最近也在做DAC的橡派动态校准的东西，就把代码给你吧。我注释了一部分，你根据自己盯伍的需要自己改回来。
%load ScopeData
dynamic_data=ScopeData.signals.values
data_size=size(dynamic_data)
N=max(data_size)
sample_number=input('输入采样点数：')
if sample_number>N
display('样本数据数量不够凯如或,请检查')
else data=dynamic_data(1:sample_number)
N=sample_number
end
F_samples=input('输入采样频率:')
Mean_code=mean(data)
V=data-Mean_code
V=V.*hanning(N)
dout_spect=fft(V)
dout_dB=20*log10(abs(dout_spect))
max_dB=max(dout_dB(1:N/2))
x=(0:N/2-1).*F_samples/N
y=dout_dB(1:N/2)-max_dB
figure(1)
plot(x,y)
axis([0,F_samples/2,-120,0])
grid off
title('FFT图')
xlabel('模拟输入频率（Hz）')
ylabel('幅值（dB）')
F_in=find(dout_dB(1:N/2)==max_dB)
span=max(round(N/200),5)
spanh=2
spectp=(abs(dout_spect)).*(abs(dout_spect))
Pdc=sum(spectp(1:span))
%Ps=sum(spectp(F_in-span:F_in+span))
F_harmonic=[]
P_harmonic=[]
for har_number=1:10
tone=rem((har_number*(F_in-1)+1)/N,1)
if tone>0.5
tone=1-tone
end
F_harmonic=[F_harmonic tone]
har_peak=max(spectp(round(tone*N)-spanh:round(tone*N)+spanh))
har_bin=find(spectp(round(tone*N)-spanh:round(tone*N)+spanh)==har_peak)
har_bin=har_bin+round(tone*N)-spanh-1
P_harmonic=[P_harmonic sum(spectp(har_bin-1:har_bin+1))]
end
disp(F_harmonic)
disp(P_harmonic)
%
% Pd=sum(P_harmonic(2:5))
%
% Pn=sum(spectp(1:N/2))-Pdc-Ps-Pd
format
% SNR=10*log10(Ps/Pn)
%
% SINAD=10*log10(Ps/(Pn+Pd))
SFDR=10*log10(P_harmonic(1)/max(P_harmonic(2:5)))
% THD=10*log10(Pd/P_harmonic(1))
%
% ENOB=(SINAD-1.76)/6.02
LTE中采用OFDM调制方法，其中的一个指标为30MHz的采样率，其中有效信息带宽为18MHz。下面从这个案例出发研究信噪比之间的关系。首先，明确几个符号的意义 ：
Eb： 每bit信号能量 N0：噪声的功率谱密度
Es：信号（符号）的能量 Rb：传信率（每秒传输的bit数）
W： 信号带宽 T： 符号周期
Ts： 采样点间隔 k： 每个符号包含的bit数
因此，有如下公式：
E b N o = S N R − 10 l g （ R b / W ） = S N R − 10 l g （ f s ∗ M ∗ C o d e R a t e / W ） = S N R − 10 l g （ 30.72 / 18 ∗ M ∗ C o d e R a t e ） = S N R − 10 l g （ 30.72 / 18 ∗ k ） EbNo=SNR-10lg（Rb/W）= SNR-10lg（fs*M*CodeRate/W）=SNR-10lg（30.72/18*M*CodeRate） = SNR-10lg（30.72/18 * k）
EbNo=SNR−10lg（Rb/W）=SNR−10lg（fs∗M∗CodeRate/W）=SNR−10lg（30.72/18∗M∗CodeRate）=SNR−10lg（30.72/18∗k）
E s N o = S N R − 10 l g （ 1 / T ∗ W ） = S N R − 10 l g （ 30.72 ∗ N s / W ） EsNo=SNR-10lg（1/T*W）= SNR-10lg（30.72*Ns/W）
EsNo=SNR−10lg（1/T∗W）=SNR−10lg（30.72∗Ns/W）
