基于MATLAB的PCM的编码译码仿真

简介: 基于MATLAB的PCM的编码译码仿真

基于MATLAB的PCM的编码译码仿真

一、实验目的

1.熟悉PCM原理

2.掌握编写PCM程序的要点

3.掌握使用MATLAB调制仿真的要点

二、实验内容

(1)根据PCM (脉冲编码调制)原理,设计源程序代码。

(2)通过MATLAB软件仿真给定模拟信号编码后的波形。

(3)对比原始信号波形和译码后的波形。

三、实验原理

1.脉冲编码调制

脉冲编码调制在通信系统中是一种对模拟信 号数字化的取样技术,将模拟信号变换为数字信号的编码方式。PCM的实现主要包括三个步骤完成:抽样、量化、编码。分别为时间上离散、幅度上离散及量化信号的二进制表示。根据CCITT的建议,为改善小信号量化性能,采用压扩非均匀量化,有两种建议方式,分别为A律和μ律方式,本设计采用了A律方式。由于A律压缩实现复杂,常使用13折线法编码,采用非均匀量化PCM编码

2.抽样

在一系列离散点上,对信号捕取样值称为抽样。

四、实验代码

T=0.002;
t=-0.1:T:0.1;
xt=cos(2*pi*30*t)+sin(2*pi*65*t);
fs=500;
sdt=1/fs;
t1=-0.1:sdt:0.1;
st=cos(2*pi*30*t)+sin(2*pi*65*t);
figure(1);
subplot(3,1,1);
plot(t,xt);title('原始信号');
grid on
subplot(3,1,2);
stem(t1,st,'.');
title('量化信号');
title('抽样信号');
grid on
n=length(st);
M=max(st);
C=(st/M)*2048;
code=zeros(1,8);
for i=1:n
    if C(i)>=0
        code(i,1)=1;
    else
        code(i,1)=0;
end
 if abs(C(i))>=0&&abs(C(i))<16
     code(i,2)=0;code(i,3)=0;code(i,4)=0;step=1;start=0;
 else if 16<=abs(C(i))&&abs(C(i))<32
      code(i,2)=0;code(i,3)=0;code(i,4)=1;step=1;start=16;
 else if 32<=abs(C(i))&&abs(C(i))<64
      code(i,2)=0;code(i,3)=1;code(i,4)=0;step=2;start=32;
 else if 64<=abs(C(i))&&abs(C(i))<128
      code(i,2)=0;code(i,3)=1;code(i,4)=1;step=4;start=64;
 else if 128<=abs(C(i))&&abs(C(i))<256
      code(i,2)=1;code(i,3)=0;code(i,4)=0;step=8;start=128;
 else if 256<=abs(C(i))&&abs(C(i))<512
      code(i,2)=1;code(i,3)=0;code(i,4)=1;step=16;start=256;
 else if 512<=abs(C(i))&&abs(C(i))<1024
      code(i,2)=1;code(i,3)=1;code(i,4)=0;step=32;start=512;
 else if 1024<=abs(C(i))&&abs(C(i))<2048
      code(i,2)=1;code(i,3)=1;code(i,4)=1;step=64;start=1024;
end
end
end
end 
end
end 
end
end
  B=floor((abs(C(i))-start)/step);
  t=dec2bin(B,4)-48;
  code(i,5:8)=t(1:4);
end
code=reshape(code',1,8*n);
subplot(313);
stem(code,'.');
axis([1 64 0 1]);
title('编码信号');
grid on 
y=awgn(code,5);
figure(2);
stem(y,'.');axis([1 64 0 3]);
title('叠加加性高斯信号的信号');
n=length(code);
code=reshape(code',8,n/8)';
slot(1)=0;slot(2)=32;
slot(3)=64;slot(4)=128;
slot(5)=256;slot(6)=512;
slot(7)=1024;slot(8)=2048;
step(1)=2;step(2)=2;step(3)=4;step(4)=8;
step(5)=16;step(6)=32;step(7)=64;step(8)=128;
for i=1:n/8
   ss=2*code(i,1)-1;
   tmp=code(i,2)*4+code(i,3)*2+code(i,4)+1;
   st=slot(tmp);
   dt=(code(i,5)*8+code(i,6)*4+code(i,7)*2+code(i,8))*step(tmp)+0.5*step(tmp);
   v=1;
   r(i)=ss*(st+dt)/4096*v;
end
T=0.002;
t=-0.1:T:0.1;
figure(3);
subplot(111);
plot(t,r);
title('译码后的原始信号');
grid on

