《MATLAB在其他领域中的应用ppt课件.ppt》由会员分享，可在线阅读，更多相关《MATLAB在其他领域中的应用ppt课件.ppt（58页珍藏版）》请在三一办公上搜索。
1、第6 章MATLAB 在其他领域中的应用,在智能天线、神经网络、模式识别等很多方面MATLAB 都有着广泛的应用MATLAB提供的Simulink 仿真功能能搭建出与真实电路相似的仿真模型，使大家可以看到在一个系统中的实时信号。本章通过介绍MATLAB 在智能天线、神经网络Simulink 仿真等方面应用的例子揭示了MATLAB 的应用。,【本章知识架构】,6.1 智能天线DOA 的Capon 算法与Music 算法比较,1实验目的(1) 了解用户的DOA 在智能天线中的作用。(2) 理解DOA 的传统算法Capon 最小方差法的原理。(3) 理解DOA 算法中的Music 算法的原理。(4)
2、 对比Capon 算法与Music 算法的仿真结果。2实验原理 用户的DOA(Direction of Arrival)作为反映用户空间位置的重要参量在智能天线中扮MATLAB演着非常重要的角色，因此，如何准确地估计各个用户的 DOA 是非常值得研究的领域。,Capon 最小方差法使用部分(不是全部)自由度在期望观测方向形成一个波束，同时利用剩余的自由度在干扰信号方向形成零陷。此方法使输出功率最小，达到使非期望干扰的贡献最小的目的，同时增益在观测方向保持为常数，通常为1.(2) Music 算法是根据窄带数据模型以几何观点考察信号参数估计的问题。如果有D个信号入射到M 元阵列上，则阵列接收到的
3、输入数据向量可以表示为D 个入射波形与噪声的线性组合。,4程序代码clear;d=1; %天线阵元的间距lma=2; %信号中心波长q1=1*pi/4;q2=pi/3;q3=pi/6;q4=3*pi/4; %4 个输入信号的方向A1=exp(-2*pi*j*d*0:6*cos(q1)/lma);A2=exp(-2*pi*j*d*0:6*cos(q2)/lma);A3=exp(-2*pi*j*d*0:6*cos(q3)/lma);A4=exp(-2*pi*j*d*0:6*cos(q4)/lma);A=A1,A2,A3,A4; %得出A 矩阵n=1:1900;v1=.015; %4 个信号的频率v
4、2=.05;v3=.02;v4=.035;d=1.3*cos(v1*n);1*sin(v2*n);1*sin(v3*n);1*sin(v4*n);%输入信号矢量,U=A*d; %总的输入信号U1=(U);c=cov(U*U1); %总输入信号的协方差矩阵s,h=eig(c); %求协方差矩阵的特征矢量及特征值Vn=s(:,1:3); %求与零特征值对应的特征矢量ci=inv(c); %求协方差矩阵的逆矩阵q1b=pi/180:pi/180:pi;for n=1:length(q1b)q1a(n)=q1b(n);A1a=exp(-2*pi*j*1*0:6*cos(q1a(n)/lma);Pmus
5、ic(n)=(A1a)*A1a*(inv(A1a)*Vn*(Vn)*A1a); %应用Music 法估计输出Pcap(n)=inv(A1a)*ci*(A1a); %应用Capon 法估计输出T(n)=q1a(n);P1=abs(Pmusic);P2=abs(Pcap);endfigure(1) %绘出Music 法估计的波达方向图,T1=T*180/pi;semilogy(T1,P1);gridaxis(0,200,1e-10,1e40);xlabel(Angle(deg);ylabel(Spectrum)grid on;figure(2) %绘出Capon 法估计的波达方向图T1=T*180
6、/pi;semilogy(T1,P2);gridaxis(0,200,1e-10,1e10);xlabel(Angle(deg);ylabel(Spectrum)grid on;,5运行结果与分析 其输出结果如图6.1 和图6.2 所示。通过以上实验对比，可看出在理想情况下Music 算法比Capon 算法在DOA 估计上谱峰更高，相邻角度信号之间的过渡更平缓，所以Music性能更好。6思考题 Music 算法相对于Capon 算法具有什么优势？具有什么缺点？如何对Music 算法进行改进？,6.2 Hopfield 神经网络数字识别,1实验目的(1) 学习MATLAB 在神经网络系统中的应用
7、。(2) 掌握Hopfield 神经网络识别数字方法。2实验原理 Hopfield 神经网络的应用形式有联想记忆和优化计算两种。其中联想记忆是指当网络输入某个矢量后，网络经过反馈演化，从网络输出端得到另一个矢量，这样输出矢量称为 网络从初始输入矢量联想得到一个稳定记忆，即网络的一个平衡点。优化计算是指当某一个问题存在多种解法时，可以设计一个目标函数，得到寻求满足这一目标函数的最优解法。本例将采用联想记忆的形式进行数字识别。,3仿真思路 本例采用MATLAB神经网络工具箱提供的网络创建函数建立一个Hopfield 神经网络，其中目标矢量T 的元素必须是+1 或-1。因此，在数字的识别过程中，每个
8、目标向量代表一个数字，可以通过以下准则进行目标向量的设置。数字从0 到9，共有10 个对应位置，每个数字在其对应位置的值为1，而其他位置的值为1。 建立网络后，给网络输入一个含噪声的随机向量，通过仿真网络，可获取网络输出、训练终止时的输入延迟状态、训练终止时的层延迟状态。通过调整批处理数据的个数和网络仿真的时间步数，将得到不同的网络输出。,4程序代码%数字09 的标准点距zero=load(zero.txt);one=load(one.txt);two=load(two.txt);three=load(three.txt);four=load(four.txt);five=load(five.
