欢迎来到海神之光博客之家✅博主简介热爱科研的Matlab仿真开发者修心和技术同步精进个人主页海神之光代码获取方式海神之光Matlab王者学习之路—代码获取方式Matlab毕设Matlab毕设系列–说明期刊发表发表北大核心SCI不是梦⛳️座右铭行百里者半于九十。更多Matlab信号处理仿真内容点击①Matlab信号处理 进阶版②付费专栏Matlab信号处理初级版⛳️关注CSDN海神之光更多资源等你来⛄一、采用多径Rician衰落无线信道模拟QPSK传输采用根抬余弦脉冲整形和SER与SNR分析项目CIE 478 高级无线通信实验 3功能QPSK 调制经过 Rician 多径衰落信道仿真对比纯 AWGN 信道仿真误符号率、AWGN 理论误符号率、莱斯衰落信道仿真误符号率绘制 SER‑SNR 曲线、RRC 根升余弦滤波器冲激响应、接收星座图。技术点QPSK 格雷调制、RRC 成型滤波、上采样、莱斯多径信道、匹配滤波接收、符号同步补偿、误符号率 SER 计算。rng(42)固定随机种子保证每次仿真结果可复现。逐段代码解析clear; clc; close all;rng(42);%% % QPSK Transmission over Rician Fading Channel% CIE 478 — Advanced Wireless Communications, Lab 3% % Parameters% numSymbols 1e6; % total symbolsM 4; % QPSK modulation orderbeta 0.5; % RRC roll-off factorspan 6; % RRC filter span in symbol periodssps 8; % samples per symbol (oversampling factor)snrVec_dB 0:9; % SNR range in dB (interpreted as Es/N0)clear;clc;close all清空工作区、命令窗口关闭全部图窗。rng(42)设置随机数种子仿真结果可重复。仿真参数numSymbols 1e6仿真总符号数符号数量越大 SER 统计越准确M4QPSK调制阶数 4beta0.5RRC 根升余弦滤波器滚降系数span6滤波器截断长度单位符号周期sps8每个符号 8 倍过采样snrVec_dB 0:9信噪比范围此处信噪比定义为(E_s/N_0)符号能量噪声比。%% % Symbol Generation QPSK Modulation% dataIn randi([0, M-1], numSymbols, 1);txSymbols pskmod(dataIn, M, pi/4, ‘gray’);randi随机生成 0~3 整数作为原始发送符号pskmodQPSK 调制相位偏移pi/4开启格雷编码 Gray减小符号错误带来的比特错误。输出复数调制符号。%% % Root‑Raised Cosine (RRC) Transmit Filter% rrcCoeffs rcosdesign(beta, span, sps, ‘sqrt’);filterDelay span * sps / 2; % group delay in samples% Pad with 2filterDelay zeros to flush both TX and RX filters.txUp [upsample(txSymbols, sps); zeros(2filterDelay, 1)];txFiltered filter(rrcCoeffs, 1, txUp);rcosdesign生成根升余弦 RRC 滤波器系数发送端 RRC 接收端 RRC合成为升余弦 RC 滤波器消除码间干扰 ISI。filterDelay滤波器群延迟单位采样点。upsample(txSymbols, sps)对符号做 8 倍上采样符号之间补 0。末尾补2*filterDelay零把发送滤波器、接收滤波器的暂态过程完整输出避免信号截断。filter用上采样信号经过 RRC 成型滤波得到发送基带波形。完整仿真工作流程文字流程图设置随机种子 → 配置系统仿真参数 → 计算 AWGN 下 QPSK 理论 SER → 生成随机数据QPSK 格雷调制 → RRC 上采样成型滤波 →循环每个Es/N01链路 1加 AWGN 噪声RRC 匹配滤波、时延补偿、下采样、解调统计 AWGN 仿真 SER2链路 2信号送入莱斯多径衰落信道再加 AWGN同样接收处理统计莱斯衰落 SER控制台输出各项 SER选取 6dB 信噪比采样星座点绘制三张图SER‑SNR 半对数曲线、RRC 滤波器冲激响应、AWGN / 莱斯信道接收星座对比图片保存到 images 文件夹仿真结束。