程序中在基帶仿真了oqpsk的調(diào)制方式，并在高斯信道下仿真了其誤比特性能。
標(biāo)簽： oqpsk 程序 基帶仿真 調(diào)制方式
上傳時(shí)間： 2016-06-13
上傳用戶：lvzhr
基于labview平臺(tái)產(chǎn)生MQAM基帶信號(hào)，添加高斯白噪聲。
標(biāo)簽： labview MQAM 基帶信號(hào)
上傳時(shí)間： 2016-06-21
上傳用戶：aappkkee
用matlab對(duì)基帶數(shù)字系統(tǒng)進(jìn)行仿真。整個(gè)系統(tǒng)描述了信號(hào)的發(fā)送和調(diào)制過程。其中調(diào)制采用16QAM，并且采用基帶傳輸，不必調(diào)制到載頻上。系統(tǒng)總采用了高斯信道，在接受端采用解調(diào)并與發(fā)送型號(hào)進(jìn)行比較得到誤碼率。
標(biāo)簽： matlab QAM 調(diào)制 16
上傳時(shí)間： 2014-01-13
上傳用戶：ljmwh2000
全主元高斯約當(dāng)消去法 2.LU分解法 3.追趕法 4.五對(duì)角線性方程組解法 5.線性方程組解的迭代改善 6.范德蒙方程組解法 7.托伯利茲方程組解法 8.奇異值分解 9.線性方程組的共軛梯度法 10.對(duì)稱方程組的喬列斯基分解法 11.矩陣的QR分解 12.松弛迭代法
標(biāo)簽： 方程 線性 LU 高斯
上傳時(shí)間： 2014-11-22
上傳用戶：wff
自組織映射網(wǎng)路(SOM) ，一種以競(jìng)爭(zhēng)架構(gòu)為學(xué)習(xí)基礎(chǔ)的類神經(jīng)網(wǎng)路模式 SOM網(wǎng)路是模仿腦神經(jīng)細(xì)胞『物以類聚』的特性
標(biāo)簽： SOM 映射
上傳時(shí)間： 2017-01-07
上傳用戶：x4587
GMSK是高斯濾波的最小頻移鍵控的簡(jiǎn)稱，基本的工作原理是將基帶信號(hào)先經(jīng)過高斯濾波器成形，再進(jìn)行最小頻移鍵控(MSK)調(diào)制。由于成形后的高斯脈沖包絡(luò)無陡峭邊沿，亦無拐點(diǎn)，因此頻譜特性優(yōu)于MSK信號(hào)的頻譜特性。
標(biāo)簽： GMSK 高斯濾波 頻移鍵控
上傳時(shí)間： 2013-12-20
上傳用戶：c12228
采用低通性質(zhì)的平滑函數(shù)為高斯函數(shù)，根據(jù)他的一階導(dǎo)數(shù)、二階導(dǎo)數(shù)作為小波基函數(shù)進(jìn)行突變點(diǎn)分析。
標(biāo)簽： 函數(shù) 低通 高斯
上傳時(shí)間： 2017-02-26
上傳用戶：天誠(chéng)24
本文介紹了一般貝葉斯框架通過稀疏來解決回歸和經(jīng)典任務(wù)中利用線性模型中參數(shù)。雖然這框架完全概括說明了，我們對(duì)一個(gè)特定專業(yè)的做法，這個(gè)特定專業(yè)就是我們指的“相關(guān)向量機(jī)（ RVM ）” 一個(gè)模型以相同的函數(shù)模型功能流行和最先進(jìn)的“支持向量機(jī)”（ SVM） 。我們論證了利用概率貝葉斯學(xué)習(xí)的構(gòu)造，我們可以得出準(zhǔn)確的預(yù)測(cè)模式，這個(gè)模型相比SVM大幅減少了使用基底函數(shù)，同時(shí)提供了一些其他優(yōu)點(diǎn)。這些優(yōu)點(diǎn)包括在效益指標(biāo)的概率預(yù)測(cè)，自動(dòng)估算“nuisance”參數(shù)，并利用該設(shè)施任意基函數(shù)（如：非`Mercer 的內(nèi)核）
標(biāo)簽： 貝葉斯 稀疏 回歸 參數(shù)
上傳時(shí)間： 2014-01-02
上傳用戶：dancnc
艾克斯步進(jìn)馬達(dá)
標(biāo)簽： 步進(jìn)馬達(dá)
上傳時(shí)間： 2013-06-08
上傳用戶：eeworm
商斯達(dá)傳感器世界
標(biāo)簽： 商 傳感器
上傳時(shí)間： 2013-06-09
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
