瑞利衰落信道的simulink模型及其仿真源程序。
还有PSK的仿真模型及其误比特率分析，

书名：无线通信基础原书名：FundamentalsofWirelessCommunication原出版社：CambridgeUniversityPress分类：电子电气＞＞通信作者：DavidTse,PramodViswanath译者：李锵周进等译；
马晓莉审校出版日期：2007-06-30语种：简体中文开本：16开页数：440定价：59.00元人民币目录第1章绪论11.1本书目标11.2无线系统21.3本书结构4第2章无线信道72.1无线信道的物理建模72.1.1自由空间、固定发射天线与接收天线82.1.2自由空间、运动天线92.1.3反射墙、固定天线102.1.4反射墙、运动天线112.1.5地平面反射122.1.6由距离和阴影引起的功率衰减132.1.7运动天线、多个反射体142.2无线信道的输入/输出模型142.2.1无线信道的线性时变系统142.2.2基带等效模型162.2.3离散时间基带模型182.2.4加性白噪声212.3时间相干与频率相干222.3.1多普勒扩展与相干时间222.3.2时延扩展与相干带宽232.4统计信道模型252.4.1建模基本原理252.4.2瑞利衰落与莱斯衰落262.4.3抽头增益自相关函数272.5文献说明312.6习题31第3章点对点通信：检测、分集与信道不确定性363.1瑞利衰落信道中的检测363.1.1非相干检测363.1.2相干检测393.1.3从BPSK到QPSK：自由度研究413.1.4分集433.2时间分集443.2.1重复编码443.2.2超越重复编码473.3天线分集523.3.1接收分集533.3.2发射分集：空时码543.3.3MIMO：一个2×2实例563.4频率分集613.4.1基本概念613.4.2具有ISI均衡的单载波623.4.3直接序列扩频673.4.4正交频分多路复用703.5信道不确定性的影响753.5.1直接序列扩频的非相干检测763.5.2信道估计773.5.3其他分集方案793.6文献说明813.7习题81第4章蜂窝系统：多址接入与干扰管理884.1概述884.2窄带蜂窝系统904.2.1窄带分配：GSM系统914.2.2对网络和系统设计的影响924.2.3对频率复用的影响934.3宽带系统：CDMA944.3.1CDMA上行链路954.3.2CDMA下行链路1054.3.3系统问题1064.4宽带系统：OFDM1074.4.1分配设计原理1084.4.2跳频模式1094.4.3信号特征与接收机设计1104.4.4扇区化1114.5文献说明1124.6习题113第5章无线信道的容量1215.1AWGN信道容量1215.1.1重复编码1225.1.2填充球体1225.2AWGN信道的资源1255.2.1连续时间AWGN信道1255.2.2功率与带宽1265.3线性时不变高斯信道1305.3.1单输入多输出（SIMO）信道1305.3.2多输入单输出（MISO）信道1315.3.3频率选择性信道1315.4衰落信道的容量1365.4.1慢衰落信道1365.4.2接收分集1385.4.3发射分集1405.4.4时间分集与频率分集1435.4.5快衰落信道1465.4.6发射端信息1495.4.7频率选择性衰落信道1565.4.8总结：观点的转变1565.5文献说明1585.6习题159第6章多用户容量与机会通信1676.1上行链路AWGN信道1686.1.1逐行干扰消除获得的容量1686.1.2与传统CDMA的比较1706.1.3与正交多址接入的比较1716.1.4一般K用户上行链路容量1726.2下行链路AWGN信道1736.2.1对称情况：获取容量的两种方案1746.2.2一般情况：叠加编码获取容量1766.3上行链路衰落信道1796.3.1慢衰落信道1796.3.2快衰落信道1806.3.3完整的信道辅助信息1826.4下行链路衰落信道18

