test06-02 PCM模拟调制

本文通过MATLAB脚本展示了PCM(脉冲编码调制)编码与解码过程,包括原始信号、抽样信号、编码信号和译码恢复信号的绘制。详细解释了编码与解码的具体步骤。






clear all;
close all;
dt=0.01;


t=0:dt:10;
xt=sin(4*pi*t);




fs=10;
sdt=1/fs;
t1=0:sdt:10;
st=sin(4*pi*t1);
[out]=pcm_encode(st);
[out1]=pcm_decode(out,1);
figure(1);
subplot(411);
plot(t,xt);
title('原始信号');
subplot(412);
plot(t1,st);
title('抽样信号');
subplot(413);
plot(out);
title('编码信号');
subplot(414);
plot(out1);

title('译码恢复信号');



//////////////////////////////




function [out]=pcm_decode(in,v)
n=length(in);
in=reshape(in',8,n/8)';
slot(1)=0;
slot(2)=16;
slot(3)=32;
slot(4)=64;
slot(5)=128;
slot(6)=256;
slot(7)=512;
slot(8)=1024;
step(1)=1;
step(2)=1;
step(3)=2;
step(4)=4;
step(5)=8;
step(6)=16;
step(7)=32;
step(8)=64;
for i=1:n/8
ss=2*in(i,1)-1;
tmp=in(i,2)*4+in(i,3)*2+in(i,4)+1;
st=slot(tmp);





dt=(in(i,5)*8+in(i,6)*4+in(i,7)*2+in(i,8))*step(tmp)+0.5*step(tmp);
out(i)=ss*(st+dt)/2048*v;
end

///////////////////////


function[out]=pcm_encode(st)
x=st*2048;
n=length(x);
for i=1:n;
if x(i)>0
out(i,1)=1;
else
out(i,1)=0;
end
if 0<=abs(x(i))&abs(x(i))<16
out(i,2)=0;out(i,3)=0;out(i,4)=0;
step=1;
%起始电平
st=0;
elseif 16<=abs(x(i))&abs(x(i))<32
out(i,2)=0;out(i,3)=0;out(i,4)=1;step=1;st=16;
elseif 32<=abs(x(i))&abs(x(i))<64
out(i,2)=0;out(i,3)=1;out(i,4)=0;step=2;st=32;
elseif 64<=abs(x(i))&abs(x(i))<128
out(i,2)=0;out(i,3)=1;out(i,4)=1;step=4;st=64;
elseif 128<=abs(x(i))&abs(x(i))<256
out(i,2)=1;out(i,3)=0;out(i,4)=0;step=8;st=128;
elseif 256<=abs(x(i))&abs(x(i))<512
out(i,2)=1;out(i,3)=0;out(i,4)=1;step=16;st=256;
elseif 512<=abs(x(i))&abs(x(i))<1024
out(i,2)=1;out(i,3)=1;out(i,4)=0;step=32;st=512;
else
out(i,2)=1;out(i,3)=1;out(i,4)=1;step=64;st=1024;
end
if (abs(x(i))>=2048)
%处理过载现象
out(i,2:8)=[1 1 1 1 1 1 1];
else
%计算段内码
tmp=floor((abs(x(i))-st)/step);
%十进制转二进制数,%如果不减48,最后4位是ASCII数
% 49 48 48 48 
t=dec2bin(tmp,4)-48;
out(i,5:8)=t(1:4);
end
end
out=reshape(out',1,8*n);


内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

迅捷的软件产品制作专家

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值