R b = f s ∗ M ∗ c o d e r a t e = 30.72 ∗ M ∗ c o d e r a t e = 30.72 ∗ k Rb = fs*M*coderate = 30.72*M*coderate = 30.72*k
Rb=fs∗M∗coderate=30.72∗M∗coderate=30.72∗k
W = 18 M H z W = 18MHz
W=18MHz
T = 1 / f s = 1 / 30.72 M H z T = 1/fs = 1/30.72MHz
T=1/fs=1/30.72MHz
k = M ∗ C o d e R a t e k = M*CodeRate
k=M∗CodeRate
同时，这些公式说明了无论对于单载波或者型宽烂是OFDM多载波调制，其结论和计算方法都是一样的。
2 DFT-S-OFDM波巧中形的噪声
关于DFT-S-OFDM波形，与上面保持同样的结论。
这里主要讨论的是不同的用户需要的信噪比都是一样的吗？
3 加噪方式讨论
3.1 wgn函数与awgn函数两者的区别
1）normal
首先得明确EsN0和EbN0的区别，两者转换如下：2
E s N 0 = E b N 0 + 10 ∗ l o g 10 ( M ∗ C o d e R a t e ) EsN0 = EbN0 + 10*log10(M*CodeRate)
EsN0=EbN0+10∗log10(M∗CodeRate)
对应下面代码可以得知两者的关系。
S N R = E s N 0 − 10 ∗ l o g 10 ( i n s v a l u e ) SNR = EsN0 - 10*log10(ins_value)
SNR=EsN0−10∗log10(ins
v
alue)
在matlab函数中，对于加噪函数卜漏，awgn函数中加的是SNR值，在wgn函数中加的是EsN0。换句话说，awgn会计算信号的能量，wgn只是对于功率为1的信号对应信噪比的噪声进行直接叠加。
下面代码对比了两种加噪方式的区别，最终的SNR为4dB，EsNo为10dB。
clear
EsN0 = 10
ins_value = 4
[psf,den] = rcosine(1,ins_value,'fir/sqrt',0.35,6)
list = 0:pi/1000000:6*pi
X = sqrt(2)*sin(list) %产生正弦信号
X_upsample = upsample(X,ins_value)
txSig = conv(X_upsample,psf)
SNR = EsN0 - 10*log10(ins_value)
% Y_temp = awgn(txSig,SNR,'measured') %加入信噪比为10db的噪声，加入前预估信号的功率（强度）
Y_temp= txSig + wgn(1,length(txSig),-EsN0,'complex')
Y = Y_temp(49:end-48)
% 计算信噪比（下采样前计算信噪比）
% 因为是在滤波成型之后才加噪所以评估这个合理
sigPower = sum(abs(txSig).^2)/length(txSig) %求出信号功率
noisePower=sum(abs(Y_temp-txSig).^2)/length(Y_temp-txSig) %求出噪声功率
SNR=10*log10(sigPower/noisePower) %由信噪比定义求出信噪比，单位为dB
% 隔取ins_value选取再计算信噪比也是一样的。
Y_temp = Y_temp(1:4:end)
txSig = txSig(1:4:end)
sigPower = sum(abs(txSig).^2)/length(txSig) %求出信号功率
noisePower=sum(abs(Y_temp-txSig).^2)/length(Y_temp-txSig) %求出噪声功率
SNR=10*log10(sigPower/noisePower)
或者有以下简短的代码：
X = sqrt(2)*sin(0:pi/1000000:6*pi) %产生正弦信号，功率为1
% Y = awgn(X,10,'measured') %加入信噪比为10db的噪声，加入前预估信号的功率（强度）
Y = X + wgn(1,length(X), -10)
std_noise = std(wgn(1,length(X), - 10))^2
sigPower = sum(abs(X).^2)/length(X) %求出信号功率
noisePower = sum(abs(Y-X).^2)/length(Y-X) %求出噪声功率
SNR = 10*log10(sigPower/noisePower) %由信噪比定义求出信噪比，单位为db
1
2
3
4
5
6
7
1
2
3
4
5
6
7
由此可见，计算信噪比的方式为SNR=10*log10(sigPower/noisePower)
2）matlab的官方文档3
EsN0 ( d B ) = E b N 0 ( d B ) + 10 log 10 ( K ) \operatorname{EsN0}(d B)=E b N 0(d B)+10 \log _{10}(K)