⛄二、部分源代码和运行步骤1 部分代码clear; clc; close all;rng(42);%% % QPSK Transmission over Rician Fading Channel% CIE 478 — Advanced Wireless Communications, Lab 3% % Parameters% numSymbols 1e6; % total symbolsM 4; % QPSK modulation orderbeta 0.5; % RRC roll-off factorspan 6; % RRC filter span in symbol periodssps 8; % samples per symbol (oversampling factor)snrVec_dB 0:9; % SNR range in dB (interpreted as Es/N0)%% % Analytical SER for QPSK% For QPSK: SER erfc(sqrt(Eb/N0))% Since Es 2Eb → Eb/N0 Es/N0 / 2 SNR_linear / 2% SNR_linear 10.^(snrVec_dB / 10); % Es/N0 in linear scaleSER_analytical erfc(sqrt(SNR_linear / 2)); % Exactanalytical SER% (* ignores the small quadratic correction term (1/4)*erfc^2, which is% negligible at moderate-to-high SNR and negligible versus the fading floor)%% % Symbol Generation QPSK Modulation% dataIn randi([0, M-1], numSymbols, 1);txSymbols pskmod(dataIn, M, pi/4, ‘gray’);%% % Root-Raised Cosine (RRC) Transmit Filter% rrcCoeffs rcosdesign(beta, span, sps, ‘sqrt’);filterDelay span * sps / 2; % group delay in samples% Pad with 2filterDelay zeros to flush both TX and RX filters.txUp [upsample(txSymbols, sps); zeros(2filterDelay, 1)];txFiltered filter(rrcCoeffs, 1, txUp);%% % Rician Channel Object% Parameters as specified in Lab 3% ricianChan comm.RicianChannel( …‘SampleRate’, 1, … % normalized sample rate‘PathDelays’, [1, 2, 3], … % multipath delays (samples)‘AveragePathGains’, [0, -3, -9], … % path gains (dB)‘MaximumDopplerShift’, 1e-5, … % Doppler spread (Hz)‘KFactor’, 1); % Rician K-factor%% % SER vs SNR — with and without Rician channel% SER_noChannel zeros(1, numel(snrVec_dB));SER_withChannel zeros(1, numel(snrVec_dB));idx_start 2 * filterDelay 1; % compensate both TX and RX filter delaysfor k 1:numel(snrVec_dB)snr_dB snrVec_dB(k); % awgn(measured) measures average power per sample ≈ Es/sps. % To get Es/N0 snr_dB at the matched filter output we must % set the per-sample SNR snr_dB - 10*log10(sps). EsN0_dB snr_dB - 10*log10(sps); % ---- AWGN only (no fading channel) -------------------------------- rxNoisy awgn(txFiltered, EsN0_dB, measured); rxMF filter(rrcCoeffs, 1, rxNoisy); rxAligned rxMF(idx_start : idx_start