9、txt);six=load(six.txt);seven=load(seven.txt);eight=load(eight.txt);nine=load(nine.txt);%训练目标样本T=zero(:),one(:),two(:),three(:),four(:),five(:),six(:),seven(:),eight(:),nine(:);%输出数字09figurefor ii=0:9,subplot(2,5,ii+1);imshow(reshape(T(:,ii+1),10,10);title(当前数字 num2str(ii),end%加入噪声的数字点阵(固定法)noise_mat
10、rix=load(noise_matrix.txt);%加入噪声的数字点阵(随机法)%noise_matrix=zero;%for i=1:100% a=rand;% if a0.1% noise_matrix(i)=-zero(i);%end%endfiguresubplot(2,3,1)imshow(noise_matrix);title(带噪声样本);%创建 Hopfield 网络net=newhop(T);%创建网络，开始训练No22=sim(net,1,5,noise_matrix(:);%仿真5 次，一个样本噪声noise_matrixfor ii=1:5subplot(2,3,1
11、+ii)imshow(reshape(No22ii,10,10);title(第 num2str(ii) 仿真结果)end,5运行结果与分析观察其结果，如图6.4 所示。,图6.4 含噪声数字2 的识别,仿真结果表明，数字的识别已经回到了相应的稳定点。受噪声污染的数字2 已经恢复正常，Hopfield 网络是渐进稳定的，随着计算的推移，网络状态向能量减小的方向移动，稳定平衡状态就是能量的极小点。由此可见，在此条件下，Hopfield 网络经过学习，能够完全正确地识别出所有数字。6思考题(1) Hopfiled 神经网络具有什么特点？本例可否用别的形式的神经网络来识别？(2) 改变训练序列为10
12、 个不同的人脸图像，输入一个带噪的人脸图像，用类似方法进 行图像识别的实验。,6.3 BP 神经网络手写字母识别,1实验目的(1) 进一步了解BP 网络的理论基础、学习算法。(2) 学习基于BP 网络的手写字母识别算法以及其实现。(3) 掌握BP 网络的误差分析方法。2 实验原理 BP 网络是一种单向传播的多层前向网络，其结构如图6.5 所示。由图可见，BP 网络是一种具有3 层或3 层以上的神经网络，包括输入层、中间层(隐层)和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。
13、接下来，按照减少目标输出与误差的原则，从输出层经过各中间层逐步修正各连接权值，,最后回到输入层，这种算法称为“误差逆传播算法”，即BP 算法，随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。,图6.5 BP 网络结构,3仿真思路 设计一个网络并训练它来识别字母表中的26 个字母。要求设计网络不仅能够对理想输入向量进行很好的分类，也能够准确识别含有误差的输入向量。26 个字母被定义成输入向量，每个字母的输入量均有35 个元素(7*5)，组成输入阵，期望输出向量为26 个元素，如A 为(1，0，0，)。根据要求，输入向量为35 个元素，输出为反映字母位置的有26 个元素的输
14、出向量。输入一个字母，网络就能输出一个向量，它对应位置的元素值为1，其他位置的元素值为0。网络还应有鲁棒性(容错能力)。实际中，网络接收的信号不理想，有噪声，因此需要加入对噪声的识别环节，这就是网络的鲁棒性。另外，本题中输出向量里当对应位置输出 为1 时，其他位置的元素值只能为0，这是需要对其严格处理的，因此不妨引入竞争传递函数compet。 本题采用了有动量的梯度下降法与自适应的梯度下降法的完美结合。所以采用了函数traingdx。,4程序代码%初始化生成代表26 个字母布尔值的样本数据，然后应用函数newff()构建一个神经网络alphabet,targets=prprob; %生成35*
15、26 和26*26 的矩阵R,Q=size(alphabet); %提取样本数目S2,Q=size(targets);S1=10; %隐含层的神经元个数P=alphabet; %给输入赋值net=newff(minmax(P),S1 S2,logsig,logsig,traingdx); %构建神经网络net.LW2,1=net.LW2,1*0.01; %线性网络的权值net.b2=net.b2*0.01; %线性网络的偏差%无噪声训练T=targets; %给输出赋值net.performFcn=sse; %定义平方和误差函数,net.trainParam.goal=0.1; %定义训练方向