用matlab实现在瑞利信道条件下协作中继放大转发。

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。

本资源有一个matlab程序段，是仿真BPSK分别在高斯噪声和瑞利衰落下的误码率，产生图形对仿真值和理论值进行比较

信道的matlab仿真，主要是瑞利信道的仿真，提供了详细的说明

在遥感图像的众多分割方法中，高斯混合模型(GMM)是一种常用的图像建模方法。
提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。
介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。
比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。
采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。
在实验中采用了3幅遥感图像，实验过程中比较了各个图像运用高斯混合模型和高斯-瑞利混合模型的分割和拟合结果，分别通过数据和分割结果体现了该分割方法的效果。

固定放大转发协议的MATLAB实现。
协作通信，单中继，瑞利信道，使用2PSK编码，固定放大转发协议，MATLAB仿真。

MIMO信道发射端已知、未知CSI的比较容量利用注水原理瑞利衰落

现在我们回到LDA的原理上，我们在第一节说讲到了LDA希望投影后希望同一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大，但是这只是一个感官的度量。
现在我们首先从比较简单的二类LDA入手，严谨的分析LDA的原理。
　　　　假设我们的数据集D={(x1,y1),(x2,y2),...,((xm,ym))}D={(x1,y1),(x2,y2),...,((xm,ym))},其中任意样本xixi为n维向量，yi∈{0,1}yi∈{0,1}。
我们定义Nj(j=0,1)Nj(j=0,1)为第j类样本的个数，Xj(j=0,1)Xj(j=0,1)为第j类样本的集合，而μj(j=0,1)μj(j=0,1)为第j类样本的均值向量，定义Σj(j=0,1)Σj(j=0,1)为第j类样本的协方差矩阵（严格说是缺少分母部分的协方差矩阵）。
　　　　μjμj的表达式为：μj=1Nj∑x∈Xjx(j=0,1)μj=1Nj∑x∈Xjx(j=0,1)　　　　ΣjΣj的表达式为：Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)　　　　由于是两类数据，因此我们只需要将数据投影到一条直线上即可。
假设我们的投影直线是向量ww,则对任意一个样本本xixi,它在直线ww的投影为wTxiwTxi,对于我们的两个类别的中心点μ0,μ1μ0,μ1,在在直线ww的投影为wTμ0wTμ0和wTμ1wTμ1。
由于LDA需要让不同类别的数据的类别中心之间的距离尽可能的大，也就是我们要最大化||wTμ0−wTμ1||22||wTμ0−wTμ1||22,同时我们希望同一种类别数据的投影点尽可能的接近，也就是要同类样本投影点的协方差wTΣ0wwTΣ0w和wTΣ1wwTΣ1w尽可能的小，即最小化wTΣ0w+wTΣ1wwTΣ0w+wTΣ1w。
综上所述，我们的优化目标为：argmaxwJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)wargmax⏟wJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)w　　　　我们一般定义类内散度矩阵SwSw为：Sw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)TSw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)T　　　　同时定义类间散度矩阵SbSb为：Sb=(μ0−μ1)(μ0−μ1)TSb=(μ0−μ1)(μ0−μ1)T　　　　这样我们的优化目标重写为：argmaxwJ(w)=wTSbwwTSwwargmax⏟wJ(w)=wTSbwwTSww　　　　仔细一看上式，这不就是我们的广义瑞利商嘛！这就简单了，利用我们第二节讲到的广义瑞利商的性质，我们知道我们的J(w)J(w)最大值为矩阵S−12wSbS−12wSw−12SbSw−12的最大特征值，而对应的ww为S−12wSbS−12wSw−12SbSw−12的最大特征值对应的特征向量!而S−1wSbSw−1Sb的特征值和S−12wSbS−12wSw−12SbSw−12的特征值相同,S−1wSbSw−1Sb的特征向量w′w′和S−12wSbS−12wSw−12SbSw−12的特征向量ww满足w′=S−12www′=Sw−12w的关系!　　　　注意到对于二类的时候，SbwSbw的方向恒为μ0−μ1μ0−μ1,不妨令Sbw=λ(μ0−μ1)Sbw=λ(μ0−μ1)，将其带入：(S−1wSb)w=λw(Sw−1Sb)w=λw，可以得到w=S−1w(μ0−μ1)w=Sw−1(μ0−μ1)，也就是说我们只要求出原始二类样本的均值和方差就可以确定最佳的投影方向ww了。

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。