数字信号处理实验全集：理论与实践的结合

本文还有配套的精品资源，点击获取

简介：数字信号处理是信息科技的关键学科，广泛应用于多个领域。本实验全集通过一系列精心设计的实验项目，帮助学习者加深对数字信号处理理论的理解，并培养解决实际问题的能力。实验内容涵盖从频域分析到滤波器设计，再到通信系统中的调制技术等。通过编程语言如MATLAB或Python实现复杂信号处理算法，学生将全面了解信号的产生、传输、接收和处理流程，加强实际工程实践经验。这些实验不仅验证理论知识，还鼓励设计性和创新性思考，有助于学生为未来在数字信号处理及通信领域的职业发展打下坚实基础。

1. 数字信号处理的应用领域

数字信号处理（DSP）是一种在通信、医疗、娱乐等诸多行业广泛应用的技术，它通过使用计算机或专用硬件实现对数字信号的分析和变换。在这一章节中，我们将概述DSP的主要应用领域，提供一个宏观的认识。

1.1 医疗成像技术

在医疗领域，DSP技术用于提高成像设备（如MRI和CT扫描仪）的图像质量和准确性。通过复杂的算法，如图像重建和增强，DSP有助于早期检测和疾病诊断。

1.2 通信系统

在通信领域，DSP技术用于改善数据传输速率和质量。例如，在数字调制和解调过程中，它能够有效地处理信号，以适应不同的信道条件和频谱资源。

1.3 音频和视频处理

DSP技术对音频和视频信号进行编码、解码和处理，使我们可以在各种数字设备上享受高质量的多媒体体验。压缩算法如MP3和H.264都是基于DSP的。

通过本章的内容，读者将对数字信号处理技术的重要应用有一个初步的了解，并为深入探讨理论和实验操作奠定基础。接下来的章节将详细介绍DSP的理论基础、工具选择和算法实现等关键内容。

2. 理论知识与实践操作的结合

2.1 基础理论概念回顾

2.1.1 信号与系统的定义

信号是信息的载体，它可以是时间或空间的函数，用于表示物理现象或数据流。在数字信号处理中，信号通常是离散的，表示为一系列数字值的集合。系统是处理输入信号并产生输出信号的实体。它可以是物理设备，也可以是数学模型或算法，目的是对信号进行特定的转换或处理。

2.1.2 信号的分类与特征

信号可以基于其特征被分类为模拟信号和数字信号。模拟信号是连续变化的，如音频或视频信号，而数字信号则由离散的值组成，适合于计算机处理。信号也可以根据其性质分为确定性信号和随机信号。确定性信号是可以预先定义的，比如正弦波；而随机信号则不能预先定义，如噪声。此外，信号还可以按照频率内容分类为低频信号、高频信号等。

2.2 实验操作的步骤与技巧

2.2.1 实验软件的选择与配置

实验软件的选择取决于实验的目标和需求。常用的数字信号处理软件包括MATLAB、Python（使用NumPy和SciPy库）、Octave等。选择合适的软件后，需要进行环境配置，比如安装必要的软件包、设置编译器和解释器路径等。

# 例如在Ubuntu系统中安装Python和SciPy库
sudo apt-get install python3 python3-pip
pip3 install numpy scipy

2.2.2 实验数据的采集与预处理

实验数据的采集可以通过硬件设备（如声卡、示波器等）进行，也可以使用软件生成。采集到的数据需要进行预处理，包括滤波去噪、归一化、窗函数处理等步骤，以保证数据的准确性和后续处理的效率。

import numpy as np
from scipy.signal import butter, lfilter

# 设计一个低通滤波器
def butter_lowpass(cutoff, fs, order=5):
    nyq = 0.5 * fs
    normal_cutoff = cutoff / nyq
    b, a = butter(order, normal_cutoff, btype='low', analog=False)
    return b, a

# 使用滤波器
def butter_lowpass_filter(data, cutoff, fs, order=5):
    b, a = butter_lowpass(cutoff, fs, order=order)
    y = lfilter(b, a, data)
    return y