numSymbols*sps - 1); rxDown rxAligned(1:sps:end); rxData pskdemod(rxDown(1:numSymbols), M, pi/4, gray); SER_noChannel(k) mean(rxData ~ dataIn); % ---- Through Rician fading channel AWGN ------------------------- reset(ricianChan); rxChan ricianChan(txFiltered); rxNoisy2 awgn(rxChan, EsN0_dB, measured); rxMF2 filter(rrcCoeffs, 1, rxNoisy2); rxAligned2 rxMF2(idx_start : min(end, idx_start numSymbols*sps - 1)); rxDown2 rxAligned2(1:sps:end); nSym min(numSymbols, length(rxDown2)); rxData2 pskdemod(rxDown2(1:nSym), M, pi/4, gray); SER_withChannel(k) mean(rxData2 ~ dataIn(1:nSym)); fprintf(SNR %2d dB | SER (analytical) %.4e | SER (no ch) %.4e | SER (Rician) %.4e\n, ... snr_dB, SER_analytical(k), SER_noChannel(k), SER_withChannel(k));end%% % Generate Constellation Points (at SNR 6 dB, 5000 symbols)% snr_vis 6;EsN0_vis snr_vis - 10log10(sps);nVis 5000;txVis txFiltered(1 : nVissps 2*filterDelay);% No channelrxNoisyVis awgn(txVis, EsN0_vis, ‘measured’);rxMFvis filter(rrcCoeffs, 1, rxNoisyVis);rxDownVis rxMFvis(2filterDelay1 : sps : 2filterDelay nVis*sps);rxDownVis rxDownVis(1:nVis);% With channelchanVis comm.RicianChannel( …‘SampleRate’, 1, …‘PathDelays’, [1, 2, 3], …‘AveragePathGains’, [0, -3, -9], …‘MaximumDopplerShift’, 1e-5, …‘KFactor’, 1);rxChanVis chanVis(txVis);rxNoisyVis2 awgn(rxChanVis, EsN0_vis, ‘measured’);rxMFvis2 filter(rrcCoeffs, 1, rxNoisyVis2);rxDownVis2 rxMFvis2(2filterDelay1 : sps : 2filterDelay nVis*sps);rxDownVis2 rxDownVis2(1 : min(nVis, length(rxDownVis2)));%% % Save Figures% mkdir(‘images’);% — 1. SER Curve (now includes analytical reference) ------------------figure(‘Color’,‘w’, ‘Position’, [100 100 820 500]);% Simulated AWGN-onlysemilogy(snrVec_dB, SER_noChannel, ‘b-o’, ‘LineWidth’, 2, ‘MarkerSize’, 7, …‘DisplayName’, ‘Simulated AWGN Only’);hold on;% Analytical reference (black dashed)semilogy(snrVec_dB, SER_analytical, ‘g–’, ‘LineWidth’, 2, …‘DisplayName’, ‘Analytical QPSK (AWGN)’);hold on;% Simulated Riciansemilogy(snrVec_dB, SER_withChannel, ‘r-s’, ‘LineWidth’, 2, ‘MarkerSize’, 7, …‘DisplayName’, ‘Simulated Rician Fading Channel’);grid on;xlabel(‘E_s/N_0 (dB)’, ‘FontSize’, 13);ylabel(‘Symbol Error Rate (SER)’, ‘FontSize’, 13);title(‘QPSK SER vs SNR — Analytical, AWGN Simulation, and Rician Fading’, …‘FontSize’, 14, ‘FontWeight’, ‘bold’);legend(‘Location’, ‘southwest’, ‘FontSize’, 12);ylim([1e-6 1]);xlim([0 9]);saveas(gcf, ‘images/ser_curve.png’);% — 2. RRC Filter Impulse Response ------------------------------------figure(‘Color’,‘w’, ‘Position’, [100 100 820 400]);t (-spansps/2 : spansps/2) / sps;plot(t, rrcCoeffs, ‘b-’, ‘LineWidth’, 1.8);grid on;xlabel(‘Time (symbol periods)’, ‘FontSize’, 13);ylabel(‘Amplitude’, ‘FontSize’, 13);title(sprintf(‘RRC Filter Impulse Response (\beta %.1f, span %dT, sps %d)’, …beta, span, sps), ‘FontSize’, 14, ‘FontWeight’, ‘bold’);saveas(gcf, ‘images/rrc_impulse_response.png’);% — 3. Constellation Comparison ----------------------------------------figure(‘Color’,‘w’, ‘Position’, [100 100 1100 460]);subplot(1,2,1);scatter(real(rxDownVis), imag(rxDownVis), 6, ‘b’, ‘filled’, ‘MarkerFaceAlpha’, 0.25);axis equal; grid on;xlabel(‘In-Phase’, ‘FontSize’, 12);ylabel(‘Quadrature’, ‘FontSize’, 12);title(sprintf(‘AWGN Only (SNR %d dB)’, snr_vis), ‘FontSize’, 13);xlim([-2.2 2.2]); ylim([-2.2 2.2]);subplot(1,2,2);scatter(real(rxDownVis2), imag(rxDownVis2), 6, ‘r’, ‘filled’, ‘MarkerFaceAlpha’, 0.25);axis equal; grid on;xlabel(‘In-Phase’, ‘FontSize’, 12);ylabel(‘Quadrature’, ‘FontSize’, 12);title(sprintf(‘Rician Fading Channel (SNR %d dB)’, snr_vis), ‘FontSize’, 13);xlim([-2.2 2.2]); ylim([-2.2 2.2]);sgtitle(‘QPSK Received Constellations’, ‘FontSize’, 14, ‘FontWeight’, ‘bold’);saveas(gcf, ‘images/constellation_comparison.png’);fprintf(‘\nSimulation complete. Figures saved to images/\n’);2 通用运行步骤1直接运行main.m即可一键出图⛄三、运行结果⛄四、matlab版本及参考文献1 matlab版本2019b2 参考文献[1]刘童,蔺炜,邓敬亚.无线能量传输整流天线技术研究进展[J].空间电子技术. 