matlab信道仿真经典源程序

基于MATLAB的移动通信信道建模与仿真精简版范文

基于MATLAB的移动通信信道建模与仿真基于MATLAB的移动通信信道建模与仿真引言移动通信是现代社会中必不可少的一部分，而移动通信信道的建模与仿真对于无线通信系统的设计与性能分析具有重要的意义。

MATLAB作为一种强大的数学建模与仿真工具，能够方便地实现移动通信信道的建模与仿真。

信道建模移动通信信道可以被看作是一个多径传播的环境，其中包含了直达信号、反射信号和散射信号等多个路径。

为了更好地描述信道的传输特性，常用的信道模型有以下几种：AWGN信道模型：假设信道中只有加性高斯噪声，是最简单的信道模型。

Rayleigh信道模型：假设信道中存在多个随机相位、高斯分布的反射路径信号，适用于城市等复杂环境。

Rician信道模型：假设信道中除了多个反射路径信号外，还存在一个主导的直达路径信号，适用于开阔区域。

信道仿真利用MATLAB进行信道仿真可以通过以下步骤实现：1. 发送信号：根据通信系统的要求，所需的发送信号。

2. 信道建模：选择合适的信道模型，并根据信道参数进行信道建模。

3. 信道传输：将发送信号通过信道进行传输，得到接收信号。

4. 接收信号处理：根据发送信号和接收信号的差异计算误码率、信号功率等性能指标。

示例代码以下是一个基于MATLAB的AWGN信道模型的移动通信信道仿真示例代码：matlab% AWGN信道模型的移动通信信道仿真示例代码SNR_dB = 10; % 信噪比（单位：dB）EbNo_dB = SNR_dB + 10 log10(1/2); % 能量比率（单位：dB）EbNo = 10^(EbNo_dB / 10); % 能量比率（单位：线性）N0 = 1 / (2 EbNo); % 噪声功率谱密度N = 1000000; % 发送信号的长度transmit_signal = randi([0, 1], 1, N); % 随机发送信号（0/1序列）receive_signal = transmit_signal + sqrt(N0/2) randn(1, N); % 添加噪声基于MATLAB的移动通信信道建模与仿真是一种快速并且有效的方法，能够帮助我们更好地理解和分析移动通信信道的性能。

MATLAB环境下ISI信道仿真及自适应均衡器设计程序说明书

MATLAB 环境下ISI 信道仿真及自适应均衡器设计程序说明一、系统模型二、ISI 信道仿真及LSM 算法自适应均衡器原理1、发送端和接收端滤波器的级联和在采样瞬间时的信道可用等效的离散时间FIR 信道滤波器来表示，Xn={0.05 -0.063 0.088 -0.126 -0.25 0.9047 0.25 0 0.126 0.038 0.088}，n={-5,-4,…,5}。

2、基于MSE 准则的均衡器抽头系数的自适应算法为：^^1k k k k c c e y +=+∆其中^k c 代表抽头系数向量的估值，∆为迭代过程中的步长参数，k e 为误差信号，k y 代表在瞬时k 包含均衡器中2k+1接收信号值的行向量。

误差信号k e 表示为：k k k e a z =-；k z 为均衡器输出，k a 为已知信号序列。

最初用一已知伪随机序列{k a }在信道上将这个自适应均衡器进行训练。

在解调器端，均衡器用这个已知序列去调整它的系数，一旦初始调节完成，自适应均衡器就从一个训练模式切换到直接判决模式，这时：^k k k e a z =-，式中^k a 是检测器的输出。

为了确保收敛和在慢变化信道中好的跟踪能力，选择步长参数的一种经验公式是15(21)R k P ∆=+ 式中R P 代表接收到的信号加噪声的功率，它可以从接收信号中估计出。

三、仿真结果图四、结论分析从结果图中我们可以看出，在信噪比逐渐增大的过程中，未经均衡器均衡的差错率没有明显改善，可知系统中始终存在码间干扰造成的误码；经均衡器均衡后的差错率则有明显改善。

但我们同时也可以看到在信噪比较低情况下，均衡器均衡之后的误码率并没有明显改善，甚至没有未均衡的差错率低，这主要是因为噪声为随机信号，功率大时对源信号影响较大，而且均衡器不易跟踪；当我们把均衡器的步长调低后，跟踪能力增强，差错率降低。

