clear all
nsymbol=10000; %每种信噪比下的发送符号数
SymbolRate=1000; %符号速率
nsamp=50; %每个符号的取样点数
fs=nsamp*SymbolRate; %取样频率
fd=100; %Rayleigh衰落信道的最大多普勒频移
chan=rayleighchan(1/fs,fd); %生成Rayleigh衰落信道
M=4; %4-QAM和4-FSK
graycode=[0 1 3 2 ]; %Gray编码规则
EsN0=0:2:20; %信噪比,Es/N0
snr1=10.^(EsN0/10); %信噪比转换为线性值
msg=randint(1,nsymbol,M); %消息数据序列
msg1=graycode(msg+1); %Gray映射
x1=qammod(msg1,M); %基带4-QAM调制
x1=rectpulse(x1,nsamp);
x2=fskmod(msg1,M,SymbolRate,nsamp,fs); %4-FSK调制
spow1=norm(x1).^2/nsymbol; %求4-QAM信号每个符号的平均功率
spow2=norm(x2).^2/nsymbol; %求4-FSK信号每个符号的平均功率
for indx=1:length(EsN0)
sigma1=sqrt(spow1/(2*snr1(indx))); %根据符号功率求噪声功率
sigma2=sqrt(spow2/(2*snr1(indx)));
fadeSig1=filter(chan,x1); %4-QAM信号通过Rayleigh衰落信道
fadeSig2=filter(chan,x2); %4-FSK信号通过Rayleigh衰落信道
rx1=fadeSig1+sigma1*(randn(1,length(x1))+j*randn(1,length(x1))); %加入高斯白噪声
rx2=fadeSig2+sigma2*(randn(1,length(x2))+j*randn(1,length(x2)));
y1=intdump(rx1,nsamp); %相关
y1=qamdemod(y1,M); %4-QAM信号解调
decmsg1=graycode(y1+1); %Gray逆映射
[err,ber1(indx)]=biterr(msg,decmsg1,log2(M)); %4-QAM信号误比特率
[err,ser1(indx)]=symerr(msg,decmsg1); %4-QAM信号误符号率
y2=fskdemod(rx2,M,SymbolRate,nsamp,fs); %4-FSK信号解调
decmsg2=graycode(y2+1); %Gray逆映射
[err,ber2(indx)]=biterr(msg,decmsg2,log2(M)); %4-FSK信号误比特率
[err,ser2(indx)]=symerr(msg,decmsg2); %4-FSK误符号率
end
semilogy(EsN0,ser1,'-k*',EsN0,ber1,'-ko',EsN0,ser2,'-kv',EsN0,ber2,'-k.');
title('4-QAM和4-FSK调制信号在Rayleigh衰落信道下的性能')
xlabel('Es/N0');ylabel('误比特率和误符号率')
legend('4-QAM误符号率','4-QAM误比特率','4-FSK误符号率','4-FSK误比特率')
chapter7.zip_8psk_数字调制系统
版权申诉
54 浏览量
2022-09-19
22:49:42
上传
评论
收藏 29KB ZIP 举报
weixin_42651887
- 粉丝: 79
- 资源: 1万+
最新资源
- KMP算法(Knuth-Morris-Pratt算法
- KMP算法(Knuth-Morris-Pratt算法
- shufflenet模型-python语言pytorch框架训练识别张嘴闭嘴-不含数据集图片-含逐行注释和说明文档.zip
- resnet模型-基于人工智能的卷积网络训练识别面部表情识别-不含数据集图片-含逐行注释和说明文档
- resnet模型-python语言pytorch框架训练识别香蕉品质-不含数据集图片-含逐行注释和说明文档.zip
- KMP算法(Knuth-Morris-Pratt算法
- mobilenet模型-python训练识别塑料制品分类-不含数据集图片-含逐行注释和说明文档.zip
- KMP算法(Knuth-Morris-Pratt算法
- mobilenet模型-CNN图像分类识别葡萄品级果-不含数据集图片-含逐行注释和说明文档.zip
- KMP算法(Knuth-Morris-Pratt算法
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
评论0