# 应用滤波器到数据
filtered_data = butter_lowpass_filter(raw_data, 10, fs)

通过代码块，我们可以看到如何使用SciPy库设计并应用一个低通滤波器。这有助于去除噪声，为后续处理提供干净的信号。

3. 傅里叶变换与频域分析

傅里叶变换是数字信号处理中的核心理论之一，它允许我们将时域信号转换为频域信号，从而在频域中分析和处理信号。本章节将深入探讨傅里叶变换的基础理论，并指导如何在实验中进行频域分析。

3.1 傅里叶变换的理论基础

3.1.1 连续与离散傅里叶变换（DFT）

傅里叶变换允许我们分析一个信号由不同频率的正弦波组成的成分。对于连续时间信号，使用的是连续傅里叶变换（Continuous Fourier Transform，CFT），其表达式为：

F(\omega) = \int_{-\infty}^{\infty} f(t) e^{-j\omega t} dt

其中， F(ω) 表示频率域表示， f(t) 是时域中的信号， ω 是角频率， j 是虚数单位。

对于数字信号处理，我们通常使用的是离散傅里叶变换（Discrete Fourier Transform，DFT），其计算公式如下：

X(k) = \sum_{n=0}^{N-1} x(n) e^{-j \frac{2\pi}{N} kn}, \quad k = 0, 1, ..., N-1

其中， X(k) 是信号 x(n) 的离散频域表示， N 是样本点的总数。

3.1.2 快速傅里叶变换（FFT）算法

快速傅里叶变换（Fast Fourier Transform，FFT）是DFT的一种高效计算算法。FFT利用了DFT计算中的对称性和周期性来减少计算量。最著名的FFT算法是Cooley-Tukey算法，适用于样本数是2的幂次的信号。

FFT算法的基本思想是将长序列分解为短序列，然后利用这些短序列的DFT结果来合成整个序列的DFT结果。这使得FFT算法的时间复杂度从DFT的O(N^2)降低到了O(NlogN)。

3.2 频域分析的实验操作

3.2.1 频谱分析的基本步骤

在实验中进行频域分析通常包括以下基本步骤：

1. 信号采集：首先，采集时域信号数据。通常需要确定适当的采样率和分辨率。
2. 预处理：对信号进行必要的预处理，包括去噪、滤波等。
3. 应用FFT：将预处理后的时域信号应用FFT算法转换到频域。
4. 频谱分析：分析得到的频谱数据，识别信号的频率成分，可能需要进行窗函数处理以减少频谱泄露。

3.2.2 实际信号的频域特性分析

我们可以通过一个简单的Python代码示例来展示频域分析的基本过程：

import numpy as np
import matplotlib.pyplot as plt
from scipy.fft import fft

# 生成一个测试信号
fs = 1000  # 采样频率
t = np.linspace(0, 1, fs, endpoint=False)  # 时间向量
f1, f2 = 5, 100  # 信号频率
signal = 0.6 * np.sin(2 * np.pi * f1 * t) + 0.4 * np.sin(2 * np.pi * f2 * t)  # 信号

# 应用FFT
signal_fft = fft(signal)
frequencies = np.fft.fftfreq(len(signal), 1/fs)  # 频率向量

# 绘制频谱
plt.figure(figsize=(12, 6))
plt.plot(frequencies, np.abs(signal_fft))
plt.title('Signal FFT')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')
plt.grid()
plt.show()

通过上述代码，我们首先生成了一个由两个正弦波组成的信号，然后通过FFT将其转换到频域，并使用Matplotlib绘制了信号的频谱图。频谱图中可以看到两个峰值，分别对应于原始信号中的两个频率成分。

以上就是傅里叶变换和频域分析的理论基础与实验操作方法。在下一节中，我们将继续深入探讨滤波器设计的理论和实践，包括IIR和FIR滤波器的设计与实现。

4. 滤波器设计（IIR和FIR）的实践

4.1 滤波器设计理论概述

4.1.1 滤波器的基本分类和特性

滤波器是数字信号处理领域中不可或缺的一部分，它的主要作用是允许特定频率范围内的信号通过，同时阻止其他频率范围内的信号。根据其频率响应特性，滤波器主要分为两类：有限脉冲响应（FIR）滤波器和无限脉冲响应（IIR）滤波器。

FIR滤波器的特点在于其脉冲响应是有限的，这意味着在有限的时间后响应会归零。它们通常具有线性相位响应，这是它们在许多应用中非常受欢迎的原因之一。另外，FIR滤波器设计相对简单，而且可以通过调整系数实现任意的幅度特性。