附源程序代码：main_plot.mclear;clc;echo off;close all;N=10000; %指定信号序列长度info=random_binary(N); %产生二进制信号序列SNR_in_dB=8:1:18; %AWGN信道信噪比for j=1:length(SNR_in_dB)[y,len]=channel(info,SNR_in_dB(j)); %通过既有码间干扰又有白噪声信道numoferr=0; %初始误码统计数for i=len+1:N+len, %从第len个码元开始为真实信号码元if (y(i)<0), %判决译码elsedecis=1;end;if (decis~=info(i-5)), %判断是否误码，统计误码码元个数numoferr=numoferr+1;end;end;Pe(j)=numoferr/N; % 未经均衡器均衡，得到的误码率end;semilogy(SNR_in_dB,Pe,'red*-'); %未经均衡器，误码率结果图hold on;delta_1=0.11; %指定自适应均衡器的步长delta_2=0.09; %指定自适应均衡器的步长for j=1:length(SNR_in_dB)y=channel(info,SNR_in_dB(j)); %通过信道z=lms_equalizer(y,info,delta_1); %通过自适应均衡器，并设置步长为0.11 numoferr=0;for i=1:N,if (z(i)<0),decis=-1;elsedecis=1;end;if (decis~=info(i)),numoferr=numoferr+1;end;end;Pe(j)=numoferr/N; % 经自适应均衡器均衡后，得到的误码率end;semilogy(SNR_in_dB,Pe,'blacko-'); %自适应均衡器均衡之后，误码率结果图hold on;for j=1:length(SNR_in_dB)y=channel(info,SNR_in_dB(j)); %通过信道z=lms_equalizer(y,info,delta_2); %通过自适应均衡器，并设置步长为0.09 numoferr=0;for i=1:N,if (z(i)<0),decis=-1;elsedecis=1;end;numoferr=numoferr+1;end;end;Pe(j)=numoferr/N; % 经自适应均衡器均衡后，得到的误码率end;semilogy(SNR_in_dB,Pe,'blue.-'); %自适应均衡器均衡之后，误码率结果图hold on;xlabel('SNR in dB');ylabel('Pe');title('ISI信道自适应均衡系统仿真');legend('未经均衡器均衡','经自适应均衡器均衡，步长detla=0.11',...'经自适应均衡器均衡，步长detla=0.09');random_binary.m%产生二进制信源随机序列function [info]=random_binary(N)if nargin == 0, %如果没有输入参数，则指定信息序列为10000个码元N=10000;end;for i=1:N,temp=rand;if (temp<0.5),info(i)=-1; % 1/2的概率输出为-1elseinfo(i)=1; % 1/2的概率输出为1endend;channel.m%模拟既有码间干扰又有高斯白噪声的信道function [y,len]=channel(x,snr_in_dB)SNR=exp(snr_in_dB*log(10)/10); %信噪比真值转换sigma=1/sqrt(2*SNR); %高斯白噪声的标准差%指定信道的ISI参数，可以看出此信道质量还是比较差的actual_isi=[0.05 -0.063 0.088 -0.126 -0.25 0.9047 0.25 0 0.126 0.038 0.088];len_actual_isi=(length(actual_isi)-1)/2;len=len_actual_isi;y=conv(actual_isi,x); %信号通过信道，相当于信号序列与信道模型序列作卷积%需要指出，此时码元序列长度变为N+len-1，译码时我们从第len个码元开始到N+len个结束for i=1:2:size(y,2),[noise(i) noise(i+1)]=gngauss(sigma); %产生噪声end;y=y+noise; %叠加噪声gngauss.m%产生高斯白噪声function [gsrv1,gsrv2]=gngauss(m,sgma)if nargin == 0, %如果没有输入实参，则均方为0，标准差为1m=0; sgma=1;elseif nargin == 1, %如果输入实参为1个参数，则标准差为输入实参，均值为0 sgma=m; m=0;end;u=rand;z=sgma*(sqrt(2*log(1/(1-u))));u=rand;gsrv1=m+z*cos(2*pi*u);gsrv2=m+z*sin(2*pi*u);lms_equalizer.m%LSM算法自适应滤波器实现function [z]=lms_equalizer(y,info,delta)estimated_c=[0 0 0 0 0 1 0 0 0 0 0]; %初始抽头系数K=5;for k=1:size(y,2)-2*K,y_k=y(k:k+2*K); %获取码元，一次11个z_k=estimated_c*y_k'; %各抽头系数与码元相乘后求和e_k=info(k)-z_k; %误差估计estimated_c=estimated_c+delta*e_k*y_k; %计算校正抽头系数z(k)=z_k; %均衡后输出的码元序列end;。

