![](https://img-blog.csdnimg.cn/eee77d0969e84f0094227e3f3a2fb3c3.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
MATLAB算法开发
文章平均质量分 80
MATLAB算法开发
简简单单做算法
从事人工智能,机器学习,机器视觉,图像处理,信号通信等工作,熟悉MATLAB/verilog/python/opencv/tensorflow/caffe/C/C++等编程语言
展开
-
基于LK光流提取算法的图像序列晃动程度计算matlab仿真
光流是指在连续图像序列中像素的视差运动。假设场景中的物体是刚体且光照不变,那么相邻两帧之间对应点的灰度值相同。这种假设称为光流约束。对于单个像素点,上述方程是欠定的。因此,Lucas 和 Kanade 提出了最小化误差的方法来估计光流矢量,即最小化所有像素点的误差平方和。原创 2024-07-31 03:21:13 · 317 阅读 · 0 评论 -
基于NSCT非采样轮廓波变换和CNN网络人脸识别matlab仿真
基于非采样轮廓波变换(Nonsubsampled Contourlet Transform, NSCT)和卷积神经网络(Convolutional Neural Network, CNN)的人脸识别系统是一种结合了传统信号处理方法和深度学习技术的先进方法。这种方法通过NSCT提取图像的多尺度、多方向特征,并利用CNN的强大特征学习能力和分类能力来实现高效的人脸识别。NSCT是一种多尺度、多方向的图像分解方法,它结合了多分辨率分析和方向滤波器组的优点,可以有效地捕获图像中的纹理和边缘信息。多尺度分析。原创 2024-07-25 01:25:51 · 468 阅读 · 0 评论 -
基于深度学习网络的USB摄像头实时视频采集与水果识别matlab仿真
GoogleNet(也称为Inception-v1)是一种深度卷积神经网络(CNN),它通过使用Inception模块来减少参数量,同时保持网络的深度和宽度。Inception模块的设计旨在捕捉不同尺度的特征,并通过并行的卷积层和池化层来实现这一点。USB摄像头采集图像的过程可以通过读取摄像头帧并将其转换为可用于深度学习网络的格式来实现。假设摄像头采集的图像为I.原创 2024-07-25 01:13:51 · 333 阅读 · 0 评论 -
基于PSO粒子群优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
基于粒子群优化(Particle Swarm Optimization, PSO)的GroupCNN分组卷积网络时间序列预测算法是一种结合了粒子群优化技术和分组卷积神经网络(GroupCNN)的时间序列预测方法。这种方法利用粒子群优化来寻找最优的网络结构和超参数,以提高时间序列预测的准确性和效率。原创 2024-07-25 00:58:39 · 441 阅读 · 0 评论 -
基于GWO灰狼优化的CNN-LSTM的时间序列回归预测matlab仿真
时间序列回归预测是数据分析的重要领域,旨在根据历史数据预测未来时刻的数值。近年来,深度学习模型如卷积神经网络(Convolutional Neural Network, CNN)、lstm在时间序列预测中展现出显著优势。然而,模型参数的有效设置对预测性能至关重要。灰狼优化(GWO)作为一种高效的全局优化算法,被引入用于优化深度学习模型的超参数。4.1卷积神经网络(CNN)在时间序列中的应用在时间序列数据中,CNN用于提取局部特征和模式。原创 2024-07-20 02:58:29 · 1049 阅读 · 0 评论 -
基于A律压缩的PCM脉冲编码调制通信系统simulink建模与仿真
脉冲编码调制(Pulse Code Modulation, PCM)是一种将模拟信号转换为数字信号的通信技术,广泛应用于电话通信、音频存储和传输等领域。A律压缩是PCM系统中常见的一种非均匀量化方法,特别适用于语音信号的编码,因其能有效利用人耳对声音感知的非线性特性,提高信号的信噪比(SNR)和编码效率。原创 2024-07-20 02:51:37 · 547 阅读 · 0 评论 -
基于视觉工具箱和背景差法的行人检测,行走轨迹跟踪,人员行走习惯统计matlab仿真