而IIR滤波器，由于其内部含有反馈机制，其脉冲响应是无限的。这种滤波器的优点在于可以使用较少的系数实现更加陡峭的滚降特性，也就是说它们在滤波的同时需要更少的计算资源。然而，这同样带来了设计的复杂性和潜在的相位失真问题。

接下来，让我们深入探讨这两种滤波器设计的准则与方法。

4.1.2 滤波器设计的准则与方法

设计滤波器时，最重要的准则之一是要确保滤波器能够满足特定的应用需求。这通常意味着需要在幅度和相位特性之间做出权衡。滤波器设计的另一个重要考虑因素是实现的复杂度，这包括所需的计算量以及滤波器是否容易在硬件上实现。

对于FIR滤波器设计，常用的算法有窗函数法和最小二乘法。窗函数法通过使用不同的窗函数来控制主瓣宽度和旁瓣级数，从而设计出满足特定要求的滤波器。最小二乘法通过最小化误差的平方和来设计滤波器，这种方法可以提供更平滑的滤波器幅度响应。

IIR滤波器设计常见的方法有模拟原型法和双线性变换法。模拟原型法涉及到将一个已知的模拟滤波器转换为数字滤波器。双线性变换法则是一种直接设计数字滤波器的方法，其优势在于避免了模拟滤波器设计中可能遇到的问题。

现在，我们将通过实验实例来看一看这两种滤波器是如何实现的。

4.2 滤波器设计的实验实现

4.2.1 IIR滤波器设计实例

我们首先来设计一个简单的IIR低通滤波器。为了简化问题，我们将使用模拟原型法，并以巴特沃斯低通滤波器作为原型。

代码块示例：

% MATLAB代码示例：使用模拟原型法设计IIR低通滤波器
butter_order = 5; % 滤波器阶数
fc = 1000; % 截止频率为1000Hz
fs = 8000; % 采样频率为8000Hz

% 设计模拟巴特沃斯低通滤波器
[zbutter, pbutter, kbutter] = butter(butter_order, fc/(fs/2), 'low');

% 使用双线性变换法将模拟滤波器转换为数字滤波器
[b, a] = bilinear(zbutter, pbutter, kbutter, fs);

% 频率响应分析
[h, w] = freqz(b, a, 1024, fs);
plot(w, 20*log10(abs(h)));
title('IIR巴特沃斯低通滤波器频率响应');
xlabel('频率(Hz)');
ylabel('幅度(dB)');
grid on;

在上述代码中，我们首先定义了滤波器的阶数和截止频率，并且指定了采样频率。接着，我们使用 butter 函数设计了一个模拟的巴特沃斯低通滤波器，并通过 bilinear 函数将模拟滤波器转换为数字滤波器。最后，我们分析了滤波器的频率响应。

此代码段演示了如何使用MATLAB的信号处理工具箱进行IIR滤波器设计。通过调整 butter_order 参数，我们可以控制滤波器的阶数，进而影响滤波器的频率特性。

4.2.2 FIR滤波器设计实例

接下来，我们将设计一个FIR低通滤波器。我们采用窗函数法，以汉明窗作为设计基础。

代码块示例：

% MATLAB代码示例：使用窗函数法设计FIR低通滤波器
filter_order = 20; % 滤波器阶数
fc = 1000; % 截止频率为1000Hz
fs = 8000; % 采样频率为8000Hz

% 设计理想低通滤波器
n = 0:filter_order;
h理想 = fc/(fs/2) .* sinc((n - filter_order/2) .* (fc/(fs/2)));

% 应用汉明窗
h窗 = h理想 .* hamming(length(h理想));

% 频率响应分析
[H, f] = freqz(h窗, 1, 1024, fs);
plot(f, 20*log10(abs(H)));
title('FIR汉明窗低通滤波器频率响应');
xlabel('频率(Hz)');
ylabel('幅度(dB)');
grid on;

在这段代码中，我们首先定义了滤波器的阶数、截止频率和采样频率。然后，我们设计了一个理想低通滤波器的脉冲响应，接着使用汉明窗函数对其进行调制，以减少频谱泄露和旁瓣。最后，我们分析了滤波器的频率响应。