MATLAB仿真实例

MATLAB仿真实例通信原理是指传输信息的原理和方法。

MATLAB可以用于实现各种通信原理的仿真，包括信号的调制、发送、接收、解调等过程。

下面我将介绍一个基于MATLAB的通信原理仿真实例。

本实例以频率调制通信原理为基础，以调频调制(FM)为例进行仿真。

1.首先定义模拟信号源，生成一个基带信号。

例如，我们可以选择一个正弦波信号作为基带信号，其频率为$f_m$。

2.接下来，我们需要将基带信号进行调频调制。

在调频调制过程中，我们将基带信号的频率进行调制，生成载频为$f_c$的调制信号。

3. 在MATLAB中，我们可以使用freqmod函数来进行调频调制。

该函数接受基带信号、载频和调制指数作为输入参数，并返回调制信号。

4.在得到调制信号后，我们可以进行发送模拟。

发送模拟是指将调制信号通过信道传输，可以简单地将信号存储为一个信道矩阵。

5. 在接收端，我们需要对接收到的信号进行解调，以恢复基带信号。

在调频调制中，我们可以使用freqdemod函数进行解调。

该函数接受解调信号、载频和调制指数作为输入参数，并返回解调后的信号。

6.最后，我们可以将解调信号与原始信号进行比较，计算它们之间的误差。

可以使用均方根误差(RMSE)作为误差度量指标。

通过以上过程，我们可以完成一个简单的基于MATLAB的调频调制仿真。

为了使仿真更贴近实际通信场景，我们还可以添加信道噪声等因素。

例如，我们可以在发送模拟过程中，向信道矩阵中添加高斯白噪声。

这样可以更真实地模拟信号在传输过程中受到干扰和噪声的情况。

通过以上步骤，我们可以利用MATLAB进行通信原理的仿真实践。

这个实例不仅可以帮助我们加深理解通信原理的基本概念和过程，还可以通过实际操作和仿真结果进行验证和验证。

总之，MATLAB是一个非常强大的工具，可以用于各种通信原理的仿真。

通过利用MATLAB进行仿真实践，我们可以更深入地理解通信原理的基本原理和过程，提高我们的理论水平和实践能力。

MATLAB环境下ISI信道仿真及自适应均衡器设计程序说明

MATLAB 环境下ISI 信道仿真及自适应均衡器设计程序说明一、系统模型二、ISI 信道仿真及LSM 算法自适应均衡器原理1、发送端和接收端滤波器的级联和在采样瞬间时的信道可用等效的离散时间FIR 信道滤波器来表示，Xn={0.05 -0.063 0.088 -0.126 -0.25 0.9047 0.25 0 0.126 0.038 0.088}，n={-5,-4,…,5}。

2、基于MSE （均方准则）的均衡器抽头系数的自适应算法为：^^1k k k k c c e y +=+∆其中^k c 代表抽头系数向量的估值，∆为迭代过程中的步长参数，k e 为误差信号，k y 代表在瞬时k 包含均衡器中2k+1接收信号值的行向量。

误差信号k e 表示为：k k k e a z =-；k z 为均衡器输出，k a 为已知信号序列。

最初用一已知伪随机序列{k a }在信道上将这个自适应均衡器进行训练。

在解调器端，均衡器用这个已知序列去调整它的系数，一旦初始调节完成，自适应均衡器就从一个训练模式切换到直接判决模式，这时：^k k k e a z =-，式中^k a 是检测器的输出。

为了确保收敛和在慢变化信道中好的跟踪能力，选择步长参数的一种经验公式是15(21)R k P ∆=+ 式中R P 代表接收到的信号加噪声的功率，它可以从接收信号中估计出。

三、仿真结果图四、结论分析从结果图中我们可以看出，在信噪比逐渐增大的过程中，未经均衡器均衡的差错率没有明显改善，可知系统中始终存在码间干扰造成的误码；经均衡器均衡后的差错率则有明显改善。

但我们同时也可以看到在信噪比较低情况下，均衡器均衡之后的误码率并没有明显改善，甚至没有未均衡的差错率低，这主要是因为噪声为随机信号，功率大时对源信号影响较大，而且均衡器不易跟踪；当我们把均衡器的步长调低后，跟踪能力增强，差错率降低。

附源程序代码：main_plot.mclear;clc;echo off;close all;N=10000; %指定信号序列长度info=random_binary(N); %产生二进制信号序列SNR_ in _dB=8:1:18; %AWGN信道信噪比for j=1:length(SNR _in_ dB)[y, len ]=channel(info, SNR _in _dB(j)); %通过既有码间干扰又有白噪声信道numoferr=0; %初始误码统计数for i=len+1:N+len, %从第len个码元开始为真实信元if (y(i)<0), %判决译码decis=-1;elsedecis=1;end;if (decis~=info(i-5)), %判断是否误码，统计误码码元个数numoferr=numoferr+1;end;end;Pe(j)=numoferr/N; % 未经均衡器均衡，得到的误码率end;semilogy(SNR_in_dB,Pe,'red*-'); %未经均衡器，误码率结果图hold on;delta_1=0.11; %指定自适应均衡器的步长delta_2=0.09; %指定自适应均衡器的步长for j=1:length(SNR_in_dB)y=channel(info,SNR_in_dB(j)); %通过信道z=lms_equalizer(y,info,delta_1); %通过自适应均衡器，并设置步长为0.11 numoferr=0;for i=1:N,if (z(i)<0),decis=-1;elsedecis=1;end;if (decis~=info(i)),numoferr=numoferr+1;end;end;Pe(j)=numoferr/N; % 经自适应均衡器均衡后，得到的误码率end;semilogy(SNR _in _ dB, Pe ,'blacko-'); %自适应均衡器均衡之后，误码率结果图 hold on;for j=1:length(SNR_in_dB)y=channel(info,SNR_in_dB(j)); %通过信道z=lms_equalizer(y,info,delta_2); %通过自适应均衡器，并设置步长为0.09 numoferr=0;for i=1:N,if (z(i)<0),decis=-1;elsedecis=1;end;if (decis~=info(i)),numoferr=numoferr+1;end;end;Pe(j)=numoferr/N; % 经自适应均衡器均衡后，得到的误码率end;semilogy(SNR_in_dB,Pe,'blue.-'); %自适应均衡器均衡之后，误码率结果图hold on;xlabel('SNR in dB');ylabel('Pe');title('ISI信道自适应均衡系统仿真');legend('未经均衡器均衡','经自适应均衡器均衡，步长detla=0.11',...'经自适应均衡器均衡，步长detla=0.09');random_binary.m%产生二进制信源随机序列function [info]=random_binary(N)if nargin == 0, %如果没有输入参数，则指定信息序列为10000个码元N=10000;end;for i=1:N,temp=rand;if (temp<0.5),info(i)=-1; % 1/2的概率输出为-1elseinfo(i)=1; % 1/2的概率输出为1endend;channel.m%模拟既有码间干扰又有高斯白噪声的信道function [y,len]=channel(x,snr_in_dB)SNR=exp(snr_in_dB*log(10)/10); %信噪比真值转换sigma=1/sqrt(2*SNR); %高斯白噪声的标准差%指定信道的ISI参数，可以看出此信道质量还是比较差的actual_isi=[0.05 -0.063 0.088 -0.126 -0.25 0.9047 0.25 0 0.126 0.038 0.088];len_ actual _isi=(length(actual_isi)-1)/2;len=len_actual_isi;y=conv(actual_isi,x); %信号通过信道，相当于信号序列与信道模型序列作卷积%需要指出，此时码元序列长度变为N+len-1，译码时我们从第len个码元开始到N+len个结束for i=1:2:size(y,2),[noise(i) noise(i+1)]=gngauss(sigma); %产生噪声end;y=y+noise; %叠加噪声gngauss . m%产生高斯白噪声function [gsrv1,gsrv2]=gngauss(m,sgma)if nargin == 0, %如果没有输入实参，则均方为0，标准差为1m=0; sgma=1;elseif nargin == 1, %如果输入实参为1个参数，则标准差为输入实参，均值为0 sgma=m; m=0;end;u=rand;z=sgma*(sqrt(2*log(1/(1-u))));u=rand;gsrv1=m+z*cos(2*pi*u);gsrv2=m+z*sin(2*pi*u);lm _equalizer .m%LSM算法自适应滤波器实现function [z]=lms_equalizer(y,info,delta)estimated_c=[0 0 0 0 0 1 0 0 0 0 0]; %初始抽头系数K=5;for k=1:size(y,2)-2*K,y_k=y(k:k+2*K); %获取码元，一次11个z_k=estimated_c*y_k'; %各抽头系数与码元相乘后求和e_k=info(k)-z_k; %误差估计estimated_c=estimated_c+delta*e_k*y_k; %计算校正抽头系数z(k)=z_k; %均衡后输出的码元序列end;。