基于视觉工具箱和背景差法的行人检测、行走轨迹跟踪以及人员行走习惯统计是视频监控和智能分析领域的重要应用。背景差法是一种经典的运动目标检测技术,其核心思想是通过比较当前帧与背景模型的差异来识别运动物体。具体步骤如下:首先,需要构建背景模型。这通常通过帧平均、高斯混合模型(Gaussian Mixture Model, GMM)等方法实现。原创 2024-07-16 22:54:48 · 403 阅读 · 0 评论 -
基于WOA优化的CNN-LSTM的时间序列回归预测matlab仿真
时间序列回归预测是数据分析的重要领域,旨在根据历史数据预测未来时刻的数值。近年来,深度学习模型如卷积神经网络(Convolutional Neural Network, CNN)、lstm在时间序列预测中展现出显著优势。然而,模型参数的有效设置对预测性能至关重要。鲸鱼优化(WOA)作为一种高效的全局优化算法,被引入用于优化深度学习模型的超参数。4.1卷积神经网络(CNN)在时间序列中的应用在时间序列数据中,CNN用于提取局部特征和模式。原创 2024-07-16 21:56:24 · 731 阅读 · 0 评论 -
基于粒子滤波和帧差法的目标跟踪matlab仿真
粒子滤波与帧差法结合的目标跟踪技术是一种既利用了运动估计的直观性,又融合了概率统计框架灵活性的现代视觉跟踪策略。这种方法在处理复杂背景、遮挡、光照变化等挑战性场景时表现出较好的鲁棒性和准确性。原创 2024-07-12 21:59:57 · 457 阅读 · 0 评论 -
基于pi控制的数字锁相环simulink建模与仿真
数字锁相环(DPLL, Digital Phase Locked Loop)是一种重要的电路系统,广泛应用于通信、信号处理、频率合成等领域,用于实现频率和相位的自动跟踪与锁定。基于PI控制器的数字锁相环是在传统的模拟锁相环基础上,利用数字信号处理技术实现的,它结合了比例积分控制器(Proportional-Integral Controller, PI)的特性,以提高系统的稳定性、精确度和灵活性。原创 2024-07-08 04:48:58 · 431 阅读 · 0 评论 -
基于GWO灰狼优化的CNN-GRU的时间序列回归预测matlab仿真
时间序列回归预测是数据分析的重要领域,旨在根据历史数据预测未来时刻的数值。近年来,深度学习模型如卷积神经网络(Convolutional Neural Network, CNN)、GRU在时间序列预测中展现出显著优势。然而,模型参数的有效设置对预测性能至关重要。灰狼优化(GWO)作为一种高效的全局优化算法,被引入用于优化深度学习模型的超参数。4.1卷积神经网络(CNN)在时间序列中的应用在时间序列数据中,CNN用于提取局部特征和模式。原创 2024-07-08 04:42:01 · 667 阅读 · 0 评论 -
基于WOA优化的CNN-GRU的时间序列回归预测matlab仿真
时间序列回归预测是数据分析的重要领域,旨在根据历史数据预测未来时刻的数值。近年来,深度学习模型如卷积神经网络(Convolutional Neural Network, CNN)、GRU在时间序列预测中展现出显著优势。然而,模型参数的有效设置对预测性能至关重要。鲸鱼优化(WOA)作为一种高效的全局优化算法,被引入用于优化深度学习模型的超参数。4.1卷积神经网络(CNN)在时间序列中的应用在时间序列数据中,CNN用于提取局部特征和模式。原创 2024-07-08 04:37:19 · 606 阅读 · 0 评论 -
基于深度学习网络的USB摄像头实时视频采集与火焰检测matlab仿真
深度学习是一种机器学习技术,它通过构建多层神经网络来模拟人脑的神经元之间的连接,实现对数据的学习和特征提取。卷积神经网络(CNN)是深度学习中的一种重要结构,特别适用于图像识别任务。它通过卷积层、池化层和全连接层来逐层提取和学习图像的特征。基于YOLOv2(You Only Look Once version 2)的火焰检测是一种利用深度学习技术进行目标检测的方法,专门针对火焰这一特定目标进行实时识别和定位。原创 2024-07-03 06:04:46 · 1016 阅读 · 1 评论 -
基于CNN卷积神经网络的MPSK调制识别matlab仿真