此实验展示了如何利用MATLAB构建FIR滤波器，并通过调整窗函数来控制滤波器的旁瓣级数。通过改变窗函数类型，比如使用汉宁窗或布莱克曼窗，可以得到不同的滤波器特性。

通过以上两个实例，我们可以看到，无论是IIR还是FIR滤波器设计，理论和实验操作的紧密结合是实现有效滤波器设计的关键。滤波器设计实验不仅是验证理论知识的平台，还是发展实践技能的重要途径。

5. 通信系统中的调制技术

5.1 调制技术的基本原理

5.1.1 调制与解调的概念

调制技术在通信领域中扮演着至关重要的角色，它是将信息信号转换成可以在特定介质上传输的信号形式的过程。调制过程通常涉及三个主要信号：信息信号（原始信号）、载波信号和调制信号。信息信号包含我们想要传输的数据或信息，而载波信号是一个频率较高的波形，通常是正弦波。调制就是根据信息信号的特征来调整载波信号的某些参数，如振幅、频率或相位，从而生成调制信号。

解调则是调制的逆过程，指的是在接收端根据调制信号的特征恢复出原始信息信号的过程。解调的过程要求有与调制过程相对应的解调机制，以准确地提取出传输的信息。

5.1.2 常见的调制技术分类

调制技术主要可以分为两大类：模拟调制和数字调制。

模拟调制主要涉及两种基本类型：幅度调制（AM）和角度调制（包括频率调制FM和相位调制PM）。在幅度调制中，信息信号直接改变了载波的振幅；而在角度调制中，信息信号则是改变了载波的频率（FM）或相位（PM）。

数字调制则涉及将数字信号映射到一系列离散的载波状态。常见的数字调制技术包括二进制相移键控（BPSK）、四进制相移键控（QPSK）、16进制正交幅度调制（16-QAM）和频率偏移键控（FSK）。这些技术在现代通信系统中广泛应用，以实现高效的数据传输。

5.2 调制技术的实验应用

5.2.1 模拟调制实验（AM、FM、PM）

实验模拟调制技术是通信工程教育中的一项重要内容，通过实验可以加深对调制理论的理解，并提高实际操作能力。

以幅度调制（AM）为例，实验步骤通常包括以下几个部分：

1. 首先，准备实验所需的信号发生器、调制器、示波器等设备。
2. 设置载波信号频率，并生成一个纯正弦波形作为载波。
3. 接着，产生一个低频信息信号，通常使用另一台信号发生器或模拟音频信号源。
4. 使用调制器将信息信号与载波信号结合，调整调制器的调制深度。
5. 通过示波器观察调制信号的波形，并记录不同调制深度下的波形变化。

在频率调制（FM）实验中，重点在于观察信息信号对载波频率变化的影响，并理解带宽与调制指数之间的关系。相位调制（PM）实验则需要理解信息信号如何影响载波的相位变化。

5.2.2 数字调制实验（PSK、QAM、FSK）

数字调制实验需要利用数字信号处理技术，常见的实验设备包括数字信号发生器、数字示波器、调制解调器等。

以相位偏移键控（PSK）为例，实验步骤通常包括：

1. 设置数字信号发生器产生二进制数字信号。
2. 使用调制器将数字信号通过PSK技术调制到载波上。
3. 观察并记录不同PSK变种（如BPSK和QPSK）的信号星座图。
4. 利用示波器分析波形，了解PSK信号在时间域和相位域的特性。
5. 通过调制解调器进行解调，并比较解调后的信号与原始信号的一致性。

正交幅度调制（QAM）和频率偏移键控（FSK）实验则分别侧重于观察和分析数字信号在幅度和频率维度上的调制特性。

通过这些实验，不仅能够加深对数字调制技术的理解，而且还能提升解决实际通信问题的实践能力。接下来，我们将详细探讨数字调制技术中的关键概念和实验操作细节。

6. 码率和误码率（BER）的计算

6.1 码率与误码率的理论知识

6.1.1 码率的定义及其计算方法

码率（Code Rate），通常用符号 R 表示，定义为传输的原始比特数与实际传输的比特数的比值。在数字通信系统中，它决定了传输速率和效率，同时也影响到信号的可靠性和抗干扰能力。

