博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
基于MATLAB的二进制数字调制与解调信号的仿真——2PSK
阅读量:2135 次
发布时间:2019-04-30

本文共 2432 字,大约阅读时间需要 8 分钟。

        实现二进制数字调制与解调信号的仿真是我的MATLAB课程设计的一部分,我参考了网上的一些资料,并加入了一些自己的想法,代码已在本地MATLAB编译通过且能正常运行。

       2PSK——二进制相移键控

i=10;%基带信号码元数j=5000;t=linspace(0,5,j);%0-5之间产生5000个点行矢量,即将[0,5]分成5000份fc=5;%载波频率fm=i/5;%码元速率B=2*fm;%信号带宽%产生基带信号a=round(rand(1,i));%随机序列,基带信号%figure(3);stem(a);st1=t;for n=1:10    if a(n)<1        for m=j/i*(n-1)+1:j/i*n            st1(m)=0;        end    else        for m=j/i*(n-1)+1:j/i*n            st1(m)=1;        end    endendfigure(1);subplot(411);plot(t,st1);title('基带信号st1');axis([0,5,-1,2]);%基带信号求反%由于PSK中的是双极性信号,因此对上面所求单极性信号取反来与之一起构成双极性码st2=t;for k=1:j    if st1(k)>=1        st2(k)=0;    else        st2(k)=1;    endendsubplot(412);plot(t,st2);title('基带信号反码st2');axis([0,5,-1,2]);st3=st1-st2;subplot(413);plot(t,st3);title('双极性基带信号st3');axis([0,5,-2,2]);%载波信号s1=sin(2*pi*fc*t);subplot(414);plot(s1);title('载波信号s1');%调制e_psk=st3.*s1;figure(2);subplot(511);plot(t,e_psk);title('调制后波形e-2psk');%加噪noise=rand(1,j);psk=e_psk+noise;%加入噪声subplot(512);plot(t,psk);title('加噪后波形');%相干解调psk=psk.*s1;%与载波相乘subplot(513);plot(t,psk);title('与载波s1相乘后波形');[f,af] = T2F(t,psk);%傅里叶变换[t,psk] = lpf(f,af,B);%通过低通滤波器subplot(514);plot(t,psk);title('低通滤波后波形');%抽样判决for m=0:i-1    if psk(1,m*500+250)<0        for j=m*500+1:(m+1)*500            psk(1,j)=0;        end    else        for j=m*500+1:(m+1)*500            psk(1,j)=1;        end    endendsubplot(515);plot(t,psk);axis([0,5,-1,2]);title('抽样判决后波形');

用到的函数

①T2F.m

function [f,sf]= T2F(t,st)%利用FFT计算信号的频谱并与信号的真实频谱的抽样比较。%脚本文件T2F.m定义了函数T2F,计算信号的傅立叶变换。%Input is the time and the signal vectors,the length of time must greater%than 2%Output is the frequency and the signal spectrumdt = t(2)-t(1);T=t(end);df = 1/T;N = length(st);f=-N/2*df : df : N/2*df-df;sf = fft(st);sf = T/N*fftshift(sf);

②F2T.m

function [t,st]=F2T(f,sf)%脚本文件F2T.m定义了函数F2T,计算信号的反傅立叶变换。%This function calculate the time signal using ifft function for the inputdf = f(2)-f(1);Fmx = ( f(end)-f(1) +df);dt = 1/Fmx;N = length(sf);T = dt*N;%t=-T/2:dt:T/2-dt;t = 0:dt:T-dt;sff = fftshift(sf);st = Fmx*ifft(sff);

③lpf.m

function [t,st]=lpf(f,sf,B)%This function filter an input data using a lowpass filter%Inputs: f: frequency samples% sf: input data spectrum samples% B: lowpass bandwidth with a rectangle lowpass%Outputs: t: time samples% st: output data time samplesdf = f(2)-f(1);T = 1/df;hf = zeros(1,length(f));%全零矩阵bf = [-floor( B/df ): floor( B/df )] + floor( length(f)/2 );hf(bf)=1;yf=hf.*sf;[t,st]=F2T(f,yf);st = real(st);

 

转载地址:http://twfgf.baihongyu.com/

你可能感兴趣的文章
什么是 ROC AUC
查看>>
Bagging 简述
查看>>
详解 Stacking 的 python 实现
查看>>
简述极大似然估计
查看>>
用线性判别分析 LDA 降维
查看>>
用 Doc2Vec 得到文档/段落/句子的向量表达
查看>>
使聊天机器人具有个性
查看>>
使聊天机器人的对话更有营养
查看>>
一个 tflearn 情感分析小例子
查看>>
attention 机制入门
查看>>
手把手用 IntelliJ IDEA 和 SBT 创建 scala 项目
查看>>
双向 LSTM
查看>>
GAN 的 keras 实现
查看>>
AI 在 marketing 上的应用
查看>>
Logistic regression 为什么用 sigmoid ?
查看>>
Logistic Regression 为什么用极大似然函数
查看>>
SVM 的核函数选择和调参
查看>>
LightGBM 如何调参
查看>>
用 TensorFlow.js 在浏览器中训练神经网络
查看>>
cs230 深度学习 Lecture 2 编程作业: Logistic Regression with a Neural Network mindset
查看>>