【图像传输】 QPSK调制解调数字带通图像传输（含误码率）【含Matlab源码 3602期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、QPSK调制解调数字带通图像传输

软件无线电在无线通信领域被称为是自模拟通信过渡到数字通信之后的又一次革命，在军用和民用方面都有着广阔的应用。它是一种新的无线通信技术，基于通用的可编程的硬件平台，把尽可能多的通信功能用软件实现，从而使系统的改进和升级都非常方便，容易实现不同通信系统之间的兼容。调制与解调是整个数字通信系统基带处理的基本组成部分，也基本上构建了数字通信系统的总体性能框架。其中，QPSK调制与解调是一种性能较好，易于实现且已广泛应用于实践的调制解调方式。

正交相移键控(Quadrature Phase Shift Keying，QPSK)是一种数字调制方式。它分为绝对相移和相对相移两种。由于绝对相移方式存在相位模糊问题，所以在实际中主要采用相对移相方式DQPSK。目前已经广泛应用于无线通信中，成为现代通信中一种十分重要的调制解调方式。

正交相移键控（Quadrature Phase Shift Keying，QPSK）是一种数字调制方式。它分为绝对相移和相对相移两种。由于绝对相移方式存在相位模糊问题，所以在实际中主要采用相对移相方式DQPSK。QPSK是一种四进制相位调制，具有良好的抗噪特性和频带利用率，广泛应用 于卫星链路、数字集群等通信业务。本课题通过使用QPSK建立如下的图像传输流程：

采用QPSK 调制方式，同时保证了信号传输的效率和误码性能。

一般的QPSK的实施，也表明高阶PSK的实施。在星座图中的正弦和余弦波用来传输方面的书面符号：

这就产生了四个阶段π/ 4，3π/ 4，5π/ 4和7π/ 4需要。

这个结果与单位的基础上功能在一个两维的信号空间被用作信号的同相分量和正交分量信号的第二首的基础功能。

而扩频通信，其特点是传输信息所用的带宽远大于信息本身带宽。在这种信息传输方式中，发送端以扩频编码（一般是伪随机码）进行扩频调制。在接收端则用同样的码进行相关同步接收、解扩及恢复所传信息数据。

⛄二、部分源代码

clear
N1=2400;
[BIT,data,data2,a1,a2,a3] =PICTURE_EXCHANGE(‘my_picture3.jpg’,‘603_1063_3.txt’);%读取高清图片
figure(1);
imshow(uint8(data2));
title(‘发送的图片’);
L1=length(BIT);
fs=8000;
alpha=0.2;
RB=2400;
Tb=1/RB;
fc=1800;
Rb=2RB;
M=4;
SNR=10;
ERROR_COUNT=0;
Redundancy=8;
PE_COUNT=0;
SNR_OLD=0;
SNR_NEW=0;
SNR_NEW_OUT=0;
My_Redundancy=[0 0 0 0];
[BIT,N] = ADD_ZERO(BIT,Rb-Redundancy);
RECEIVER_1= zeros(1,length(BIT));
h2=my_fitter(RB,fs,fc,Tb,alpha,‘RECEIVE_COS’);
draw_filter(h2,fs,3,2,8,‘COS的带通滤波器’);
h3=my_fitter(RB,fs,fc,Tb,alpha,‘RECEIVE_SIN’);
draw_filter(h3,fs,3,3,8,‘SIN的带通滤波器’);
h1=my_bpcosfir(fs,0,Rb2,N1,alpha,‘COS’);
h4=match_filter(2401,Tb,0.2);
draw_filter(h4,fs,3,1,8,‘发送滤波器’);

LPF_FLAG=‘Enable_FIR’;
BPF_FLAG=‘Enable_FIR’;

% 分帧处理，一次发送2400个码元，即处理4800个bit
for i=1:1:length(BIT)/(Rb-Redundancy)
i
% 接收缓冲区
Temp_1=BIT((Rb-Redundancy)*(i-1)+1:(Rb-Redundancy)*i);
%加冗余
Temp=[My_Redundancy’; Temp_1 ;My_Redundancy’];
% GENERATED_QPSK为发射机发送的QPSK信号，h1为发送滤波器响应,LPF_FLAG为是否使用发送滤波器
[GENERATED_QPSK,u4_send]=GENERATE_QPSK(Temp,fc,fs,h1,LPF_FLAG);
% 画频谱图
draw_fft(9,‘加噪前’,3,1,GENERATED_QPSK,fs);
% 加噪声，SNR为信噪比，GENERATED_QPSK为加噪后的信号
% GENERATED_QPSK_NOISE=awgn(GENERATED_QPSK,SNR,‘measured’);
GENERATED_QPSK_NOISE=GENERATED_QPSK;
% [GENERATED_QPSK,NOISE] = add_noise(GENERATED_QPSK,SNR);
SNR_OLD=SNR_singlech(GENERATED_QPSK,GENERATED_QPSK_NOISE);
% 画频谱图
draw_fft(9,‘加噪后’,3,2,GENERATED_QPSK_NOISE,fs);
% 载波同步
% x_sync = sync_two_signals( x_resampled,x_training_wave,idx )
% 相干解调，h2与h3为两个带通滤波器，BPF_FLAG为是否使用接收带通滤波器
[Demodulated_QPSK,COS_SIN] = Demodulation_QPSK(GENERATED_QPSK_NOISE,fc,fs,h2,h3,BPF_FLAG);
% draw_fft(9,‘带通后’,3,3,COS_SIN,fs);
SNR_NEW=SNR_singlech(GENERATED_QPSK(12000:36000),real(COS_SIN(12000:36000)));

SNR_NEW_OUT=(SNR_NEW+SNR_NEW_OUT);
% 计算误码率并赋值
for k=1:1:Rb-Redundancy
if( Demodulated_QPSK(k)~= Temp_1(k))
ERROR_COUNT=ERROR_COUNT+1;
end
if(mod(k,2)==1)
if(Demodulated_QPSK(k)~= Temp_1(k)||Demodulated_QPSK(k+1)~= Temp_1(k+1))
PE_COUNT=PE_COUNT+1;
end

end
    
    RECEIVER_1((Rb-Redundancy)*(i-1)+k)=Demodulated_QPSK(k);

end
end
SNR_NEW_OUT=SNR_NEW_OUT/(length(BIT)/(Rb-Redundancy));
%将二进制数据变为图片
Picture_Show(RECEIVER_1,L1,a1,a2,a3);
FIR_FLAG(LPF_FLAG,BPF_FLAG);
% fprintf(1,‘当前带通滤波前信噪比为：%dDB\n’,SNR);
% fprintf(1,‘滤波后信噪比为：%fDB\n’,SNR_NEW_OUT);
fprintf(1,‘输出信号的误码率为：%d\n’,PE_COUNT/L1)
fprintf(1,‘理论误码率为：%d\n’,1-(1-0.5*erfc(sqrt((10^{(SNR_NEW_OUT/10))/2)))}2)

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李娜, 王磊, 赵宏伟. 基于改进的DWT-SVD的图像传输算法[J]. 计算机工程与应用, 2019, 55(22): 1-7

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
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（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 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 迷宫路径规划
4.4.3 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 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

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 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置