16、，均方误差小于0.1 时停止训练net.trainParam.show=20; %定义训练过程显示频率，训练20 次后显示训练结果net.trainParam.epochs=5000; %定义训练次数，大于5000 次停止训练net.trainParam.mc=0.95; %定义训练动力值0.95net,tr=train(net,P,T); %开始对网络训练%有噪声训练netn=net; %重新使用新的网络netn.trainParam.goal=0.6; %定义训练方向，均方误差小于0.6 时停止训练netn.trainParam.epochs=300; %定义训练次数，大于300 次停止训
17、练T=targets targets targets targets;%为保证容错性，用两套理想字母向量P=alphabet,alphabet,. %两套有噪声字母向量作为训练样本(alphabet+randn(R,Q)*0.1),.(alphabet+randn(R,Q)*0.2); %省略号表示续行netn,tr=train(netn,P,T); %进行再次训练%再次无噪声训练netn.trainParam.goal=0.1; %定义训练方向，均方误差小于0.1 时停止训练netn.trainParam.epochs=500; %定义训练次数，大于500 次停止训练netn.trainPa
18、ram.show=5; %定义训练过程显示频率，训练5 次后显示训练结果,P=alphabet;T=targets;netn,tr=train(netn,P,T); %再次进行训练%系统性能测试noise_range=0:0.05:0.5; %产生噪声max_test=100; %测试次数/噪声信号的个数network1=;network2=;T=targets;for noiselevel=noise_range %依次加入误差(噪声)errors1=0;errors2=0;for i=1:max_test %测试开始P=alphabet+randn(35,26)*noiselevel; %
19、输入中加入噪声A=sim(net,P); %比较无噪声和有噪声时候的识别误差AA=compet(A); %引进竞争函数errors1=errors1+sum(sum(abs(AA-T)/2;%识别误差用矩阵全加和的方式%内层sum 对每行求和，外层的sum 对每列求和,An=sim(netn,P);AAn=compet(An);errors2=errors2+sum(sum(abs(AAn-T)/2;endnetwork1=network1 errors1/26/100; %每个噪声信号在每个字母上产生的平均噪声network2=network2 errors2/26/100;endfigur
20、e(1);plot(noise_range,network1*100,r-,noise_range,network2*100,g-);%扩大100 倍方便画图title(识别误差);xlabel(噪声指标);ylabel(无噪声训练r- 有噪声训练*);%随意挑字母验证noiseJ=alphabet(:,1)+randn(35,1)*0.2; %挑第一个字母并加入噪声figure(2);plotchar(noiseJ); %画出输入向量A2=sim(net,noiseJ);A2=compet(A2); %计算输出并通过竞争函数answer=find(compet(A2)=1); %通过比较找出
21、对应的输出向量,figure(3);plotchar(alphabet(:,answer); %画出网络识别后的图形noiseJ=alphabet(:,6)+randn(35,1)*0.2;figure(4);plotchar(noiseJ);A2=sim(net,noiseJ);A2=compet(A2);answer=find(compet(A2)=1);figure(5);plotchar(alphabet(:,answer);noiseJ=alphabet(:,9)+randn(35,1)*0.2;figure(6);plotchar(noiseJ);A2=sim(net,noiseJ
22、);A2=compet(A2);answer=find(compet(A2)=1);figure(7);plotchar(alphabet(:,answer);,5运行结果与分析 由图6.6 及图6.7 可见，无论是无噪声训练还是有噪声训练，训练序列都能收敛到目标曲线。由图6.8 可知，两者的系统误差曲线相差无几。对于字母验证的结果，在有噪声并且书写很不规范的情况下，都能正确识别手写字母，如图6.9 所示。说明BP 神经网络对于手写字母识别还是非常有效的。6思考题(1) BP 神经网络与Hopfield 神经网络相比，有什么优缺点？(2) 试用Hopfield 神经网络重做此例。,图6.9 字