20243 备注简介此部分摘自互联网仅供参考若侵权联系删除⛄五、仿真咨询与程序定制1 各类智能优化算法改进及应用1.1 PID优化1.2 VMD优化1.3 配电网重构1.4 三维装箱1.5 微电网优化1.6 优化布局1.7 优化参数1.8 优化成本1.9 优化充电1.10 优化调度1.11 优化电价1.12 优化发车1.13 优化分配1.14 优化覆盖1.15 优化控制1.16 优化库存1.17 优化路由1.18 优化设计1.19 优化位置1.20 优化吸波1.21 优化选址1.22 优化运行1.23 优化指派1.24 优化组合1.25 车间调度1.26 生产调度1.27 经济调度1.28 装配线调度1.29 水库调度1.30 货位优化1.31 公交排班优化1.32 集装箱船配载优化1.33 水泵组合优化1.34 医疗资源分配优化1.35 可视域基站和无人机选址优化2 机器学习和深度学习分类与预测2.1 机器学习和深度学习分类2.1.1 BiLSTM双向长短时记忆神经网络分类2.1.2 BP神经网络分类2.1.3 CNN卷积神经网络分类2.1.4 DBN深度置信网络分类2.1.5 DELM深度学习极限学习机分类2.1.6 ELMAN递归神经网络分类2.1.7 ELM极限学习机分类2.1.8 GRNN广义回归神经网络分类2.1.9 GRU门控循环单元分类2.1.10 KELM混合核极限学习机分类2.1.11 KNN分类2.1.12 LSSVM最小二乘法支持向量机分类2.1.13 LSTM长短时记忆网络分类2.1.14 MLP全连接神经网络分类2.1.15 PNN概率神经网络分类2.1.16 RELM鲁棒极限学习机分类2.1.17 RF随机森林分类2.1.18 SCN随机配置网络模型分类2.1.19 SVM支持向量机分类2.1.20 XGBOOST分类2.2 机器学习和深度学习预测2.2.1 ANFIS自适应模糊神经网络预测2.2.2 ANN人工神经网络预测2.2.3 ARMA自回归滑动平均模型预测2.2.4 BF粒子滤波预测2.2.5 BiLSTM双向长短时记忆神经网络预测2.2.6 BLS宽度学习神经网络预测2.2.7 BP神经网络预测2.2.8 CNN卷积神经网络预测2.2.9 DBN深度置信网络预测2.2.10 DELM深度学习极限学习机预测2.2.11 DKELM回归预测2.2.12 ELMAN递归神经网络预测2.2.13 ELM极限学习机预测2.2.14 ESN回声状态网络预测2.2.15 FNN前馈神经网络预测2.2.16 GMDN预测2.2.17 GMM高斯混合模型预测2.2.18 GRNN广义回归神经网络预测2.2.19 GRU门控循环单元预测2.2.20 KELM混合核极限学习机预测2.2.21 LMS最小均方算法预测2.2.22 LSSVM最小二乘法支持向量机预测2.2.23 LSTM长短时记忆网络预测2.2.24 RBF径向基函数神经网络预测2.2.25 RELM鲁棒极限学习机预测2.2.26 RF随机森林预测2.2.27 RNN循环神经网络预测2.2.28 RVM相关向量机预测2.2.29 SVM支持向量机预测2.2.30 TCN时间卷积神经网络预测2.2.31 XGBoost回归预测2.2.32 模糊预测2.2.33 奇异谱分析方法SSA时间序列预测2.3 机器学习和深度学习实际应用预测CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测3 图像处理方面3.1 图像边缘检测3.2 图像处理3.3 图像分割3.4 图像分类3.5 图像跟踪3.6 图像加密解密3.7 图像检索3.8 图像配准3.9 图像拼接3.10 图像评价3.11 图像去噪3.12 图像融合3.13 图像识别3.13.1 表盘识别3.13.2 车道线识别3.13.3 车辆计数3.13.4 车辆识别3.13.5 车牌识别3.13.6 车位识别3.13.7 尺寸检测3.13.8 答题卡识别3.13.9 电器识别3.13.10 跌倒检测3.13.11 动物识别3.13.12 二维码识别3.13.13 发票识别3.13.14 服装识别3.13.15 汉字识别3.13.16 红绿灯识别3.13.17 虹膜识别3.13.18 火灾检测3.13.19 疾病分类3.13.20 交通标志识别3.13.21 卡号识别3.13.22 口罩识别3.13.23 裂缝识别3.13.24 目标跟踪3.13.25 疲劳检测3.13.26 旗帜识别3.13.27 青草识别3.13.28 人脸识别3.13.29 人民币识别3.13.30 身份证识别3.13.31 手势识别3.13.32 数字字母识别3.13.33 手掌识别3.13.34 树叶识别3.13.35 水果识别3.13.36 条形码识别3.13.37 温度检测3.13.38 瑕疵检测3.13.39 芯片检测3.13.40 行为识别3.13.41 验证码识别3.13.42 药材识别3.13.43 硬币识别3.13.44 邮政编码识别3.13.45 纸牌识别3.13.46 指纹识别3.14 图像修复3.15 图像压缩3.16 图像隐写3.17 图像增强3.18 图像重建4 路径规划方面4.1 旅行商问题TSP4.1.1 单旅行商问题TSP4.1.2 多旅行商问题MTSP4.2 车辆路径问题VRP4.2.1 车辆路径问题VRP4.2.2 带容量的车辆路径问题CVRP4.2.3 带容量时间窗距离车辆路径问题DCTWVRP4.2.4 带容量距离车辆路径问题DCVRP4.2.5 带距离的车辆路径问题DVRP4.2.6 带充电站时间窗车辆路径问题ETWVRP4.2.7 