基于卷积神经网络(CNN)的MPSK(M-ary Phase Shift Keying)调制识别技术,是一种利用深度学习模型来自动学习和区分不同MPSK调制信号特征的方法。在本讨论中,我们将聚焦于识别三种基本的MPSK调制类型:二进制相移键控(BPSK)、四进制相移键控(QPSK)和八进制相移键控(8PSK)。CNN是一种特殊类型的神经网络,其设计灵感来源于生物视觉系统,特别擅长处理具有空间结构的数据,如图像和一维信号。其核心组成包括卷积层、池化层、全连接层和输出层。原创 2024-07-03 05:55:21 · 509 阅读 · 0 评论 -
基于1bitDAC的MU-MIMO的非线性预编码算法matlab性能仿真
在现代无线通信系统中,多用户多输入多输出(MU-MIMO, Multi-User Multiple-Input Multiple-Output)技术是提高频谱效率和数据传输速率的关键。然而,高精度的数字模拟转换器(DAC)在大规模MIMO系统中成本高昂,能耗巨大,因此基于1-bit DAC的预编码技术应运而生,它通过仅使用1-bit的量化来显著降低硬件复杂度和功耗。原创 2024-07-03 05:48:57 · 892 阅读 · 0 评论 -
基于CNN卷积神经网络的步态识别matlab仿真,数据库采用CASIA库
步态识别是一种生物特征识别技术,它通过个体走路的方式(如步长、步频、肢体摆动等)来辨认个人身份。基于卷积神经网络(Convolutional Neural Networks, CNN)的步态识别方法,利用深度学习的强大特征提取能力,可以从视频序列中自动学习步态的时空特征,进而实现高效的个体识别。4.1步态识别系统框架数据预处理:包括图像标准化、尺寸统一、背景消除等,以减少噪声和无关因素的干扰。特征提取:利用CNN自动提取步态的时空特征。模型构建:设计CNN架构,包括卷积层、池化层、全连接层及输出层等。原创 2024-06-28 23:55:00 · 349 阅读 · 0 评论 -
基于CNN卷积神经网络的MQAM调制识别matlab仿真
基于卷积神经网络(Convolutional Neural Networks, CNN)的MQAM(Multi-Level Quadrature Amplitude Modulation)调制识别,是一种利用深度学习技术自动识别无线通信中信号调制类型的方法。MQAM作为一种高效的数字调制技术,通过不同的幅度和相位组合来传输信息,广泛应用于现代通信系统中。而CNN由于其在图像识别和特征提取方面的卓越能力,被成功应用于调制识别任务,通过学习信号波形的特征来区分不同的调制模式。原创 2024-06-26 15:39:03 · 881 阅读 · 0 评论 -
基于PSO粒子群优化的CNN-GRU的时间序列回归预测matlab仿真
基于粒子群优化(Particle Swarm Optimization, PSO)的的CNN-GRU(卷积神经网络-门控循环单元)时间序列回归预测模型,是融合了遗传算法的优化能力和深度学习模型的表达力的一种高级预测框架。该模型通过结合CNN在特征提取上的优势和GRU在处理序列数据中的高效记忆机制,实现了对时间序列数据的深入理解和未来值的精确预测。同时,利用遗传算法对模型超参数进行优化,能够进一步提升模型的预测性能。原创 2024-06-22 01:23:41 · 768 阅读 · 0 评论 -
基于深度学习网络的USB摄像头实时视频采集与手势检测识别matlab仿真
深度学习是一种机器学习技术,它通过构建多层神经网络来模拟人脑的神经元之间的连接,实现对数据的学习和特征提取。卷积神经网络(CNN)是深度学习中的一种重要结构,特别适用于图像识别任务。它通过卷积层、池化层和全连接层来逐层提取和学习图像的特征。基于GoogLeNet深度学习网络的USB摄像头实时视频采集与手势检测识别是一个集成了图像处理、计算机视觉和深度学习技术的复杂系统。这个系统从视频流的实时采集到手势的识别,涵盖了多个技术环节。原创 2024-06-18 05:41:53 · 801 阅读 · 0 评论 -
基于鲸鱼优化的DSN弱栅栏覆盖算法matlab仿真
鲸鱼优化算法(Whale Optimization Algorithm, WOA)与分布式感知网络(Distributed Sensor Networks, DSN)中的弱栅栏覆盖算法结合,是一种新颖的优化策略,旨在解决如何高效部署有限数量的传感器节点以实现最大化的区域覆盖问题,尤其是在面对环境复杂度高、资源受限的场景下。鲸鱼优化算法灵感来源于座头鲸的捕食策略,主要包括“搜索觅食”、“包围圈缩紧”和“泡沫网”三个阶段。原创 2024-06-16 23:15:46 · 636 阅读 · 0 评论 -
