在帕萨瓦尔定律的条件下，探究如何保证FFT/IFFT前后信号功率保持一致

目录引言经典谱的产生(Clarke模型，即理论推导)经典谱的产生(Jakes模型，即仿真实践)主函数信道模型函数引言最近完成老师给的作业，题目如下：无线信道中的多普勒谱有一种经典谱(classic spectrum)。请用Simulink或者m语言，产生一条单径瑞利信道，其多普勒谱为经典谱，其中移动速率为120km/h。在查阅了多普勒经典谱的相关知识后，首先接触到的就是Clarke模型、Jakes

因此我们可以在时域中选取N点，说白了就是对时域连续信号x(t) 进行N点采样，然后将N点采样信号进行周期延拓，虚拟成周期离散的信号并将其进行离散傅里叶变换，得到的频域谱图即为周期离散的频谱。最后，考虑到性能等各方面因素，我们在周期延拓的基础上，我们只取0~N-1的主值部分。则既可以得到时域离散数据，也可以得到频域离散数据。自然界中的信号都是模拟信号，计算机无法处理，因此我们会基于奈奎斯特定理对模拟

目录前言方法一方法二仿真结果前言在学习了LMMSE算法后，只了解其公式H^LMMSE=RHH(RHH+βSNR)−1H^LS\hat{H}_{LMMSE}=R_{HH}(R_{HH}+\frac{\beta}{SNR})^{-1}\hat{H}_{LS}H^LMMSE​=RHH​(RHH​+SNRβ​)−1H^LS​对于如何复现这一经典算法真是毫无头绪。问题的关键在于：我们只知道RhhR_{hh}

本文是物理层的第一个流程。

一种基于opencv的分辨圆形，三角形，矩形的思路上篇文章给大家讲了基于openmv的思路，这篇文章大致讲讲如何用opencv来做。我事先查了一下，我这个方法不知道有多少人早就用过了。（可能是因为当时我也是疯狂查出来的，已经记忆模糊了）他们讲的比我详细多了，我就简单说说思路。我的思路是：色块识别+轮廓提取+角点检测1. 色块识别：色块识别是很基础的一个操作了，也比较简单。直接看代码：lower_r

clc;clear all; close all; figure(1), clf, figure(2), clfNfft=1024;Ng=Nfft/8;Nofdm=Nfft+Ng;Nsym=100;Nps=4; Np=Nfft/Nps; Nd=Nfft-Np; % 导频间隔、每个 OFDM 符号的导频数和数据Nbps=4; M=2^Nbps; % 每个（调制）符号的位数Es=5; A=sqrt(3

因此，我们6144bit的数据需要先经过CRC处理，得到6144+24=6168bit。（参考1.2节中的图，看Zc在第一行，例如288在第五行，前面索引为4，则该项设置为4）第一个基本图（BG1）矩阵较大，系统列数目 Kb 最大为 22，最低母码码率为 1/3， 核矩阵的码率在 22/24 左右，支持的最大码块长度为 8448 bit；第二个基本图（BG2）矩阵稍小， 系统列数目 Kb 最大为

LDPC码由Gallager在1962年提出，全称为Low Density Parity-check Codes低密度奇偶校验码它的译码性能可以逼近Shannon信道容量限，广富盛名的Turbo码也被证明是LDPC码的一个特例。并且LDPC码具有在中长码长时超过 Turbo 码的性能，并且具有译码复杂度更低，能够并行译码及译码错误可检测等特点。LDPC码内容较为复杂，本人由于未学过图论等重要相关知

可以看出，在两个相关峰中间的输出，滑动相关和匹配滤波的输出结果是一样的。其他地方的结果不一样主要是因为滑动相关会在数据不足的地方自动补0，而filter函数自带截尾设置，导致数据不足的地方二者输出结果不同。把本地伪码当做匹配滤波器系数，数据输入滤波器，得到的滤波结果和互相关的结果大致相同。总体来说，匹配滤波和滑动相关可以实现的功能是相同的。匹配滤波的优点在于捕获时间提升N倍，而缺点在于存在多普勒时