信道接收机matlab仿真

信道接收机matlab仿真1.信道化接收机MATLAB仿真代码：clc;clear;f1=2000;f2=5000;%测频范围f=input('输入待测频率 (MHz) ');if f>=f1&&f<=f2m1=4;m2=4;m3=4;%各分路器均设为5，分路器结构u=(f2-f1)/(m1*m2*m3);%频率分辨力ur=[0,0,0];%为各分路器中放带宽提供缓存ur(1)=(f2-f1)/m1; %写入各分路器中放带宽ur(2)=(f2-f1)/(m1*m2);ur(3)=(f2-f1)/(m1*m2*m3);fi=[0,0,0];%为各分路器中频频率提供缓存fi(1)=ceil(((f2-f1)/2)*1.2);%写入各分路中频频率fi(2)=ceil((ur(1)/2)*1.2);fi(3)=ceil((ur(2)/2)*1.6);fl=zeros(3,4);for j=1:1:4fl(1,j)=f1-fi(1)+(j-0.5)*ur(1);%第一本振组fl(2,j)=(fi(1)-ur(1)/2)-fi(2)+(j-0.5)*ur(2);%第二本振组fl(3,j)=(fi(2)-ur(2)/2)-fi(3)+(j-0.5)*ur(3);%第三本振组end num=zeros(1,3);%为每层的信道提供缓存for k=1:3j=1;while j<=4if f-fl(k,j)>=fi(k)-ur(k)/2&&f-fl(k,j)<=fi(k)+ur(k)/2 f=f-fl(k,j); num(k)=j-1;break;else j=j+1;endendendf=f1+num(1)*ur(1)+num(2)*ur(2)+num(3)*ur(3)+u/2;%进行频率估计fprintf('估计频率为 %f MHz\n',f);else disp('不在测频范围内 ');end仿真结果：。