基于负相关误差函数的4集成BP神经网络matlab建模与仿真
基于负相关误差函数(Negative Correlation Learning, NCL)的集成学习方法应用于BP(Backpropagation)神经网络,旨在通过训练多个相互独立且在预测上具有负相关的模型,提高整体模型的泛化能力和稳定性。这种方法结合了神经网络的强大表达能力和集成学习的思想,以提高预测精度和鲁棒性。集成学习是机器学习领域的一种重要策略,它通过组合多个弱学习器来构建一个强学习器。原创 2024-06-15 01:51:00 · 448 阅读 · 0 评论 -
基于PSO粒子群优化的CNN-LSTM的时间序列回归预测matlab仿真
基于粒子群优化(Particle Swarm Optimization, PSO)的卷积神经网络-长短期记忆网络(Convolutional Neural Network - Long Short-Term Memory, CNN-LSTM)模型在时间序列回归预测中,结合了深度学习的强大表达能力和优化算法的高效搜索能力,为复杂时间序列数据的预测提供了一种强有力的解决方案。原创 2024-06-14 00:39:34 · 435 阅读 · 0 评论 -
基于VLC可见光通信的室内光通信信道信噪比分析matlab仿真
可见光通信(Visible Light Communication, VLC)利用LED灯等光源作为传输媒介,通过调制其光强度来传送数据,实现无线通信。室内环境下,信噪比(Signal-to-Noise Ratio, SNR)是衡量信号质量的重要指标,直接影响着通信系统的可靠性和数据传输速率。2. VLC系统模型VLC系统一般包括发射端(LED)、传播介质(空气)、接收端(光探测器)三部分。原创 2024-06-12 02:07:33 · 481 阅读 · 0 评论 -
基于深度学习网络的USB摄像头实时视频采集与人脸检测matlab仿真
于YOLOv2(You Only Look Once, Version 2)深度学习网络的USB摄像头实时视频采集与人脸检测是一项结合计算机视觉与深度学习技术的复杂应用,旨在实时地从视频流中检测并定位人脸。这一过程大致分为几个关键步骤:图像采集、目标检测、以及后处理。首先,通过USB摄像头采集实时视频流。这一步通常涉及硬件接口编程,确保摄像头能够以合适的帧率(例如,20fps)稳定输出视频数据。在软件层面,可能使用MATLAB的视频采集库等工具来捕获视频帧。原创 2024-06-11 03:12:59 · 450 阅读 · 0 评论 -
基于googlenet深度学习网络的睁眼闭眼识别算法matlab仿真
基于GoogLeNet深度学习网络的睁眼闭眼识别算法是一种利用卷积神经网络(CNN)进行图像分类的任务,旨在识别图像中人物的眼睛状态,即判断眼睛是睁开还是闭合。GoogLeNet是由Christian Szegedy等人在2014年提出的,以其高效的深度和创新的Inception模块结构闻名,能在保持较高准确度的同时减少模型参数量,提高了计算效率。基于GoogLeNet的睁眼闭眼识别算法通过深度学习网络的层次化特征提取,实现了对图像中眼部状态的自动识别。原创 2024-06-05 23:16:54 · 295 阅读 · 0 评论 -
基于语音信号MFCC特征提取和GRNN神经网络的人员身份检测算法matlab仿真
基于语音信号的MFCC特征提取和GRNN(Gated Recurrent Neural Networks)神经网络的人员身份检测算法,是一种结合了传统信号处理技术和深度学习的先进方法,用于识别和验证说话人的身份。这种方法利用了语音信号的时序特性,通过Mel频率倒谱系数(Mel Frequency Cepstral Coefficients, MFCC)进行特征提取,随后利用GRNN网络的序列建模能力,学习和区分不同说话人的声音特征,从而实现高效的身份检测。原创 2024-06-02 02:02:18 · 815 阅读 · 0 评论 -
基于Chan-Vese算法的图像边缘提取matlab仿真