码率计算公式如下： [ R = \frac{K}{N} ] 其中 K 是信息比特数，而 N 是包含信息比特和冗余比特的总比特数。

6.1.2 误码率的重要性和计算模型

误码率（Bit Error Rate, BER）是衡量通信系统性能的关键指标之一。它表示在一定时间内错误接收的比特数与总传输比特数之间的比率。误码率越低，通信系统的可靠性越高。

误码率的理论计算通常会使用以下公式： [ BER = \frac{错误比特数}{总比特数} ] 在实际应用中，计算 BER 常常需要通过统计和分析一段时间内的错误比特数量。

6.2 实验中的码率和误码率计算

6.2.1 实验数据的统计与分析

在实验中，码率和误码率的计算需要收集和分析大量数据。首先，需要记录下实验中发送和接收的总比特数，以及其中的错误比特数。通过编程可以自动化这一过程，提高效率。

6.2.2 信道容量与码率的关系探究

信道容量（Channel Capacity）表示在不出现错误的情况下，信道可以传输的最大数据率。根据香农定理（Shannon-Hartley Theorem），信道容量 C 可以表示为： [ C = B \log_2(1 + \frac{S}{N}) ] 其中 B 是信道带宽，S/N 是信噪比。码率必须小于或等于信道容量才能实现无误码传输。

在实验操作中，通过对不同码率条件下的传输进行 BER 测量，并与信道容量进行比较，可以探索信道容量和码率之间的关系。

代码块展示与说明

为了计算误码率，我们可以使用以下代码示例：

# 假设发送的数据和接收的数据都是二进制比特序列
sent_data = [1, 0, 1, 1, 0, 1, 0]  # 发送的原始数据
received_data = [1, 0, 1, 1, 0, 1, 1]  # 接收的数据

# 错误比特数计算
errors = sum(bit != received_bit for bit, received_bit in zip(sent_data, received_data))

# BER 计算
BER = errors / len(sent_data)
print(f"误码率 BER: {BER}")

表格展示

在实验过程中，可能需要记录和分析不同条件下得到的 BER 和码率，以下是一个简单的表格样本：

| 条件 | 发送比特数 | 错误比特数 | 码率 R | 误码率 BER | |--------|------------|------------|--------|------------| | 实验 1 | 100000 | 3 | 0.5 | 0.00003 | | 实验 2 | 200000 | 12 | 0.8 | 0.00006 |

通过对比实验数据，可以看出在码率提高的同时，误码率是否有所增加，以及它们之间的关系。

Mermaid 流程图

在探讨信道容量和码率的关系时，可以使用 Mermaid 流程图来表示它们之间的逻辑关系：

graph TD
    A[开始实验] --> B[设置码率 R]
    B --> C[传输数据]
    C --> D[测量 BER]
    D --> E{是否满足条件}
    E --> |是| F[增加 R]
    E --> |否| G[降低 R 或 改善信道]
    F --> C
    G --> C

通过这个流程图，我们能够清晰地展示在实验过程中调整码率并测量 BER 的步骤，以及如何根据 BER 的结果来优化传输参数。

7. 编程实现信号处理算法

数字信号处理是一门实践性很强的技术，编程语言的选择和开发环境的配置对最终的实现效果至关重要。在本章节中，我们将探讨编程实现信号处理算法时所面临的一些关键步骤，以及如何通过编程来优化算法的性能。

7.1 编程语言与工具的选择

7.1.1 信号处理常用的编程语言

信号处理算法的编程实现通常涉及到高效的数学计算和数据处理。在众多的编程语言中，以下几种尤为受到青睐：

• MATLAB ：作为数字信号处理领域的常用工具，MATLAB提供大量的内置函数库，简化了算法的实现过程。
• Python ：它以简洁的语法和强大的数据处理能力著称，配合NumPy、SciPy等库，适合快速开发和验证算法。
• C/C++ ：对于追求性能极限的应用，C/C++可以提供更好的运行效率，是嵌入式系统和实时信号处理的首选。

7.1.2 开发环境与工具的配置

开发环境配置对于提高开发效率和保证程序质量至关重要。选择合适的IDE（集成开发环境）和调试工具是实现这一目标的关键步骤。例如：

• MATLAB ：无需额外配置IDE，其本身就集成了强大的开发环境。
• Python ：推荐使用PyCharm或VS Code等现代IDE，它们支持代码高亮、自动补全、版本控制等便捷功能。
• C/C++ ：建议使用CLion、Visual Studio等专业的C/C++开发环境，它们对代码管理和性能分析提供了很好的支持。