基于MATLAB下的频率选择性信道仿真

基于MATLAB下的频率选择性信道仿真简介本文档旨在介绍使用MATLAB进行频率选择性信道仿真的基本方法和步骤。

背景频率选择性信道是无线通信中常见的信道类型之一，其特点是在不同的频率上具有不同的衰减和相位响应。

为了更好地理解和分析这种信道的性能，我们需要进行仿真模拟。

仿真步骤以下是在MATLAB中进行频率选择性信道仿真的基本步骤：1. 信道建模：首先，我们需要使用合适的数学模型来描述频率选择性信道。

常用的模型包括扁平衰落模型、Jakes模型、Rician衰落模型等。

根据具体的应用场景和需求，选择合适的模型进行建模。

信道建模：首先，我们需要使用合适的数学模型来描述频率选择性信道。

常用的模型包括扁平衰落模型、Jakes模型、Rician衰落模型等。

根据具体的应用场景和需求，选择合适的模型进行建模。

2. 频谱分析：通过频谱分析可以获得信号在不同频率上的衰减和相位响应。

MATLAB提供了丰富的信号处理工具箱，可以方便地对信号进行频谱分析。

频谱分析：通过频谱分析可以获得信号在不同频率上的衰减和相位响应。

MATLAB提供了丰富的信号处理工具箱，可以方便地对信号进行频谱分析。

3. 信道仿真：在信道建模和频谱分析的基础上，我们可以开始进行信道仿真。

根据所选用的信道模型和信号特性，使用MATLAB编写仿真代码，生成仿真结果。

可以考虑包括信号衰落、传输误码率等性能指标。

信道仿真：在信道建模和频谱分析的基础上，我们可以开始进行信道仿真。

根据所选用的信道模型和信号特性，使用MATLAB编写仿真代码，生成仿真结果。

可以考虑包括信号衰落、传输误码率等性能指标。

4. 结果分析：对于信道仿真的结果，我们需要进行详细的分析和评估。

根据仿真结果，可以评估系统在频率选择性信道下的性能表现，并针对性地进行优化。

结果分析：对于信道仿真的结果，我们需要进行详细的分析和评估。

根据仿真结果，可以评估系统在频率选择性信道下的性能表现，并针对性地进行优化。

MATLAB环境下ISI信道仿真及自适应均衡器设计程序说明书

MATLAB 环境下ISI 信道仿真及自适应均衡器设计程序说明一、系统模型二、ISI 信道仿真及LSM 算法自适应均衡器原理1、发送端和接收端滤波器的级联和在采样瞬间时的信道可用等效的离散时间FIR 信道滤波器来表示，Xn={0.05 -0.063 0.088 -0.126 -0.25 0.9047 0.25 0 0.126 0.038 0.088}，n={-5,-4,…,5}。

2、基于MSE 准则的均衡器抽头系数的自适应算法为：^^1k k k k c c e y +=+∆其中^k c 代表抽头系数向量的估值，∆为迭代过程中的步长参数，k e 为误差信号，k y 代表在瞬时k 包含均衡器中2k+1接收信号值的行向量。

误差信号k e 表示为：k k k e a z =-；k z 为均衡器输出，k a 为已知信号序列。

最初用一已知伪随机序列{k a }在信道上将这个自适应均衡器进行训练。

在解调器端，均衡器用这个已知序列去调整它的系数，一旦初始调节完成，自适应均衡器就从一个训练模式切换到直接判决模式，这时：^k k k e a z =-，式中^k a 是检测器的输出。

为了确保收敛和在慢变化信道中好的跟踪能力，选择步长参数的一种经验公式是15(21)Rk P ∆=+ 式中R P 代表接收到的信号加噪声的功率，它可以从接收信号中估计出。

三、仿真结果图四、结论分析从结果图中我们可以看出，在信噪比逐渐增大的过程中，未经均衡器均衡的差错率没有明显改善，可知系统中始终存在码间干扰造成的误码；经均衡器均衡后的差错率则有明显改善。

但我们同时也可以看到在信噪比较低情况下，均衡器均衡之后的误码率并没有明显改善，甚至没有未均衡的差错率低，这主要是因为噪声为随机信号，功率大时对源信号影响较大，而且均衡器不易跟踪；当我们把均衡器的步长调低后，跟踪能力增强，差错率降低。