Chan-Vese主动轮廓模型,由Tony F. Chan和Luis A. Vese于2001年提出,是一种基于变分框架的图像分割和边缘提取方法,特别适合于具有平滑、均匀区域和清晰边界的图像分割。该方法通过最小化一个能量泛函来同时估计图像的前景和背景,并自动找到它们之间的边界,即图像的边缘。Chan-Vese算法通过结合数据拟合和正则化,能够在复杂的图像环境中找到清晰的分割边界,尤其适用于分割具有均匀区域的图像。该方法的灵活性和鲁棒性使其成为图像处理领域中边缘提取和分割的一个重要工具。原创 2024-06-02 01:57:12 · 359 阅读 · 0 评论 -
基于BP神经网络的64QAM解调算法matlab性能仿真
64QAM(Quadrature Amplitude Modulation,正交幅度调制)是一种高效的数字调制技术,它通过将6个比特映射到64个不同的复数符号上,以实现高数据传输速率。然而,在无线通信中,由于信道噪声和多径效应,接收到的信号往往会失真,因此需要解调器恢复原始的比特序列。基于BP(Backpropagation)神经网络的64QAM解调算法,是一种利用神经网络的非线性映射和学习能力,从失真的接收信号中恢复原始信号的技术。BP神经网络是一种多层前馈网络,通过反向传播算法进行学习和优化。原创 2024-05-29 05:09:09 · 558 阅读 · 0 评论 -
基于BP神经网络和小波变换特征提取的烟草香型分类算法matlab仿真,分为浓香型,清香型和中间香型
基于BP神经网络和小波变换特征提取的烟草香型分类算法matlab仿真,分为浓香型,清香型和中间香型原创 2024-05-29 05:05:57 · 490 阅读 · 0 评论 -
基于yolov2深度学习网络的昆虫检测算法matlab仿真,并输出昆虫数量和大小判决
基于YOLOv2(You Only Look Once version 2)深度学习网络的昆虫检测算法,是一种实时、高效的物体检测方法,特别适合于快速识别和定位图像中的昆虫,进而统计昆虫数量并估计其大小。YOLOv2相较于初代YOLO,在保持实时性的同时显著提升了检测精度,这得益于其在网络结构、损失函数以及训练策略上的改进。YOLOv2的核心在于其统一的检测网络设计,它将目标检测任务视为一个回归问题,直接从完整图像预测边界框(bbox)和类别概率。原创 2024-05-25 03:31:33 · 488 阅读 · 0 评论 -
基于GA遗传优化的CNN-GRU的时间序列回归预测matlab仿真
基于遗传算法(Genetic Algorithm, GA)优化的CNN-GRU(卷积神经网络-门控循环单元)时间序列回归预测模型,是融合了遗传算法的优化能力和深度学习模型的表达力的一种高级预测框架。该模型通过结合CNN在特征提取上的优势和GRU在处理序列数据中的高效记忆机制,实现了对时间序列数据的深入理解和未来值的精确预测。同时,利用遗传算法对模型超参数进行优化,能够进一步提升模型的预测性能。原创 2024-05-25 03:23:44 · 758 阅读 · 0 评论 -
基于GA遗传优化的CNN-LSTM的时间序列回归预测matlab仿真
基于遗传算法(Genetic Algorithm, GA)优化的CNN-LSTM(卷积神经网络-长短时记忆网络)时间序列回归预测模型,是一种结合了进化计算与深度学习的先进预测方法,旨在提高对时间序列数据未来值预测的准确性和稳定性。这种方法通过GA优化CNN-LSTM模型的超参数,以实现对时间序列数据更高效的特征提取和模式学习。原创 2024-05-25 03:19:32 · 570 阅读 · 0 评论 -
基于CNN+LSTM深度学习网络的时间序列预测matlab仿真,并对比CNN+GRU网络
时间序列预测是数据分析中的一个重要分支,它涉及到对未来事件的预测,基于历史数据中的模式和趋势。在深度学习领域,卷积神经网络(CNN)和循环神经网络(RNN)的组合,特别是结合长短时记忆单元(LSTM)或门控循环单元(GRU),已成为处理时间序列数据的强大工具。原创 2024-05-19 22:53:18 · 1143 阅读 · 0 评论 -
基于DCT变换和位平面分解的数字水印嵌入提取算法matlab仿真