EsN0(dB)=EbN0(dB)+10log
10
(K)
3.2 EbN0和SNR两者的关系
EsN0与SNR的关系如下
E s N 0 = S ∗ T / ( N / B ) = S / N ∗ T s y m b o l ∗ B EsN0 = S*T/(N/B) = S/N *T_{symbol} *B
EsN0=S∗T/(N/B)=S/N∗T
symbol
∗B
下面讨论仿真中的一些想法：
在实际的信号传输过程中，讨论的是信噪比SNR。如果不进行滤波成型，那么两者一致，但是在实际的通信系统中，考虑无ISI准则一级硬件实现的代价，往往发送端需要成型滤波，在接收端需要进行成型滤波最大化接受信号的信噪比，这就需要过采样。实际上这个过程增大了信号的EsN0，提升了性能。
比较容易理解的是，在相同的SNR之下，如果信号被过采样，则等效于EbN0更高，EsN0也更高。
同时需要注意在成型滤波时产生的能量损失，损失sqrt(insvalue)。（insvalue代表采样倍数）
3.3 成型滤波与匹配滤波器对噪声的影响
下面讨论仿真中的一些想法：
同样需要特别注意的是成型滤波和匹配滤波给信噪比带来的影响。上面说成型滤波和上采样提升了EsN0，最后SNR和EsN0呈现上述关系。但是匹配滤波之后同样会改变信噪比。
如果是使用滤波前后的信号计算信噪比，那么无疑是不对的，因为滤波会改变频谱自然会对信号产生影响，最终变成什么样也是不好预测的。
SNR是显性的，代表着真实的信道环境，而估计出来的EsN0是真实的每个符号所对应的信噪比。
4 EbNo与SNR之间的关系4
4.1 两个问题
Q1：为什么要将EbN0转换为SNR呢？
A1：因为在实际仿真中要给信号加上高斯白噪声，而高斯白噪声的参数是与SNR直接相关的，即根据SNR变量，可以直观的给信号加上高斯白噪声，所以要将EbN0转换为SNR。一般而言，模拟系统常采用SNRBER来衡量通信系统性能，而对于数字通信系统，常采用EbN0BER来衡量通信系统的性能。
Q2：为什么仿真要用EbN0，而不用SNR呢？
A2：因为用EbN0可以直观的看到系统性能，EbN0是一个归一化的参量，由于在系统传输中会采用不同的调制技术，这样这不同进制的调制技术下频谱效率会不同，一个由k个比特映射生成的调制符号所实现的频谱效率就为k bit/s/Hz，这种情况下，在计算比特误码率的时候考虑的是整体的性能，如果横向的比较系统的性能，就要将系统效率的作用排除，此时就可以从单个比特着手去比较，EbN0可以排除频谱效率引起的问题。
4.2 示例分析
假如用户的数据传送速率为1kb/s，信道编码采用编码速率为1/3的卷积编码，每秒在这些编码数据前添加200bit的训练序列，星座映射采用QPSK调制方式，基带脉冲成型采用因子为alpha等于0.25的升余弦函数，上采样倍数为10。
首先来看一下经过各模块后数据速率的变化，原始信息速率为1kb/s，1/3卷积编码后变为3kb/s，也就是每秒传送3000bit数据，添加200bit的训练序列后，变为每秒传3200bit，此时数据速率变为3.2kb/s，采用QPSK调制后，速率变为1.6k symbol/s。
应用上述EbN0与SNR的转换公式，我们可得：
SNR=EbN0·(1/3)·(3000/3200)·log2(4)·(1/10)·(1/(1+0.25))
用dB表示，就是：
SNR(dB)=EbN0(dB)+10·log10(1/3)+10·log10(3000/3200) +10·log10(2)+10·log10(1/10)+10·log10(1/(1+0.25))
以上的公式中，1/3是卷积码引入的，3000/3200是因为添加了训练序列这个额外的开销而引入的，2是QPSK引入的，1/10是基带成型滤波前上采样引入的，1/(1+0.25)是基带脉冲成型滤波的升余弦函数因子引入的。
一般很容易忘记考虑训练序列或者保护间隔，一般影响不大，本例中10·log（3000/3200）接近0，但其他各项影响都很大，如果仿真结果性能超好，应该看看是否忘记哪项了。如果系统还进行了扩频，比如添加训练序列后进行了16倍扩频，那么还要考虑扩频增益带来的影响，此时，在转化为SNR时，EbN0应该还要加上10·log（1/16）。
https://blog.csdn.net/chenxingp123/article/details/24238509 ↩︎
https://blog.csdn.net/chenshiming1995/article/details/105465014 ↩︎
SNR、EbN0、EsN0的关系以及matlab仿真时添加AWGN噪声 ↩︎
张少侃 EbN0与SNR转化新解 ↩︎
点击阅读全文
打开CSDN，阅读体验更佳
Matlab信号添加噪声及信噪比SNR的计算_这是啥?的博客
在MATLAB中可以用randn产生均值为0方差为1的正态分布白噪声,但在任意长度下x=randn(1,N),x不一定是均值为0方差为1(有些小小的偏差),这样对后续的计算会产生影响。在这里提供3个函数用于按一定的信噪比把噪声叠加到信号上去,同时可...