附源程序代码：main_plot.mclear;clc;echo off;close all;N=10000; %指定信号序列长度info=random_binary(N); %产生二进制信号序列SNR_in_dB=8:1:18; %AWGN信道信噪比for j=1:length(SNR_in_dB)[y,len]=channel(info,SNR_in_dB(j)); %通过既有码间干扰又有白噪声信道numoferr=0; %初始误码统计数for i=len+1:N+len, %从第len个码元开始为真实信号码元if (y(i)<0), %判决译码decis=-1;elsedecis=1;end;if (decis~=info(i-5)), %判断是否误码，统计误码码元个数numoferr=numoferr+1;end;end;Pe(j)=numoferr/N; % 未经均衡器均衡，得到的误码率end;semilogy(SNR_in_dB,Pe,'red*-'); %未经均衡器，误码率结果图hold on;delta_1=0.11; %指定自适应均衡器的步长delta_2=0.09; %指定自适应均衡器的步长for j=1:length(SNR_in_dB)y=channel(info,SNR_in_dB(j)); %通过信道z=lms_equalizer(y,info,delta_1); %通过自适应均衡器，并设置步长为0.11 numoferr=0;for i=1:N,if (z(i)<0),decis=-1;elsedecis=1;end;if (decis~=info(i)),numoferr=numoferr+1;end;end;Pe(j)=numoferr/N; % 经自适应均衡器均衡后，得到的误码率end;semilogy(SNR_in_dB,Pe,'blacko-'); %自适应均衡器均衡之后，误码率结果图hold on;for j=1:length(SNR_in_dB)y=channel(info,SNR_in_dB(j)); %通过信道z=lms_equalizer(y,info,delta_2); %通过自适应均衡器，并设置步长为0.09 numoferr=0;for i=1:N,if (z(i)<0),decis=-1;elsedecis=1;end;if (decis~=info(i)),numoferr=numoferr+1;end;end;Pe(j)=numoferr/N; % 经自适应均衡器均衡后，得到的误码率end;semilogy(SNR_in_dB,Pe,'blue.-'); %自适应均衡器均衡之后，误码率结果图hold on;xlabel('SNR in dB');ylabel('Pe');title('ISI信道自适应均衡系统仿真');legend('未经均衡器均衡','经自适应均衡器均衡，步长detla=0.11',...'经自适应均衡器均衡，步长detla=0.09');random_binary.m%产生二进制信源随机序列function [info]=random_binary(N)if nargin == 0, %如果没有输入参数，则指定信息序列为10000个码元N=10000;end;for i=1:N,temp=rand;if (temp<0.5),info(i)=-1; % 1/2的概率输出为-1elseinfo(i)=1; % 1/2的概率输出为1endend;channel.m%模拟既有码间干扰又有高斯白噪声的信道function [y,len]=channel(x,snr_in_dB)SNR=exp(snr_in_dB*log(10)/10); %信噪比真值转换sigma=1/sqrt(2*SNR); %高斯白噪声的标准差%指定信道的ISI参数，可以看出此信道质量还是比较差的actual_isi=[0.05 -0.063 0.088 -0.126 -0.25 0.9047 0.25 0 0.126 0.038 0.088];len_actual_isi=(length(actual_isi)-1)/2;len=len_actual_isi;y=conv(actual_isi,x); %信号通过信道，相当于信号序列与信道模型序列作卷积%需要指出，此时码元序列长度变为N+len-1，译码时我们从第len个码元开始到N+len个结束for i=1:2:size(y,2),[noise(i) noise(i+1)]=gngauss(sigma); %产生噪声end;y=y+noise; %叠加噪声gngauss.m%产生高斯白噪声function [gsrv1,gsrv2]=gngauss(m,sgma)if nargin == 0, %如果没有输入实参，则均方为0，标准差为1m=0; sgma=1;elseif nargin == 1, %如果输入实参为1个参数，则标准差为输入实参，均值为0 sgma=m; m=0;end;u=rand;z=sgma*(sqrt(2*log(1/(1-u))));u=rand;gsrv1=m+z*cos(2*pi*u);gsrv2=m+z*sin(2*pi*u);lms_equalizer.m%LSM算法自适应滤波器实现function [z]=lms_equalizer(y,info,delta)estimated_c=[0 0 0 0 0 1 0 0 0 0 0]; %初始抽头系数K=5;for k=1:size(y,2)-2*K,y_k=y(k:k+2*K); %获取码元，一次11个z_k=estimated_c*y_k'; %各抽头系数与码元相乘后求和e_k=info(k)-z_k; %误差估计estimated_c=estimated_c+delta*e_k*y_k; %计算校正抽头系数z(k)=z_k; %均衡后输出的码元序列end;。

matlab实现频域瑞利(Rayleigh)信道仿真

subplot(2,2,4)
plot(GaussN2);
title('频域复数高斯信号2');
xlabel('实部');
ylabel('虚部');
grid;
figure(5)
subplot(2,1,1)
plot(sqrt(SEf).*GaussN1);
title('高斯噪声与多普勒功率谱相乘1');
plot(Gauss_time2);
title('时域高斯信号2');
xlabel('N');
ylabel('V');
grid;
subplot(2,2,3)
plot(GaussN1);
title('频域复数高斯信号1');
xlabel('实部');
ylabel('虚部');
grid;
GaussN2=fft(Gauss_time2);
% 产生瑞利衰落信道
x = ifft(sqrt(SEf).*GaussN1);
y = ifft(sqrt(SEf).*GaussN2);
rayleigh_amp = sqrt(abs(x).^2+abs(y).^2);
rayleigh_db = 20*log10(rayleigh_amp); %用dB表示瑞利信号
figure(2);
plot(rayleigh_db);
% axis([0 140 -100 20]);
title('瑞利信号衰落');