基于离散余弦变换(Discrete Cosine Transform, DCT)和位平面分解(Bit-Plane Decomposition)的数字水印嵌入与提取算法,是一种结合了频域与空域特性的稳健数字水印技术。该方法利用DCT变换将图像信号转换到频域,以利于在视觉重要性较低的频率系数中嵌入水印信息;同时,通过位平面分解,可以精细地控制水印嵌入的强度和鲁棒性,保证水印在图像处理操作下的存活率。原创 2024-05-19 22:48:02 · 323 阅读 · 0 评论 -
基于BP神经网络的32QAM解调算法matlab性能仿真
32QAM(Quadrature Amplitude Modulation,四相幅度调制)是一种高效的数字调制技术,能够在一个信道内同时传输多比特信息。基于BP(Backpropagation)神经网络的32QAM解调算法,利用神经网络的强大非线性映射能力,直接从接收到的复数信号中估计出原始的调制符号,从而恢复数据。这种方法尤其适用于处理含有噪声、干扰和失真的复杂通信环境。BP神经网络是一种多层前馈网络,主要包括输入层、隐藏层和输出层。原创 2024-05-17 02:20:52 · 466 阅读 · 0 评论 -
基于yolov2深度学习网络的单人口罩佩戴检测和人脸定位算法matlab仿真
基于YOLOv2(You Only Look Once version 2)深度学习网络的单人口罩佩戴检测和人脸定位算法是一种结合了目标检测与特征识别的综合性解决方案,主要用于自动检测图像或视频中人物是否佩戴口罩以及定位人脸的位置。YOLOv2作为第二代YOLO算法,相较于初代在速度和精度上有了显著提升,它采用了一种称为“Darknet-19”的深度卷积神经网络架构,结合锚框(anchor boxes)的概念进行物体检测,并引入了批归一化、多尺度训练等技术来优化模型性能。原创 2024-05-15 04:08:15 · 260 阅读 · 0 评论 -
基于GWO灰狼优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
时间序列回归预测是数据分析的重要领域,旨在根据历史数据预测未来时刻的数值。近年来,深度学习模型如卷积神经网络(Convolutional Neural Network, CNN)、GRU以及注意力机制(Attention Mechanism)在时间序列预测中展现出显著优势。然而,模型参数的有效设置对预测性能至关重要。灰狼优化(GWO)作为一种高效的全局优化算法,被引入用于优化深度学习模型的超参数。4.1卷积神经网络(CNN)在时间序列中的应用在时间序列数据中,CNN用于提取局部特征和模式。原创 2024-05-15 04:03:39 · 1023 阅读 · 0 评论 -
基于BP神经网络的16QAM解调算法matlab性能仿真
16QAM(Quadrature Amplitude Modulation,正交幅度调制)是一种高效的数字调制技术,能够在相同的带宽内传输比传统调制方式更多的信息。解调是通信系统中从接收到的信号中恢复原始信息的关键步骤。基于BP(Back Propagation,反向传播)神经网络的16QAM解调算法,是利用人工神经网络强大的非线性映射和学习能力,直接从接收到的复数信号中估计出发送的16QAM符号,具有良好的抗噪性能和灵活性。BP神经网络是一种多层前馈网络,它包括输入层、隐藏层和输出层。原创 2024-05-09 04:08:53 · 501 阅读 · 0 评论 -
基于二维CS-SCHT变换和扩频方法的彩色图像水印嵌入和提取算法matlab仿真
水印嵌入原理将嵌入水印的图像再次进行二维CS-SCHT变换。提取变换后的低频系数,并按照嵌入时的规则去除宿主图像内容的影响,恢复出水印信息 Wm′。原创 2024-05-09 04:03:48 · 302 阅读 · 0 评论 -
基于BP神经网络的QPSK解调算法matlab性能仿真
QPSK(Quadrature Phase Shift Keying)是一种常见的数字调制方式,通过载波的四种相位状态来传输两比特信息。在接收端,准确解调出原始数据成为关键任务。传统的方法如相干解调虽有效但对同步要求较高,而基于BP(Back Propagation)神经网络的解调算法提供了一种自适应、非线性处理手段,尤其适用于复杂信道条件下的解调。QPSK信号在经过信道传输后,会受到噪声干扰、多径效应等影响,导致星座点偏移或失真,增加了传统解调方法的误码率。原创 2024-05-07 01:39:55 · 348 阅读 · 0 评论