带多种容量的车辆路径问题MCVRP4.2.8 带距离的多车辆路径问题MDVRP4.2.9 同时取送货的车辆路径问题SDVRP4.2.10 带时间窗容量的车辆路径问题TWCVRP4.2.11 带时间窗的车辆路径问题TWVRP4.3 多式联运运输问题4.4 机器人路径规划4.4.1 避障路径规划4.4.2 机器人轨迹跟踪4.4.3 机器人编队4.4.4 机器人导航4.4.5 机器人定位4.4.6 机器人控制4.4.7 机器人路径规划4.4.8 机器人任务分配4.4.9 机器人搜索4.4.10 机器人运输4.4.11 迷宫路径规划4.4.12 水下机器人路径规划4.4.13 栅格地图路径规划4.5 配送路径规划4.5.1 冷链配送路径规划4.5.2 外卖配送路径规划4.5.3 口罩配送路径规划4.5.4 药品配送路径规划4.5.5 含充电站配送路径规划4.5.6 连锁超市配送路径规划4.5.7 车辆协同无人机配送路径规划4.6 无人机路径规划4.6.1 飞行器仿真4.6.2 无人机飞行作业4.6.3 无人机轨迹跟踪4.6.4 无人机集群仿真4.6.5 卡车无人机4.6.6 目标搜索4.6.7 三维路径规划4.6.8 无人机编队4.6.9 无人机导航4.6.10 无人机吊运4.6.11 无人机对抗4.6.12 无人机覆盖4.6.13 无人机检测4.6.14 无人机控制4.6.15 无人机求援4.6.16 无人机位姿估计4.6.17 无人机系统4.6.18 无人机侦查4.6.19 无人机联盟4.6.20 无人机协同任务4.6.21 异构无人机4.7 水下飞行器4.8 无人车路径规划4.9 无人艇路径规划4.10 物流选址4.11 车辆控制4.12 多智能体路径规划4.12.1 多智能体编队4.12.2 多智能体控制4.12.3 多智能体路径规划4.12.4 多智能体协同5 语音处理5.1 语音情感识别5.2 声源定位5.3 特征提取5.4 语音编码5.5 语音处理5.6 语音分离5.7 语音分析5.8 语音合成5.9 语音加密5.10 语音去噪5.11 语音识别5.12 语音压缩5.13 语音隐藏6 元胞自动机方面6.1 元胞自动机病毒仿真6.2 元胞自动机城市规划6.3 元胞自动机交通流6.4 元胞自动机气体6.5 元胞自动机人员疏散6.6 元胞自动机森林火灾6.7 元胞自动机生命游戏7 信号处理7.1 机械振动信号处理7.1.1 故障信号7.1.1.1 齿轮损伤识别7.1.1.2 异步电机转子断条故障诊断7.1.1.3 滚动体内外圈故障诊断分析7.1.1.4 电机故障诊断分析7.1.1.5 轴承故障诊断分析7.1.1.6 齿轮箱故障诊断分析7.1.1.7 三相逆变器故障诊断分析7.1.1.8 柴油机故障诊断7.1.2 管道泄漏7.1.3 振动信号7.2 生物医学信号处理7.2.1 肌电信号EMG7.2.2 脑电信号EEG7.2.3 乳腺癌诊断7.2.4 生物电信号7.2.5 心电信号ECG7.2.6 心血管7.2.7 心脏仿真7.2.8 血压7.3 声呐探测信号处理7.3.1 声呐7.3.2 水声通信7.4 通信工程信号处理7.4.1 超声波信号处理7.4.2 导航定位7.4.3 航天航空7.4.4 空间识别7.4.5 雷达通信7.4.5.1 FMCW仿真7.4.5.2 GPS抗干扰7.4.5.3 雷达LFM7.4.5.4 雷达MIMO7.4.5.5 雷达测角7.4.5.6 雷达成像7.4.5.7 雷达定位7.4.5.8 雷达回波7.4.5.9 雷达检测7.4.5.10 雷达数字信号处理7.4.5.11 雷达通信7.4.5.12 雷达相控阵7.4.5.13 雷达信号分析7.4.5.14 雷达预警7.4.5.15 雷达脉冲压缩7.4.5.16 天线方向图7.4.5.17 雷达杂波仿真7.4.6 模拟信号处理7.4.7 时差绘制7.4.8 数字信道处理7.4.9 数字信号处理7.4.10 无线通信7.4.11 姿态解算**7.4.12 资源分配 **7.5 自动测量信号处理**7.5.1 参数估计 ****7.5.2 电动汽车动力电池管理 ****7.5.3 高度预估 **8 物理应用8.1 物理学分支力学8.1.1 材料力学8.1.2 弹性力学8.1.3 动力学8.1.4 分析力学8.1.5 固体力学8.1.6 结构力学8.1.7 静力学8.1.8 空气动力学8.1.9 流体力学8.1.10 塑性力学8.1.11 运动学8.2 物理学其他分支8.2.1 表面物理学8.2.2 超声学8.2.3 次声学8.2.4 电磁学8.2.5 电动力学8.2.6 电学8.2.7 高压物理学8.2.8 金属物理学8.2.9 光学8.2.10 核物理学8.2.11 金属物理学8.2.12 量子力学8.2.13 热力学8.2.14 热学8.2.15 声学8.2.16 水声学8.3 物理应用8.3.1 地理学8.3.2 化学化工8.3.3 生物8.3.4 其他