✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥 内容介绍
GMSK（Gaussian Minimum Shift Keying，高斯最小频移键控）是一种常用的数字调制技术，它是在 MSK（最小频移键控）的基础上发展而来的。GMSK 调制通过将基带信号经过高斯滤波器进行预滤波处理，有效抑制了信号的频谱旁瓣，具有频谱特性好、功率效率高、抗干扰能力强等特点，在移动通信、卫星通信等领域得到了广泛应用。
与传统的数字调制方式相比，GMSK 调制的关键在于引入了高斯滤波器对输入的二进制基带信号进行平滑处理，使得已调信号的相位变化更加平缓，从而降低了信号的带外辐射，减少了对相邻信道的干扰。
二、GMSK 调制器的基本组成
GMSK 调制器主要由输入二进制基带信号发生器、高斯低通滤波器、MSK 调制器等部分组成。其工作流程大致为：输入的二进制基带信号首先经过高斯低通滤波器进行预滤波，得到平滑后的基带信号；然后将该信号送入 MSK 调制器，经过一系列的信号处理，最终生成 GMSK 调制信号。同时，在这个过程中，高斯低通滤波器会输出高斯频率脉冲形状信号。
三、调制器输出的两个信号详解
（一）GMSK 信号
GMSK 信号是 GMSK 调制器的核心输出信号，它是经过高斯滤波后的基带信号进行 MSK 调制得到的已调信号。
在生成过程中，输入的二进制基带信号通常为矩形脉冲序列，这些脉冲序列经过高斯低通滤波器后，其波形被平滑，边缘变得圆润。高斯低通滤波器的作用是限制信号的带宽，使得信号的频谱特性得到改善。经过滤波后的信号再进入 MSK 调制器，MSK 调制器通过改变载波的频率来传递信息，其中 “1” 和 “0” 分别对应载波的两个不同频率，且这两个频率之间的差值满足一定的关系，以保证信号的相位连续。
GMSK 信号的特点是相位变化连续且平滑，这使得其频谱能量集中在主瓣内，旁瓣衰减很快，大大降低了对其他信道的干扰。同时，由于其相位的连续性，GMSK 信号具有较好的功率效率和误码性能。
四、两个输出信号的关系
高斯频率脉冲形状是生成 GMSK 信号的重要中间产物。输入的二进制基带信号首先经过高斯低通滤波器，形成高斯频率脉冲形状的信号，该信号携带了经过平滑处理后的基带信息；然后，这个高斯频率脉冲形状的信号被送入 MSK 调制器，通过对载波频率的调制，最终生成 GMSK 信号。可以说，高斯频率脉冲形状决定了 GMSK 信号的频谱特性和相位变化特性，是 GMSK 信号能够具有良好性能的关键因素之一。
总之，GMSK 调制器输出的 GMSK 信号和高斯频率脉冲形状信号相互关联，共同构成了 GMSK 调制过程中的重要信号，其中高斯频率脉冲形状为 GMSK 信号的生成提供了必要的预处理，而 GMSK 信号则是最终用于传输的已调信号。
⛳️ 运行结果
🔗 参考文献
[1] 娄莉.GMSK数字调制的仿真与分析[J].现代电子技术, 2004, 27(18):3.DOI:10.3969/j.issn.1004-373X.2004.18.026.
[2] 赵俊.GMSK跳频信号参数盲估计和盲检测算法的研究[D].浙江大学,2003.
[3] 陈淑融,王勇.GMSK调制及其在软件无线电上的应用[J].电子测试, 2010(5):81-85.DOI:10.3969/j.issn.1000-8519.2010.05.020.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
