抗干扰能力，从而在Sub-GHz频段实现数公里级视距通信。该技术具备高链路预算、强穿透性与多节点并发接入能力，显著降低广域传感网络的部署成本与功耗门槛。典型应用场景包括农业环境监测、工业设备远程诊断、智能表计数据回传等对可靠性与简易集成要求严苛的嵌入式系统。本文聚焦EBYTE E220-400T22D模块在ESP32平台上的工程化落地，深入解析硬件引脚时序约
树莓派通过TTL3.3转485 Modbus采集水表
所需道具 树莓派0，我用的是树莓派zero wh； 具有光电直读功能的有线水表，我用的是咸鱼淘的埃美柯LXSY-20E1； TTL3.3 转 485模块，带隔离的贵些； 5V转12V升压模块。 原理 树莓派有UART（GPIO14 Tx 和 GPIO15 Rx）串口通讯功能，电器特性是3.3V TTL，直读远传水表支持M-Bus/485通讯接口，我买的光电直读水表485要求12V供电（根据仪表厂家说明书）。TTL和485虽然都是串口通讯，但电器特性不一样，不能直接接！我已经烧掉一个树莓派...
全功能爬虫框架：Botasaurus 的详细使用（现代化、反检测、高并发的智能爬虫框架）
Botasaurus是一个基于 Python 的全栈式智能数据采集框架。它深度融合了以下关键技术： 无头浏览器自动化（Headless Browser Automation）：基于 Playwright 或 Puppeteer，支持 Chromium、Firefox、WebKit； 高级反检测引擎（Anti-Detection Engine）：自动绕过 WebDriver、Canvas、AudioContext 等 50+ 种指纹检测； 声明式任务模型（Declarative Task Model）：用装
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
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")
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2万+
扫一扫