MATLAB中白噪声的WGN和AWGN函数的使用以及信噪比的计算
信噪比的计量单位是dB,其计算方法是10lg(PS/PN),其中Ps和Pn分别代表信号和噪声的有效功率,也可以换算成电压幅值的比率关系:20Lg(VS/VN),Vs和Vn分别代表信号和噪声电压的“有效值”。在音频放大器中,我们希望的是该放大器除了放大...
使用 Java *** 作 Kubernetes API
目录 本文目标 k8s-client-java选型 kubernetes-client/java和fabric8io/kubernetes-client对比 kubernetes-client/java的使用 REST API kubectl api-versions REST API 实例: API Object 整体划分图 (红星符号代表常用资源) kubernetes-client/java客户端API接口识别 ApiClient初始化&认证 CRD资源增删改查 *** 作示例 Namespaces增删改查 Node增删改查 Pod增删改查 优先级 Services增删改查 *** 作示例
热门推荐 Matlab信号添加噪声及信噪比SNR的计算
一、MATLAB中自带的高斯白噪声的两个函数 MATLAB中产生高斯白噪声非常方便，可以直接应用两个函数，一个是WGN，另一个是AWGN。WGN用于产生高斯白噪声，AWGN则用于在某一信号中加入高斯白噪声。 1. WGN：产生高斯白噪声 y = wgn(m,n,p) 产生一个m行n列的高斯白噪声的矩阵，p以dBW为单位指定输出噪声的强度。 y = wgn(m,n,p,imp
继续访问
matlab中根据信号和信噪比添加高斯白噪声(函数直接使用)_妈妈说我有...
function[y,noise]=Gnoisegen(x,snr)%Gnoisegen函数是叠加高斯白噪声到语音信号x中%[y,noise]=Gnoisegen(x,snr)%x是语音信号,snr是设置的信噪比,单位为dB%y是叠加高斯白噪声后的带噪语音,noise是被叠加的噪声 noise=randn(size(x...
matlab如何写程序算信噪比,Matlab中如何计算信噪比?_暗香ly的博客-CSDN...
%Matlab计算信噪比,程序如下 function snr=SNR(I,In) % 计算信号噪声比函数 % by Qulei % I :original signal % In:noisy signal(ie. original signal + noise signal) % snr=10*log10(sigma2(I2)/sigma2(I2-I1)) ...
matlab一为高斯噪声加入信噪比,【matlab】Matlab信号添加噪声及信噪比SNR的计算
转载自：http://blog.csdn.net/han____shuai/article/details/51087383一、MATLAB中自带的高斯白噪声的两个函数MATLAB中产生高斯白噪声非常方便，可以直接应用两个函数，一个是WGN，另一个是AWGN。WGN用于产生高斯白噪声，AWGN则用于在某一信号中加入高斯白噪声。1. WGN：产生高斯白噪声y = wgn(m,n,p) 产生一个m行n...
继续访问
最新发布 【数字信号去噪】基于matlab小波阙值数字信号去噪和求信噪比【含Matlab源码 2191期】
电能质量扰动信号的噪声大多以高斯白噪声的形式存在，利用小波变换对信号进行多分辨率分解，由于小波变换具有去除数据相关性的特点，故可以将有用信号与噪声的能量分离开来。信号中有效的信息主要集中在较大的小波系数上，而噪声大多分布在较小的系数中，因此通过设置阈值可以将低于该阈值的系数当做噪声去除从而达到滤波的目的。假设一个线性非平稳并含噪的一维信号表达式如下:其中，f(t)为原始信号，ε(t)为高斯白噪声，x(t)为含噪信号。
继续访问
matlab 求信噪比_热爱生活的小润的博客_matlab信噪比函数
matlab 求信噪比 clear allclc% 实信号求信噪比 % X= sqrt(2)*sin(0:pi/1000000:6*pi)%产生正弦信号 % Y = awgn(X,14,'measured')%加入信噪比为10db的噪声,加入前预估信号的功率(强度) % sigPower = sum(abs(...
matlab中的信噪比_zzsfqiuyigui的博客_matlab 信噪比计算
matlab中的信噪比 http://blog.sina.com.cn/s/blog_758ebadc0100qchy.html 以高斯噪声为例:若有用信号s(n)的最大幅度am,要求得到的信噪比为p,则p=10log10[(am^2)/b^2],用这个公式反推出高斯噪声的方差b^2,若s(n)单...