23、母验证结果,6.4 数据聚类算法,1实验目的(1) 学习数据聚类方法，掌握树聚类和k 均值聚类。(2) 利用MATLAB 对树聚类和k 均值聚类进行仿真。2实验原理 数据聚类是特征向量的非监督分类方法，实质是一种“数据驱动”的方法，它试图去发现数据自身的内部结构，将特征向量以“聚类”的形式分组。根据聚类的方法，可以将算法分为两大类。层次化算法和质心调整算法。,3仿真思路使用MATLAB 提供的函数实现聚类。4程序代码1) k-means 聚类法%两类类各产生55 个点X=randn(55,2)+ones(55,2);randn(55,2)+ones(55,2);idx,ctrs = kmean
24、s(X,2); % kmeans 方法聚类plot(X(idx=1,1),X(idx=1,2),rx,MarkerSize,7) %画出第一类点hold on %保留第一类点，画出第二类点plot(X(idx=2,1),X(idx=2,2),b*,MarkerSize,7) %画出第二类点plot(ctrs(:,1),ctrs(:,2),ko, MarkerSize,9,LineWidth,2)% 画出两个类的质心legend(Cluster,Cluster2, .Centroids,Location,NW)title(用kmeans 方式聚类 ); %加注标签,2) 树聚类法X = rand
25、n(20,2)+ones(20,2); %产生20 个随机点y = pdist(X); %计算各两点间的欧式距离存于y 中z=linkage(y,single); %使用单联接准则聚类w=linkage(y,average); %使用类间平均联接准则聚类subplot(3,1,1);plot(X,b.,MarkerSize,12); %画出随机产生的点title(产生的随机数据);subplot(3,1,2);dendrogram(z); %画出聚类后的z 的柱状图title(single-l 聚类后的数据);legend(single linkage );hold onsubplot(3,1
26、,3);dendrogram(w); %画出聚类后的z 的柱状图title(average-l 聚类后的数据);legend(average linkage );hold on,5运行结果与分析1) k-means 聚类法通过k 均值聚类方式实现了对110 个数据点的聚类。聚了两个类，每个类中有55 个点，如图6.10 所示。,图6.10 k 均值聚类算法仿真图,2) 树聚类算法 用树类方法对20 个数据点进行聚类，给出了点间的柱状图。分别使用了单联接规则和类间平均联接规则进行了聚类。由图6.11 可以看出，不同的规则对同一点的聚类结果是不同的。6思考题树聚类算法中，不同的聚类规则对聚类的结果
27、不同，这样合理吗？,图6.11 树聚类算法仿真图,6.5 声音信号频谱分析仪,1实验目的(1) 进一步了解声音信号。(2) 学习基于声卡与MATLAB 的声音信号分析以及其实现。(3) 加强对MATLAB 的进一步掌握。2实验原理 应用波形分析原理和频谱分析原理,3仿真思路 MATLAB 提供的GUIDE 工具为可视化编程工具，使得软件的界面设计像VB 一样方便。为了实现预期的功能，设计如图 6.13 所示的界面。,图6.12 频谱分析仪的模块划分,图6.13 声音信号频谱分析仪设计界面,4程序代码1) 声卡输入%这里声卡输入是指由麦克风录音得到的声音信号的输入，MATLAB 提供了% wav
28、record 函数，该函数能够实现读取麦克风录音信号。以下是开始录%音按钮的回调函数内容%首先获得设定的Fs 值Fs=str2double(get(findobj(Tag,samplerate),String);%根据设定的录音时长进行录音，将其存入handles.y 中handles.y=wavrecord(str2double(get(handles.recordtime,String)*Fs,Fs,int16);%保存handles 结构体，使得handles.y 在别的函数中也能使用guidata(hObject,handles);%在波形显示区绘出波形plot(handles.tim
29、e,handles.y);title(WAVE);%将所采到的点的数量输出在采样点数中ysize=size(handles.y)set(handles.samplenum,String,num2str(ysize(1);,2) WAV 文件输入MATLAB 提供了wavread 函数，该函数能够方便地打开并读取WAV 文件中的声音信息，并且同时读取所有声道。下面是“打开文件”按钮回调函数的部分代码。其他代码与声卡输入的类似%从WAV 文件中读取声音信息并临时存放到temp 变量中temp = wavread(get(findobj(Tag,filename),String);%获得所选择的声道
