搜索资源列表
MATLAB-OFDM.rar
- 根据OFDM的基本原理, 利用MATLAB编写 OFDM系统仿真的程序,通过分步执行,能够比较清 楚地了解OFDM实现的整个过程,熟悉每一步变化 的数据特征。对掌握OFDM的原理和熟悉MATLAB 仿真都是非常重要的,仿真的最后给出了该OFDM 系统仿真的误码率。其中qpskmod.m 为QPSK调制 的函数 qpskdemod.m 为QPSK解调的函数 comb.m 为产生加性高斯白噪声的函数 giins.m 为往信号中 插入保护间隔的函数 girem.m 为从接收信号中去除
FSK.rar
- FSK实现，对数据的调制和解调，加入高斯白噪声，最后产生眼图。,FSK implementation, the data modulation and demodulation, add Gaussian white noise, and finally generate the eye diagram.
communicaton_lab
- 编程产生一组随机的0、1二进制比特序列，分别用2ASK, 2FSK, 2PSK和2DPSK四种调制方式把它们调制到一个较高的载频上，调制参数自定，请给出前8个比特所对应的时域波形。 画出上述四种信号通过高斯白噪声信道后的相干解调器和非相干解调器的原理框图，并给出判决前的观测值的数学表达式。注: 如果某些调制方式无法进行非相干解调，请给出原因。 根据题2中的观测值的数学表达式，分别编程实现判决过程，将判决结果与原数据作比较，统计出各自在不同比特信噪比 值下的误比特率 ，然后画出 与 (dB
GPS2
- 用MATLAB在产生的观测数据中捕获其中PRN 号码为“5”C/A 码。 （1） 观测数据应该有一定的多普勒频偏D f（-10kHz〈D f〈+10kHz）； （2） 加入高斯白噪声，使其信噪比为-20dB； （3） 捕获成功后，应给出捕获标志，并给出估计的频偏和码偏值。-Generated by MATLAB in which observed data capture PRN number is " 5" C/A code. (1) there should b
trans_sigPnoisePinterference
- 根据直扩原理，首先有随机数发生器产生一系列二进制信息数据（+1，-1），每个信息比特重复Lc次，Lc对应每个信息比特所包含的伪码片数，包含每一比特Lc次重复的序列与另一个随机数发生器产生的PN序列c(n)相乘。然后在该序列上叠加高斯白噪声和形式为i(n)=Acosw0n余弦干扰下次信号，切余弦干扰信号的振幅满足条件A<Lc。在解调器中进行与PN序列的互相关运算，并且将组成各信息比特的Lc个样本进行求和。加法器的输出送到判决器，将信号与门限值0进行比较，确定传送的数据为+1还是-1，计数器用
qam16_yy
- 利用Matlab函数或者模块产生随机数据，经过16QAM数字调制，送入高斯白噪声信道；在接收端使用16QAM解调数据后，与信源数据进行误码率统计；分析误码率与信噪比的关系。-Have the random data using the Matlab function or the module, undergoes the 16QAM digital modulation, sends in the white gaussian noise channel After the receivin
Produce-a-variety-of-distribution
- 1.duishuzhengtai：产生对数正态分布 2.gaussian：产生数据量为n的两个相互独立高斯分布y1、y2 3.junyun：自定义 0-1的均匀分布，n代表数据量，一般要大于1024（蒙特卡罗） 4.ruili：瑞利分布,m是瑞利分布的参数,n代表数据量,n一般要大于1024 5.kaifeng：产生开丰分布，其中m代表开丰分布的自由度，n表示产生的点数量 6.tfenbu：本函数产生自由度为m，数据量为n的t分布。 7.weibuer：a=1时,是指数分
SVDTLS
- 用Matlab仿真实现最小二乘法和总体最小二乘法估计 假设仿真的观测数据 产生，其中 为0均值， 单位方差的高斯白噪声，取n=1,2,....128。 试用TLS，取AR阶数为4，估计AR参数 和正弦波频率；再用SVD-TLS ，估计AR参数 和正弦波频率。 (1)、在仿真中，AR阶数取为4和6。 (2)、执行SVD-TCS时，AR未知。仿真运行至少二十次。 -Simulation using Matlab and the overall least squares leas
Neighbor-classification
- 近邻分类，属于模式识别类的。对两类数据分别产生高斯分布数据，用KNN算法看这个数属于哪个类的，并求测试数据和类中每个数据的欧氏距离-Neighbor classification, pattern recognition belongs to the class. Two types of data were generated Gaussian distribution data, to see with this number belongs KNN algorithm class and
KNN
- 这是自己编的用KNN方法对产生的高斯数据进行分类的MATLAB程序，里面有高斯训练及测试数据的产生，还有分类，程序里有注释-This is their series with the KNN method to classify the Gaussian data generated MATLAB program, which has produced a Gaussian training and test data, as well as classification, program an
GMMs
- function对数据EM算法进行fit，并对产生的高斯混合模型的最大似然估计进行绘图。输出结构体obj，带有高斯混合模型的参数mu，sigma。(Function carries out fit for data EM algorithm, and draws the maximum likelihood estimation of the Gauss mixture model. The output structure is obj, with the parameter mu and s
Kdistribution
- 基于球不变随机过程法，使用复合高斯模型来产生K分布杂波数据的matlab仿真程序 (为了不低于上传文件的大小要求传了两份一样的，编程就几句话实在弄不大）(A matalab simulation program for producing K distribution clutter data, which used compound Gauss model, and is based on spherically invariant random vector method)