【Matlab代码】图像去噪评价指标-峰值信噪比-均方根误差、归一化相关性
【Matlab代码】图像去噪评价指标-峰值信噪比-均方根误差、归一化相关性
继续访问
基于fabric8io的kubernetes Java 依赖包
基于fabric8io的kubernetes Java 依赖包，jar包列表： fabric-utils-2.0.47.jar httpclient-4.5.3.jar kubernetes-client-3.0.3.jar kubernetes-model-2.0.8.jar log4j-1.2.15.jar log4j-over-slf4j-1.7.25.jar slf4j-api-1.5.6.jar slf4j-jdk14-1.5.6.jar
怎么在matlab中看滤波后的信噪比,为什么滤波之后信噪比反而降了？新手求大神指教...
本帖最后由 ppptt 于 2015-4-22 19:45 编辑求大神指教，对音频信号先进行加噪处理然后求信噪比是3.3967，然后进行形态滤波，再求信噪比不知道哪里出了问题，变成了3.1410，反而降了，调试了很久都不知道哪里出了错:'( ，是毕设的代码，所以有点着急，新手求大神指教，感激不尽~:)[y,fs,bits]=wavread('C:\Users\Administrator\Deskt...
继续访问
匹配滤波&最大信噪比
匹配滤波 信号与系统
继续访问
【滤波专题-第4篇】滤波器滤波效果的评价指标（信噪比SNR、均方误差MSE、波形相似参数NCC）
之前两篇文章讲了滤波算法的两大最基本理论和。本篇将讲一下滤波效果的评价指标与用法。评价指标主要用于对滤波效果的量化评价，在论文里经常会用到。
继续访问
给信号添加指定信噪比的带限白噪声
信号处理基础练习内容 1、生成确定信号：中心频率为800Hz的正弦信号和带宽为1KHz的线性调频信号，采样频率为40KHz。 2、生成随机信号：生成带限白噪声，频率范围为500-20KHz范围。 3、调整噪声，生成谱级信噪比分别为10dB,0dB,-10dB的信号与噪声叠加。 基础知识 信噪比（Signal Noise Rate（SNR））是通信系统或电路中某点上信号平均功率与噪声平均功率之比，该比值一般用分贝表示，信噪比越高表示噪声所占比重越小，信号质量越好。 信噪比的计算方法如下： 其中Ps和Pn分
继续访问
关于信噪比与向已知信号添加噪声zz
说起“向已知信号添加噪声”，有一个帖子不得不提，那是由happy教授介绍的两个常用函数，我这里引用一下： %=============================happy=================================% MATLAB中产生高斯白噪声非
继续访问
MATLAB给灰度图像添加指定信噪比（SNR）的噪声
首先特别指出，本博客思路参考：如何在信号中添加指定信噪比的高斯白噪声，为何深度学习去噪研究采用高斯白噪声？，特此感谢！ 根据信噪比的定义，SNR是信号功率与噪声功率比值的对数，即： 信号功率，利用方差可以事先计算出来，结合给定的SNR，可以求出噪声的功率。然后生成标准高斯噪声序列，再转换为我们所需要的噪声，具体代码如下所示： %给灰度图像添加指定信噪比的噪声 %先计算信号的功率,再获得噪声的...
继续访问
MATLAB中如何对原始信号添加不同信噪比的高斯白噪声
****## 标题MATLAB中如何对原始信号添加不同信噪比的高斯白噪声 1.高斯白噪声 白噪声：功率谱密度服从均匀分布； 高斯：噪声的幅度分布服从高斯分布； 定义一：如果一个噪声，它的瞬时值服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。 定义二：在一般的通信系统的工作频率范围内，热噪声的频谱是均匀分布的，类似白光的频谱在可见光的频谱范围内均匀分布，所以热噪声又常称为白噪声。由于热噪声是由大量自由电子的运动产生的，其统计特性服从高斯分布，故常将热噪声称为高斯白噪声。 2.信噪比 SNR：
继续访问
使用awgn加入噪声
X = sqrt(2)*sqrt(3)sin(0:pi/1000000:6pi)%产生正弦信号 Y = awgn(X,10,‘measured’)%加入信噪比为10db的噪声，加入前预估信号的功率（强度） sigPower = sum(abs(X).^2)/length(X) %求出信号功率 ...
