分数阶傅里叶变换应用于超宽带系统的信道估计

描述：研究一种基于分数阶傅里叶的方法进行时变信道估计。对于信道参数模型，通过发射多分量线性调频信号（multi-component LFM signal）探测信道。在接收端应用分数阶傅立叶变换对接收信号进行参数估计及信道估计,从而获得时变信道参数。 步骤：1.提出UWB LFM信号的信道估计的方案 2. 完成UWB LFM信号的信道估计的仿真 3.给出结果并且分析所提出方法的性能及可用性。 任务： 1.大体框架和给您的文章(《一种基于分数阶傅立叶变换的时变信道参数估计方法》陈恩庆，陶然，)是一样的，必须先仿真这篇论文中的四个仿真图（即文章的第四个部分仿真实例）。再进行之后的改进，原文仿真代码和改进代码都要。 2.蒙特卡罗模拟随机信源。 3.多分量线性调频信号（multi-component LFM signal）做导频信号 4.接收端用FrFT检测导频信号，并且进行参数估计及信道估计(仿真重点) 5.调节至超宽带频率。 6. 当SNR高于10db的时候，误码率不要高于10^-4。 7.写明方案大体流程，写清程序的注释。 8.我学校的要求都是英文的，以上为我的翻译，要是有不明白的地方，请参考我的《英文原版题目》 9.除了参考论文的仿真图外，多仿真一些其他可用于信道模拟的图。 10.先用最简单的LS信道估计方法（含仿真代码及图）作为文章引入 11.如果可以，把我的方法和另外一种常用的简单的做比较证明他的优势。

基于物理层网络编码MIMO通信系统设计

1) 掌握无线通信原理的基本知识； 2） 掌握MIMO信道模型； 3） 掌握物理层网络编码技术； 4） 设计一个基于物理层网络编码技术的MIMO通信系统； 5) 撰写论文,论文字数应在12000字左右。

基于MATLAB SIMULINK的数字信号调制解调

仿真程序要求较为简介易懂，主要为ASK，FSK，BPSK的调制解调仿真 符合大专稍微提高点的水平

基于MATLAB的fsk调制解调

1、FSK通信系统理论分析 （1）发射机模块：数字信号经过FSK调制后进行发射，利用载波的频率变化来传递数字信息。它利用基带信号离散取值的特点对载波频率进行频移键控。实现起来较容易,抗噪声与抗衰减的性能较好。在中低速数据传输中得到了广泛的应用。 最常见的是用两个频率承载二进制1和0的双频FSK系统。 （2）接收机模块：基带FSK调制信号对载波频率进行键控后，经过信道和加性高斯白噪声后进入接收机。接收机根据接收到的信号进行相干解调，恢复出原始信号，达到通信的目的。 2、系统实验仿真 （1）FSK信号波形产生；（2）FSK信号功率谱；（3）FSK接收信号波形；（4）FSK信号误码率曲线。

OFDM系统的时间同步算法研究及仿真

做OFDM系统的时间同步的几种算法分别在slow fading channel和fast fading channel下的仿真及性能比较（MSE vs SNR）： （1）最大似然数法；[1][2][4][5] （2）Schmidl&Cox;符号同步算法；[3][4][5] （3）Minn符号同步算法；[4][5] （4）Park符号同步算法；[4][5] （5）基于循环前缀的盲目符号同步算法。[6]

模拟调幅广播系统建模与仿真

内容：了解Matlab/Simulink的应用背景, 掌握Simulink的建模和仿真方法；应用Simulink对模拟调幅广播系统进行建模和仿真。 要求： (1)用Simulink实现AM标准调幅系统的建模和仿真； (2)用Simulink实现调幅广播系统的建模和仿真； (3)对各功能模块的参数设置情况作出详细的说明； (4)对仿真结果作出必要详尽的分析和说明； (5)提出改进措施

LTE传输系统的性能研究

本课题拟采取的研究方法是算法研究，即利用计算机和MATLAB软件开展相关实验，对LTE传输技术进行研究，对比不同技术下的传输性能，发现其中的问题并加以解决。 技术路线可分为以下几个阶段：首先是学习相关文献资料，理解LTE的发展历程和OFDM的基本知识；其次研究LTE下行链路中基于峰值抵消的峰均比抑制技术，推导采用不同数字调制方法适合，联合峰值抵消的OFDM系统的传输性能，然后利用MATLAB进行仿真。分析MIMO传输模型下，LTE系统的性能分析对比，最后给出总结。 可行性分析：本人已经学过无线通信相关课程，并进行过MATLAB的学习和应用，对OFDM的相关技术也有一定的了解，最近通过学习文献资料，又进一步了解了LTE物理层核心技术

基于MATLAB的低密度奇偶校（LDPC）验码编码与解码的仿真

基于MATLAB的低密度奇偶校（LDPC）验码编码与解码的仿真 ldpc码的编解码原理，仿真源程序和仿真图，基于matlab软件下 设计参数对LDPC码性能的影响 码长 列重 迭代次数 源码和仿真图

基于卷积神经网络的问答方法研究

1.环境配置： ubantu(16.04) python(3.5) tensorflow(0.12.0) export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0-cp35-cp35m-linux_x86_64.whl sudo pip3 install --upgrade $TF_BINARY_URL 2.模型介绍： https://www.tensorflow.org/versions/r0.12/tutorials/seq2seq/ 本项目基于seq2seq模型： 问答对： 问题：你是谁？-->转为向量（20,9,10） 答案：我是你的机器人。-->转为向量（30,9,20,1,3,4,5) 将以上向量放入模型进行训练。 3.模型优化: layer_size = 256 # 每层大小 num_layers = 3 # 层数 增大layer_size的大小以扩大特征矩阵，调整隐层数量，调整学习率函数，提高训练次数。 4.模型使用： (1)首先在data文件夹里放置训练集文件，并命名为dgk_shooter_min.conv,数据格式请参考我发给你的实例文件，编码请使用utf-8 (2)运行read_data.py将初始数据转化为问答对，并分割数据成训练集和测试集，保存为： train_encode_file = 'data/train.enc' train_decode_file = 'data/train.dec' test_encode_file = 'data/test.enc' test_decode_file = 'data/test.dec' 然后程序会以测试集以及训练集中的问答对为输入生成词汇表（类似搜索引擎的索引库），接着基于以上生成的词汇表，把问答对转化为向量矩阵，以方便在模型中训练。 （3）运行cnnbrain_model.py读取训练集并且训练模型，注意如果不停止模型会一直不停的自动训练下去。并且模型会自动调整学习率。如果人为终止程序，在下次运行时程序会接着上次的模型继续进行训练。 （4）运行test.py进行模型测试

matlab人脸识别

使用matlab编写程序,能够成功分辨yale data base B 里的人脸。 编写的程序要最大限度地改善，光线对人脸识别的影响。选择能够去除人脸光线变化的程序，像LBP(local binary pattern). 或者一些预处理方法