30、channel=str2double(get(handles.channel,String);%将指定声道的信息存放到handles.y 中handles.y=temp(:,channel);3) 信号发生器%MATLAB 有产生标准信号的函数，如sawtooth 能够产生三角波或钜齿波，首先%利用get 函数获得波形soundtype，频率frequency，幅值amp 和相位phase，%然后是以下代码,switch soundtypecase 1 %标准正弦波y=amp*sin(2*pi*x*frequency+phase);case 2 %方波y=amp*sign(sin(2*pi*x
31、*frequency+phase);case 3 %三角波y=amp*sawtooth(2*pi*x*frequency+phase,0.5);case 4 %钜齿波y=amp*sawtooth(2*pi*x*frequency+phase);case 5 %白噪声y=amp*(2*rand(size(x)-1);otherwiseerrordlg(Illegal wave type,Choose error);endif get(handles.add,Value)=0.0handles.y=y; %若没有勾选上混迭，则将生成的波形赋给handles.yelse %否则将生成的波形与原有波形
32、叠加handles.y=handles.y+y;end,4) 时域分析%下面是过零检测之后的代码，其中T 为过零检测得到的周期(向量)，amp 为过零检测得到的幅值(向量)，n 为过零点数freq=Fs/mean(T); %计算频率set(handles.outt,String,1/freq); %输出周期估计值set(handles.outfreq,String,num2str(freq); %输出频繁估计值%计算并输出幅值，以幅值均值作为其估计set(handles.outamp,String,num2str(mean(amp(2:n-1);%将待分析信号的过零点与标准信号的过零点比较，得
33、出相位phase=2*pi*(1-(ti(1:n-1)-1)./T+floor(ti(1:n-1)-1)./T);set(handles.outphase,String,num2str(mean(phase);%最大值与最小值的一半即为峰值set(handles.outpeak,String,(max(handles.y(from:to)-min(handles.y(from:to)/2); %from，to 即是界面中的从第from 点到第to 点%计算并输出均值set(handles.outmean,String,mean(handles.y(from:to);%计算并输出均方值set(h
34、andles.outmeansquare,String,mean(handles.y(from:to).2);%计算半输出方差set(handles.outs,String,std(handles.y(from:to)2);,5) 频域分析%频域分析需要作傅里叶变换，MATLAB 提供了fft 函数，能够方便地实现快速傅里叶%变换算法。以下代码省去了从界面中获得from、to、Fs 的部分，也省去了绘图后设置横、纵坐标轴的名称部分%首先提取出待分析的样本，将其存入sample 中sample=handles.y(from:to);%生成离散化的频率点，以采样频率作为离散化的间隔f=linspa
35、ce(0,Fs/2,(to-from+1)/2);%对样本做快速傅里叶变换，变换结果存入Y 中Y=fft(sample,to-from+1);C,I=max(abs(Y); %获得幅值最大的点及其所对应的下标值I%则f(I)为最大的幅值所对应的频率，即信号频率的估计值set(handles.foutt,String,1/f(I); %计算并输出周期的估计值set(handles.foutfreq,String,f(I); %输出频率的估计值Y=Y(1:(to-from+1)/2); %为与f 对应，只取Y 的前半部分plot(handles.plot1,f,2*sqrt(Y.*conj(Y);
36、 %绘制幅值谱曲线plot(handles.plot2,f,angle(Y); %绘制相位谱曲线plot(handles.plot3,f,real(Y); %绘制实频谱曲线plot(handles.plot4,f,imag(Y); %绘制虚频谱曲线plot(handles.plot5,f,abs(Y).2); %绘制功率谱曲线,图6.14 用信号发生器生成的正弦波分析,5运行结果与分析 由仿真结果图6.14 可知，用MATLAB 分析信号方便明了。尽管MATLAB 有强大的数学函数库，使得编程时间大大缩短，但也有它固有的缺陷，如运行速度太慢，而且运行依赖MATLAB 软件，无法发布为商用软件，
