正交频分复用(OFDM)是第四代移动通信的核心技术。
该文首先简要介绍了OFDM的发展状况及基本原理,文章对OFDM系统调制与解调技术进行了解析，得到了OFDM符号的一般表达式，给出了OFDM系统参数设计公式和加窗技术的原理及基于IFFT/FFT实现的OFDM系统模型，阐述了运用IDFT和DFT实现OFDM系统的根源所在,重点研究了理想同步情况下,保护时隙(CP)、加循环前缀前后和不同的信道内插方法在高斯信道和多径瑞利衰落信道下对OFDM系统性能的影响。
在给出OFDM系统模型的基础上,用MATLAB语言实现了传输系统中的计算机仿真并给出参考设计程序。
最后给出在不同的信道条件下,研究保护时隙、循环前缀、信道采用LS估计方法对OFDM系统误码率影响的比较曲线,得出了较理想的结论。
该文首先简要介绍了OFDM的发展状况及基本原理,文章对OFDM系统调制与解调技术进行了解析，得到了OFDM符号的一般表达式，给出了OFDM系统参数设计公式和加窗技术的原理及基于IFFT/FFT实现的OFDM系统模型，阐述了运用IDFT和DFT实现OFDM系统的根源所在,重点研究了理想同步情况下,保护时隙(CP)、加循环前缀前后和不同的信道内插方法在高斯信道和多径瑞利衰落信道下对OFDM系统性能的影响。
在给出OFDM系统模型的基础上,用MATLAB语言实现了传输系统中的计算机仿真并给出参考设计程序。
最后给出在不同的信道条件下,研究保护时隙、循环前缀、信道采用LS估计方法对OFDM系统误码率影响的比较曲线,得出了较理想的结论。
2024/11/1 7:43:08
1.7MB
1
在合理布局井下无线网络基站的基础上,提出了一种基于多载波时频迭代的最大似然TOA(TimeofArrival)估计算法,通过将小数延时不断迭代来缩小估计误差,确定合适搜索步长,实现对信号的精确TOA估计。
仿真结果表明:时频迭代的最大似然TOA估计算法具有更快的收敛速度;在信噪比较小时,采用时频迭代的最大似然TOA估计算法比经典TOA估计算法有效地提高了估计精度。
仿真结果表明:时频迭代的最大似然TOA估计算法具有更快的收敛速度;在信噪比较小时,采用时频迭代的最大似然TOA估计算法比经典TOA估计算法有效地提高了估计精度。
2024/10/22 16:22:25
668KB
1
包含经典谱估计的多种方法：直接法（周期图法），间接法（自相关法），直接法的改进方法（Bartlett法，Welch法）
2024/10/20 2:17:02
1KB
1
信号检测与估计理论].赵树杰,赵建勋课后答案,信号检测与估计理论].赵树杰,赵建勋课后答案信号检测与估计理论].赵树杰,赵建勋课后答案,信号检测与估计理论].赵树杰,赵建勋课后答案
2024/10/19 0:21:15
15.96MB
1
利用行为识别中的视频分析技术提高姿态估计的准确率，再利用从视频中提取的姿态序列从不同角度描述人体行为，提高行为识别效果
2024/10/14 22:51:37
6.7MB
1
HypeLCNN概述该存储库包含论文“具有用于高光谱和激光雷达传感器数据的光谱和空间特征融合层的深度学习分类框架”的论文源代码（正在审查中）使用Tensorflow1.x开发（在1.10至1.15版上测试）。
该存储库包括一套完整的套件，用于基于神经网络的高光谱和激光雷达分类。
主要特点：支持超参数估计基于插件的神经网络实现（通过NNModel接口）基于插件的数据集集成（通过DataLoader接口）培训的数据有效实现（基于内存的有效/基于内存/记录的）能够在经典机器学习方法中使用数据集集成神经网络的培训，分类和指标集成胶囊网络和神经网络的示例实现基于CPU/GPU/TPU（进行中）的培训基于GAN的数据增强器集成交叉折叠验证支持源代码可用于在训练大数据集中应用张量流，集成指标，合并两个不同的神经网络以进行数据增强的最佳实践注意：数据集文件太
该存储库包括一套完整的套件，用于基于神经网络的高光谱和激光雷达分类。
主要特点：支持超参数估计基于插件的神经网络实现（通过NNModel接口）基于插件的数据集集成（通过DataLoader接口）培训的数据有效实现（基于内存的有效/基于内存/记录的）能够在经典机器学习方法中使用数据集集成神经网络的培训，分类和指标集成胶囊网络和神经网络的示例实现基于CPU/GPU/TPU（进行中）的培训基于GAN的数据增强器集成交叉折叠验证支持源代码可用于在训练大数据集中应用张量流，集成指标，合并两个不同的神经网络以进行数据增强的最佳实践注意：数据集文件太
2024/10/9 21:46:46
128KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB