想到这个问题是因为平时使用的香农公式是 C=0.5*log2(1+SNR),后面才发现香农公式针对的好像是输入时高斯分布的情况,这种情况下用互信息来推导也可以看到: \[\begin{array}{c}I(X;Y) = H(Y) - H(Y|X)\\ = H(Y) - H(N)\\ = H(Y) - \frac{1}{2}\log (2\pi eN)\\ = \frac{1}{2}\log (2\pi e(P + N)) - \frac{1}{2}\log (2\pi eN)\end{array

Matlab实现加性高斯白噪声信道(AWGN)下的digital调制格式识别分类 内容大纲 加性高斯白噪声信道(AWGN)下的digital调制格式识别分类 (1. PSK; 2. QPSK; 3.8QAM; 4. 16QAM; 5. 32QAM; 6.64QAM) 100次独立仿真,识别正确率 vs SNR 设计 我的实现方法是 基于高阶累积量的信号特征的识别算法 调制格式识别过程如下: 信号预处理 去除直流成分 信号在接收端由于接收机的影响,有可能产生直流成分.直流分量在后面混频等处理中会产

由于是第一篇博客,想先说点废话,其实自己早就想把学到的一些东西总结成文章随笔之类的供自己复习时查看的了.但是一是觉得自己学的的不够深入,总结也写不出什么很深刻的东西:二是觉得网上也有海量的资料了,需要时查一查根本不需要自己写.但是恰恰也是网上的资料过于庞大,良莠不齐,导致每次都如海水一样的知识涌入脑中,最后也如走马观花一般了了看下,知识吸收率低的惊人.现在也准备改变一下观念,尽量把自己学过的东西归纳整理,以随笔的形式发出来,可能有些地方我还不能理解作者的做法,我也会记录出来,懂的地方解释清楚,不

最近在做的一些关于lattice codes的工作,想记录下来. 首先,我认为lattice coding是一种联合编码调制技术,将消息序列映射到星座点.其中一个良好的性质是lattice points的叠加仍然是lattice point. 先介绍一些关于lattice的基础知识. Lattice $\Lambda  \subseteq {\mathbb{R}^n}$是$\mathbb{R}$空间的离散子群,可以通过生成矩阵${\bf{G}}$生成: $\Lambda  = \left\{ {

程序说明 V0.0 2015/1/24 LDPC译码算法代码概述   概述   本文介绍了包括LDPC_Simulation.m, ldpcdecoderbp1.m,ldpcdecoderminsum.m, ldpcdecoderbp2.m,ldpcdecoderminsum2.m在内的MATLAB代码的编写思路,基本原理和功能,具体代码可见文后.本文暂不涉及LDPC校验矩阵的构造和编码程序,此部分由他人提供. 修订历史 以下表格展示了本文档的修订过程 日期 版本号 修订内容 2015/02/0

BPSK相干解调和DBPSK非相干解调误码率仿真 本脚本完成了BPSK和DBPSK两种不同调制方式下的误码率(DBPSK差分相干)仿真, 并和理论曲线进行了对比. 撰写人:*** 最后修改日期:2015-03-18 软件版本:MATLAB(R) 2014a 程序添加和修改包括 BPSK未作修改 DPSK添加了成型部分,同时从<高等数字通信>中看到了DPSK最佳接收机的结构 待改进 怎样选择仿真点数才能保证结果可信,可信程度是多少?如何衡量? Contents 初始设置 误码率仿真 绘图和数据输

html,body,div,span,applet,object,iframe,h1,h2,h3,h4,h5,h6,p,blockquote,pre,a,abbr,acronym,address,big,cite,code,del,dfn,em,font,img,ins,kbd,q,s,samp,small,strike,strong,sub,sup,tt,var,b,u,i,center,dl,dt,dd,ol,ul,li,fieldset,form,label,legend,table,ca

继前两节我们分别探讨了极化码的编码,以及深入到高斯信道探讨高斯近似法之后,我们来关注一个非常重要的极化码构造算法.这个算法并没有一个明确的名词,因此我们以两位发明者的名字将其命名为“Tal-Vardy算法”. 在<极化码小结(2)>之中,我们简单讲述了BEC信道下构造极化码的方法——通过直接计算巴氏参数Z(W)来构造,计算复杂度为O(N). 在<极化码之高斯近似>中,我们讨论了常用的高斯信道下构造极化码的方法——高斯近似,计算复杂度也为O(N). 现在,我们再次将极化码的触手伸向另

关于OFDM系统的MATLAB仿真实现的第二篇随笔,在第一篇中,我们讨论的是信号经过AWGN信道的情况,只用添加固定噪声功率的高斯白噪声就好了.但在实际无线信道中,信道干扰常常是加性噪声.多径衰落的结合.今天我们准备再进一步,让信号经过多径瑞利衰落信道.在这种信道条件下,信号具体是怎么怎么变化的呢?下面将讲解系统仿真的各个部分以及实现多径衰落的方法. 注意:为了整个系统的完整性,第一篇随笔中的每个步骤这里也都又写了一遍,但省略了补充知识部分,在第一篇的基础上添加了实现多径衰落的部分.想要看信噪比

1.Turbo码: 信道编码的初期:分组码实现编码,缺点有二:只有当码字全部接收才可以开始译码,需要精确的帧同步时延大,增益损失多 解决方案:卷积码:充分利用前一时刻和后一时刻的码组,延时小,缺点:计算复杂度高 Turbo码,依靠迭代译码解决计算复杂性问题,通过在编译码器中交织器和解交织器的使用,有效地实现随机性编译码的思想,通过短码的有效结合实现长码,达到了接近Shannon理论极限的性能(在两个分量译码器之间迭代译码) 缺点:时延问题. 百科结论:Turbo码采用反馈卷积码是为了获得更大的交

1.日期函数表作用 经常使用Excel或者PowerBI,Power Pivot做报表,时间日期是一个重要的纬度,加上做一些钻取,时间日期函数表不可避免.所以今天就给大家分享一个自定义的做日期表的方法,当然自己使用Excel用公式做一个也很快,八仙过海各显神通.我对C#比较了解,就用自己最了解的方式做了一个.大家可以自己扩充,或者可以把需求提供我,我统一完善.比如下面这个表(来自一个Power Pivot课程). 本文原文地址:http://www.cnblogs.com/asxinyu/p/P

千呼万唤的Power BI中国版终于落地了,相信12月初的微软技术大会之后已经铺天盖地的新闻出现了,不错,Power BI中国版真的来了,但还有些遗憾,国际版的一些重量级服务如power bi embeded,都还暂时不能用,但相信会很快,等了一年,也不在乎多等点时间了,而且中国版的一些服务已经可以先进行一些测试和技术储备了.今天就来说说Power BI帐号注册的相关问题,以及多人协作环境的搭建. 苦逼这篇文章应该在2016年末发出来的,杯具搞到半夜,Win10系统死掉了...无法保存,当时那个

Power BI有手机版,目前支持安卓,苹果和WP,不过没有WP手机,苹果在国内还不能用,要FQ和用就不测试了.安卓的我也也是费了九牛二虎之力才把app下载下来,把方法分享给大家. FQ太麻烦,所以建议大家不要用了.同时我也使用了很多第三方的在线网站下载google商店的app工具,结果都不太好使用.后来找到一个流弊的软件:APKPure (最后提供下载) APKPure是干啥的呢: ApkPure 网站是基于安卓系统应用下载的辅助网站,对于没有安装Google Play的用户来说是个很实用的工

Power BI Desktop 8月24日发布了更新版本.现将更新内容翻译整理如下,可以根据后面提供的链接下载最新版本使用. 1.主要功能更新 1.1 数据钻取支持在线版 以前的desktop中进行数据钻取时,很方便,但是发布到在线版后是无法进行的,新版本开始在线版支持了. 1.2支持对时间数据自上到下的钻取 对于时间类型的数据,可以自动汇总,按照 年-季度-月-日,根据日期字段自动进行钻取. 1.3 增加分析面板和参考线 这个在做一份综合的分析报表的时候很有用,以前在使用的时候为了加一条参考

说起Oracle数据库,以前没用过Oracle不知道,但是这1年用Oracle后,发现真的是想狂吐槽,特别是那个.NET驱动和链接字符串,特别奇葩.总归是和其他数据库不一样,标新立异,不知道为何.另外如果想去Oracle官网搞点东西,比啥都难,密码设置强度要求很高,经常记不住,每次都是重置密码再进去,总是要费周折.好在.NET的驱动中,现在已经有纯托管驱动(Oracle.ManagedDataAccess.dll)方便了不少,备受折磨的朋友赶紧去切换吧,很简单,几个命名空间换一个就好了.总算做了

前几个月时间,研究微软Power BI技术,由于没有任何文档和资料,只能在英文官网瞎折腾,同时也发布了英文文档的相关文章:系列文章,刚好上周把文章发布完,结果简体中文版上线了.哈哈,心里有苦啊,早知道这么快,我就省点时间了. 1.为何简体中文版姗姗来迟 之前我主要是进入英文版和繁体中文版,为什么之初没有简体中文版,我估计的主要原因有以下几个: 1) 由于国内的云监管政策,导致Power BI相关服务落地有点延后: 2) Power BI Desktop本身目前还有诸多不完善,所以今年的更新也挺频

在当前互联网,由于大数据研究热潮,以及数据挖掘,机器学习等技术的改进,各种数据可视化图表层出不穷,如何让大数据生动呈现,也成了一个具有挑战性的可能,随之也出现了大量的商业化软件.今天就给大家介绍一款逆天Power BI可视化工具.逆天的不仅仅是工具,还有其使用门槛和价格.        本文原文地址:http://www.cnblogs.com/asxinyu/p/Power_BI_Category.html Power BI系列文章地址:http://www.cnblogs.com/asxin

在没认清现状前,企业当然不能一言不合就上BI. BI不同于一般的企业管理软件,不能简单归类为类似用于提高管理的ERP和WMS,或用于提高企业效率的OA.BPM.BI的本质应该是通过展现数据,用于加强企业各环节的管控,帮助快速制定科学的决策. 在选型BI之前,是否认清了眼下的问题? 多数选型BI的公司通常是出于以下几种需求. 1.领导厌倦了看常规报表或进入各业务系统看数据,希望给到直观明了的指标数据: 2.业务错综复杂,难以理清规律,对数据分析和数据挖掘的需求越来越明显: 3.以IT部门来驱动的数

如今的企业经营方式,业务对于数据分析有极大的需求,但却苦于没有数据以及工具的有效支持,业务分析仍就依赖于IT报表制作.而IT方不断地按业务需求去调研.确认业务逻辑,然后取数做报表,其中还要忍受业务的需求变更. Gartner在2016年的商业智能报告中指出,企业传统的IT应用系统虽然已经非常普及,但由于数据整合的复杂性和业务逻辑的多变性,传统BI工具已不能满足企业对于及时性数据分析的需求.以IT主导的商业智能BI和分析将逐步演变为以业务为主导的自助式分析. 工欲善其事,必先利其器.企业对于自助式

如今,百度一下商业智能或BI工具,总能看到Tableau的身影.并不是Tableau的营销做得好,而是国内对于商业智能工具的认知和选择似乎都落在了Tableau身上.导致不管业内业外都对商业智能的概念有了偏颇之见,认为就是一个前端展示工具,就是一个做图表的. 这里并不是在否认Tableau.确实,Tableau的可视化,图表制作能力被众人称赞,这点值得国内BI厂商借鉴.但从商业智能的应用来看,企业对于BI的关注,更多的是数据处理的性能(数据量.速度.稳定性).产品的适配性(可开发性.可集成性)以

过去,有关企业数据分析的重担都压在IT部门,传统BI分析更多面向的是具有IT背景的人员.但随着业务分析需求的增加,很多公司都希望为业务用户提供自助分析服务,将分析工作落实到业务人员手中.但同时,分析工具毕竟作为一个系统架设在企业数据分析平台的前端,需要适应企业的复杂业态,于是自助式BI成了不二选择. 由于数据的数量和复杂性,自助式BI工具需要兼顾这两个方面: 1. 工具的易操作性 工具是否简单易用,分析逻辑是否符合常规,决定着这个工具能否被快速地掌握.自助分析工具应避免复杂SQL的学习以及额外的