继续访问
估计信噪比 matlab,matlab信噪比估计程序
以下程序运行平台:Matlab R2015a(8.5.0.197613) 一、 周期图法谱估计程序 1、 源程序 Fs=100000%采样频率 100kHz N=1024%数据长度 N=1024 n=0:N-......Matlab 信号处理工具箱 谱估计专题 频谱分析 Spectral estimation(谱估计)的目标是基于一个有限的数据集合描述一个信号的功率(在 频率上的)分布。功...
继续访问
matlab中对一个信号加指定信噪比的噪声
dt = 0.001% T = 1%仿真时间 t = 0:dt:T%时间向量 x = sin(10*2*pi*t)subplot(2,1,1)plot(t, x) y = awgn(x,-5,'measured')subplot(2,1,2)plot(t, y) awgn()函数可以对指定信号加一定信噪比的噪声
继续访问
ADC/DAC信噪比计算（单音/宽带信号）
转换器理论信噪比 理想转换器对信号进行数字化时，最大误差为±1/2LSB，量化噪声近似于高斯分布，几乎均匀地分布于从DC至fs/2的奈奎斯特带宽。其量化误差可以通过一个峰峰值幅度为q(一个LSB的权重)的非相关锯齿波形来近似计算。现理论信噪比可以通过满量程输入正弦波计算，可以估计得到均方根量化噪声如下： 因此，输入信号的均方根值为： 因此，只考虑ADC量化噪声，理想N位转换器的均方根信噪比为： 这就是信噪比SNR = 6.02N + 1.76dB的来源，考虑DC~FS/2带宽范围，并且有效位数增加1信
继续访问
信噪比
1.http://well3216.blog.sohu.com/96624202.html 看到很多朋友都在谈论信噪比这个概念，正好前段时间学到了这个，特此拿出来班门弄斧一下。 信噪比--SNR(有时写成S/N)是signal-to-noise ratio的缩写，是指有用信号(规定输入电压下的输出信号电压)和噪声信号(输入电压切断时，输出所残留之杂音电压)之间的比值。
继续访问
关于模拟信号的信噪比分析总结（待完善）
背景是做一个阻抗脉搏波的项目，大致原理为用高精度的ADC采集人体的阻抗信号，分析阻抗信号的变化和信号特征，从而得到人体的一些参数。例如：在此信号情形下，想要获取和分析信号的细节，就要对信噪比提出了一个比较高的要求。否则白噪声或者系统噪声就会将一些信号细节淹没，从而影响结果参数的准确性，重复性，一致性等。 因此本文主要是针对信号做信噪比的处理分析。目的是将...
继续访问
matlab 产生已知功率的复高斯白噪声及信噪比计算
假定已知噪声功率PnP_nPn，那么产生一个长度为NNN的复高斯白噪声代码为： n=sqrt(0.5∗Pn)∗(randn(1,N)+1jrandn(1,N)) n=sqrt(0.5*P_n) * (randn(1,N)+1jrandn(1,N)) n=sqrt(0.5∗Pn)∗(randn(1,N)+1jrandn(1,N)) 可以通过计算信号总能量除以信号长度验证该噪声的功率是否为PnP_nPn，即 Pn=n∗n′/NP_n=n*n'/NPn=n∗n′/N ...