37、另外在控制用户输入上也比较难以实现。这导致了用 MATLAB 开发的软件也有这些缺陷。6思考题利用同样的方法构建图像信号的频谱分析仪。,6.6 单层感知器分类,1实验目的(1) 进一步了解神经网络理论基础、感知器分类特点，主要应用场合，使用注意事项。(2) 学习感知器网络MATLAB 实现具体步骤，设置误差要求，寻找最优网络。(3) 掌握感知器网络训练方法。2实验原理 单层感知器模型如图6.15 所示。 单层感知器可将外部输入分为两类。当感知器的输出为+1 时，输入属于一类，当感知器的输出为1 时，输入属于另一类，从而实现两类目标的识别。在二维空间，单层感知器进行模式识别的判决超平面由式(6-
38、44)决定：,3仿真思路 两个一维Gauss 分布类A 和B，其方差都是1，A 的均值是10，B 的均值是10。用单层感知器设计一个分类器来分离这两个线性可分的类。,图6.15 单层感知器模型,4程序代码m=0;n=0;x11=0;x12=0;T1=0;T2=0; count=0; %初始化r1=20*rand(1,100)-10; %产生-10 10均匀随机数for k=1:100 %根据样本分布计算概率密度函数值以及目标向量if r1(k)0r2(k)=100*exp(r1(k)-10)2*(-0.5)/(sqrt(2*pi);%由于概率密度值太小，不方便计算，因此将其扩大100 倍T1(
39、k)=1;Elser2(k)=100*exp(r1(k)+10)2*(-0.5)/(sqrt(2*pi);T1(k)=0;endend,for k=1:100 对样本进行筛选if r1(k)-2 计算感知器的输出开始训练for j=1:500 设定训练次数count=count+1； 记录训练次数for i=1:n 根据Y 值将输出离散化,if Y2(i)0F2(i)=1;elseF2(i)=0;endenda=isequal(F2,T22);if a=1 根据矩阵相等性判断是否训练完毕break;enddW=(T22-F2)*X2; 权值的修正dC=0.1*(T22-F2); 阈值的修正W=
40、W+dW; 新权值C2=C2+dC; 新阈值Y2=W*X2+C2;endfigure(1); 绘制训练样本和分割线plotpv(X2,T22);plotpc(W,C2);grid onxlabel(x21),ylabel(x22)开始验证X1=x11;x12; 用敏感样本进行验证,alpha=sum(C2)/n;C=zeros(1,m)+alpha; 用训练完成的阈值的均值作为神经元的阈值Y1=W*X1+C;for j=1:mif Y1(j)0F1(j)=1;elseF1(j)=0;endif F1(j)=T21(j) 用Result 判断敏感样本的符合度Result(j)=1;elseRes
41、ult(j)=0;endendfigure(2); 绘制敏感样本以及分割线plotpv(X1,T21);plotpc(W,C2);grid onxlabel(x11),ylabel(x12),5运行结果与分析样本及分类线如图6.18 所示。,图6.18 样本及分类线,测试样本及分类线如图 6.19 所示。,图6.19 测试样本及分类线,6思考题简述单层感知器分类的算法步骤。,6.7 模拟线性调制的Simulink 仿真,1实验目的 通过对常规调幅、单边带调制、双边带调制这3 种调制方式的Simulink 仿真的模拟，了解Simulink 仿真的实现方式，并对3 种调制方式进行对比。2实验原理1
42、) 常规调幅(AM)(1) 基本原理。任意的AM 已调信号可以表示为：SAM (t ) = c (t )m(t ) (6-49),(2) Simulink 实现如图6.20 所示。,图6.20 常规调幅的Simulink 仿真,图6.21 常规调幅的调制信号,图6.22 常规调幅的载波信号,图6.23 常规调幅的已调制信号,图6.24 常规调幅的解调信号,2) 双边带调幅(DSB)(1) 基本原理。双边带调制信号的时域表达式：,图6.26 双边带调制信号,图6.28 双边带调制的已调信号,3) SSB 单边带信号调制 基本原理。只传输一个边带的调制方式称为单边带抑制载波调制，简称为单边带调制(SSB)。采用单边带调制，除了节省载波功率外，还可以节省一半传输频带，仅传输双边带信号的一个边带(上边带或下边带)。,图6.32 单边带调制信号,图6.34 单边带调制的上边带信号,本章 小 结 MATLAB 提供的神经网络工具箱、系统识别工具箱等功能也是非常强大的。本章通过智能天线算法仿真、神经网络数字识别、Simulink 仿真的实例展现了MATLAB 在别的领域中的应用。本章的内容较为零散，旨在扩大读者的视野，了解MATLAB 的强大功能。,Thanks,书山有路勤为径，学海无涯苦作舟。,好好学习，天天向上,