7.2 信号处理算法的编程实现

7.2.1 算法实现的步骤与技巧

信号处理算法的编程实现通常包括以下几个步骤：

1. 需求分析 ：明确算法需要达到的目标和性能指标。
2. 算法设计 ：选择合适的算法并进行必要的数学推导。
3. 编码实现 ：将设计好的算法用代码表达出来。
4. 调试测试 ：通过编写测试用例验证算法的正确性。
5. 性能优化 ：根据测试结果对代码进行性能优化。
6. 文档撰写 ：记录算法实现的细节，便于团队交流和后续维护。

实现算法时的技巧包括：

• 代码重构 ：定期对代码进行重构，保持代码的可读性和可维护性。
• 向量化计算 ：利用现代编程语言提供的向量化操作，提高计算效率。
• 并行计算 ：在可行的情况下，通过并行化处理提升程序运行速度。

7.2.2 算法性能测试与分析

测试和分析算法性能是验证其实用性的关键环节。常见的测试和分析步骤包括：

• 功能测试 ：验证算法是否能够达到预期的数学结果。
• 性能测试 ：测量算法的运行时间、内存消耗等性能指标。
• 稳定性测试 ：通过长时间运行和大量数据验证算法的稳定性。

性能测试可以通过自动化脚本进行，确保测试的准确性和一致性。分析性能瓶颈时，可以利用工具如gprof（C/C++）或cProfile（Python）来辅助。

示例代码

以下是一个使用Python实现的简单低通滤波器的示例：

import numpy as np
import matplotlib.pyplot as plt

def low_pass_filter(data, sampling_rate, cutoff):
    """ 
    一个简单的一阶低通滤波器实现。
    :param data: 输入信号数据
    :param sampling_rate: 采样率（Hz）
    :param cutoff: 截止频率（Hz）
    :return: 滤波后的信号数据
    """
    dt = 1 / sampling_rate
    n = len(data)
    filtered_data = np.zeros_like(data)
    alpha = dt / (dt + 1/(cutoff * 2 * np.pi))
    filtered_data[0] = data[0]

    for i in range(1, n):
        filtered_data[i] = alpha * data[i] + (1 - alpha) * filtered_data[i-1]

    return filtered_data

# 示例信号和参数
time = np.arange(0, 10, 0.001)
signal = np.sin(2 * np.pi * 5 * time) + 0.5 * np.sin(2 * np.pi * 20 * time)
cutoff = 10

# 应用低通滤波器
filtered_signal = low_pass_filter(signal, len(time), cutoff)

# 可视化结果
plt.figure(figsize=(12, 6))
plt.subplot(2, 1, 1)
plt.plot(time, signal)
plt.title('Original Signal')
plt.subplot(2, 1, 2)
plt.plot(time, filtered_signal)
plt.title('Filtered Signal')
plt.tight_layout()
plt.show()

在此例中，我们实现了一个简单的一阶低通滤波器，并通过一个含有两个频率分量的信号来展示滤波效果。代码运行后会弹出一个窗口，显示原始信号和滤波后的信号。

在本章中，我们介绍了编程实现数字信号处理算法的基础知识和实践经验，帮助读者在实际开发过程中更有效地将理论转化为应用。通过选择合适的编程语言和开发工具，并且遵循正确的实现步骤，我们能够开发出高效且稳定的信号处理应用。在下一章，我们将深入探讨数字信号处理流程的全面认识，继续巩固和扩展我们的知识体系。

本文还有配套的精品资源，点击获取

简介：数字信号处理是信息科技的关键学科，广泛应用于多个领域。本实验全集通过一系列精心设计的实验项目，帮助学习者加深对数字信号处理理论的理解，并培养解决实际问题的能力。实验内容涵盖从频域分析到滤波器设计，再到通信系统中的调制技术等。通过编程语言如MATLAB或Python实现复杂信号处理算法，学生将全面了解信号的产生、传输、接收和处理流程，加强实际工程实践经验。这些实验不仅验证理论知识，还鼓励设计性和创新性思考，有助于学生为未来在数字信号处理及通信领域的职业发展打下坚实基础。

本文还有配套的精品资源，点击获取