继续访问
已知信噪比怎么求噪声matlab
clear allclc
N_ofdm=2048 %OFDM的点数为2048
f_delta=15e3 %子载波间隔为15k，此参数在代码中实际上没有使用
N_block=1000 %最大仿真量
N_subcarrier=1320 %可用子载波数
N_CP=144 %CP长度
Symbol_number=14 %每次传输的OFDM符号个数
conv_poly=[23,35] %卷积码生成多项式
K=5 %卷积码约束长度
trel=poly2trellis(K,conv_poly) %产生卷积码格图
tail=zeros(1,K-1) %为了是卷积码编码器回零而添加的尾比特
mod_degree=4 %16QAM调制
code_rate=0.5 %码率
tb_len=50 %Viterbi译码器回溯长度
bit_length=mod_degree*code_rate*N_subcarrier*Symbol_number-K+1%根据以上参数配置可以得到在一个数据块中所能承载的信息比特总数
SNR_db=0:1:10 %设置仿真的信噪比范围
SNR=10.^(SNR_db/10) %将信噪比转换为自然数肢塌信值
ber=zeros(1,length(SNR)) %初始化误码率存储空间
bler=zeros(1,length(SNR)) %初始化误码率存储空间
h1=modem.qammod('M',2^mod_degree,'InputType','bit','SymoblOrder','gray') %产生QAM调制对象，输入类型为比特输入，符号顺序为格雷映射历轮
h2=modem.qamdemod(h1,'OutputType','bit','DecisionType','approximatellr',...'NoiseVariance',1) %产生QAM解调对象，选择软判决解调形式。由于此时噪声方差位置，暂设为1
for loop_snr=1:length(SNR)
err=0
err_blk=0
sigma=sqrt(1/SNR(loop_snr)/2)
for loop_block=1:N_block%此处省略的代码为每个数据帧的处理过程，将在下面详细介绍
end
ber(loop_snr)=err/(bit_length*loop_block)
bler(loop_snr)=err_blk/loop_block
end
for loop_block=1:N_block
source=randsrc(1,bit_length,[0,1]) %产生信源
code=convenc([source,tail],trel) %卷积编码，状态归零
symbol=modulate(h1,code') %用调制对象h1调制code序列
symbol=symbol/3.1622 %子载波符号能量归一化
transmit_data=zeros(1,Symbol_number*(N_CP+N_ofdm)) %发送时域样本初始化
for loop_symbol=1:Symbol_number%OFDM符号循环，每衫誉次循环产生一个OFDM符号的所有时域样本
freq_domain=zeros(1,N_ofdm) %频域数据初始化
freq_domain((N_ofdm-N_subcarrier)/2+1:(N_ofdm-Nsubcarrier)/2+N_subcarrier)=symbol((loop_symbol-1)*N_subcarrier+1:loop_symbol*N_subcarrier) %子载波映射，映射在中间的N_subcarrier个子载波上
time_domain=ifft(freq_domain)*sqrt(N_ofdm) %IFFT是实现OFDM调制，注意能量归一化
transmit_data((loop_symbol-1)*(N_CP+N_ofdm)+1:loop_symbol*(N_CP+N_ofdm))=[time_domain(N_ofdm-N_CP+1:N_ofdm),time_domain] %加CP
end
received_data=transmit_data+(randn(1,length(transmit-data))+j*randn(1,length(transmit_data)))*sigma %加噪声，得到接受信号
for loop_symbol=1:Symbol_number
de_CP=received_data((loop_symbol-1)*(N_CP+N_ofdm)+N_CP+1:loop_symbol*(N_CP+N_ofdm)) %去掉CP
fft_data=fft(de_CP)/sqrt(N_ofdm) %FFT，能量归一化
demapp_data((loop_symbol-1)*N_subcarrier+1:loop_symbol*N_subcarrier)=fft_data((N_ofdm-N_subcarrier)/2+1:(N_ofdm-N_subcarrier)/2+N_subcarrier) %解映射
end
h2.NoiseVariance=sigma*sigma*3.1622*3.1622 %重新设置解调对象的噪声方差参数
data_demodulated=demdulate(h2,demapp_data*3.1622) %软解调，注意在解调前需要根据解调对象的要求将信号重新变回到原来的星座上
temp1=size(data_demodulated)
data_demodulated=reshape(data_demudulated,1,templ(1)*templ(2)) %将软解调输入的矩阵整理成一个行向量
decision=vitdex(data_demodulated,trel,tb_len,'term','unquant') %去穷量化维特比译码
decision=decision(1:length(source)) %去尾比特
err=err+sum(decision~=source) %统计误码数
if(sum(decision~=source)~=0)%统计误码块数
err_blk+err_blk+1
end
if(err_blk>=10)%错10个块停止该信噪比下的仿真
break
end
end
semilogy(SNR_dB,ber,'-^')
grid on
xlabel('SNR(dB)')
ylable('BER')
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）