五、实验结果

相关文章
|
2天前
|
机器学习/深度学习 算法 索引
m基于Qlearning强化学习的小车倒立摆控制系统matlab仿真
在MATLAB 2022a中模拟的Q-learning倒立摆控制显示出稳定平衡效果。Q-learning算法通过智能体与环境交互学习最佳控制策略,以维持摆杆直立。算法基于状态s和动作a更新Q值表,目标是最大化未来奖励。系统状态包括小车位置、速度、杆角度及角速度。动作是小车加速度。当状态或动作空间大时,用神经网络近似Q函数,DQN通过经验回放和目标网络稳定学习。核心代码涉及状态更新、贪婪策略选择动作及环境反馈,实时更新摆杆和小车位置。
16 6
|
2天前
|
资源调度 SoC
基于UKF无迹卡尔曼滤波的电池Soc估计matlab仿真
**摘要:** 使用MATLAB2022a,基于UKF的电池SOC估计仿真比较真实值,展示非线性滤波在电动车电池管理中的效用。电池电气模型描述电压、电流与SoC的非线性关系,UKF利用无迹变换处理非线性,通过预测和更新步骤实时估计SoC,优化状态估计。尽管UKF有效,但依赖准确模型参数。
|
2天前
|
传感器 存储 算法
无线传感网路由VBF协议和DBR协议的MATLAB性能仿真
**摘要** 本文档介绍了在MATLAB2022a中对无线传感器网络的VBF和DBR路由协议的性能仿真,关注能量消耗和节点存活。VBF协议依赖于节点的地理位置,采用源路由,通过矢量和管道路由选择转发节点。DBR协议则运用贪婪算法,基于节点深度决定转发,以接近水面为目标。两协议均考虑能量效率,但可能导致不必要的数据传输和重复分组,需优化策略以适应密集网络和避免冲突。
|
5天前
|
算法 JavaScript 决策智能
基于禁忌搜索算法的TSP路径规划matlab仿真
**摘要:** 使用禁忌搜索算法解决旅行商问题(TSP),在MATLAB2022a中实现路径规划,显示优化曲线与路线图。TSP寻找最短城市访问路径,算法通过避免局部最优,利用禁忌列表不断调整顺序。关键步骤包括初始路径选择、邻域搜索、解评估、选择及禁忌列表更新。过程示意图展示搜索效果。
|
5天前
|
存储 编解码
数字频率合成器dds的量化性能分析matlab仿真
### 课题概述 分析DDS(数字频率合成器)量化性能的MATLAB仿真,研究累加器、截位和DAC位宽对频谱的影响。 ### 核心程序 在MATLAB 2022a中,使用相位映射、量化码本和频偏分析函数,比较了10bit DAC位宽截取、无截取以及相位位宽截取的频谱特性。 ### 系统原理 DDS利用相位累加器、波形查找表、DAC和LPF生成精确频率信号。相位累加器的位数决定频率分辨率和杂散性能,量化和非线性影响信号质量。 ### 分析重点 频率分辨率与相位累加器位数相关,杂散和噪声性能受相位截断、幅度量化及DAC非线性影响。提高这些参数能提升DDS输出质量。
|
5天前
|
机器学习/深度学习 算法
基于BP神经网络和小波变换特征提取的烟草香型分类算法matlab仿真,分为浓香型,清香型和中间香型
```markdown 探索烟草香型分类:使用Matlab2022a中的BP神经网络结合小波变换。小波分析揭示香气成分的局部特征,降低维度,PCA等用于特征选择。BP网络随后处理这些特征,以区分浓香、清香和中间香型。 ```
|
6天前
|
机器学习/深度学习 算法
基于蛙跳优化的神经网络数据预测matlab仿真
使用MATLAB2022a,应用蛙跳优化算法(SFLA)调整神经网络权重,提升预测精度,输出预测曲线。神经网络结合输入、隐藏和输出层进行预测,蛙跳算法模仿蛙群觅食行为优化权重和阈值。算法流程包括蛙群初始化、子群划分、局部搜索及适应度更新,直至满足停止条件。优化后的神经网络能提升预测性能。
|
6天前
|
机器学习/深度学习 算法
m基于PSO-GRU粒子群优化长门控循环单元网络的电力负荷数据预测算法matlab仿真
摘要: 在MATLAB 2022a中,对比了电力负荷预测算法优化前后的效果。优化前为&quot;Ttttttt111222&quot;,优化后为&quot;Tttttttt333444&quot;,明显改进体现为&quot;Tttttttttt5555&quot;。该算法结合了粒子群优化(PSO)和长门控循环单元(GRU)网络,利用PSO优化GRU的超参数,提升预测准确性和稳定性。PSO模仿鸟群行为寻找最优解,而GRU通过更新门和重置门处理长期依赖问题。核心MATLAB程序展示了训练和预测过程,包括使用&#39;adam&#39;优化器和超参数调整,最终评估并保存预测结果。
15 0
|
7天前
|
算法 安全
基于龙格库塔算法的SIR病毒扩散预测matlab仿真
该程序使用龙格库塔算法实现SIR模型预测病毒扩散,输出易感、感染和康复人群曲线。在MATLAB2022a中运行显示预测结果。核心代码设置时间区间、参数,并定义微分方程组,通过Runge-Kutta方法求解。SIR模型描述三类人群动态变化,常微分方程组刻画相互转化。模型用于预测疫情趋势,支持公共卫生决策,但也存在局限性,如忽略空间结构和人口异质性。
|
7天前
|
机器学习/深度学习 监控 算法
基于yolov2深度学习网络的昆虫检测算法matlab仿真,并输出昆虫数量和大小判决
YOLOv2算法应用于昆虫检测,提供实时高效的方法识别和定位图像中的昆虫,提升检测精度。核心是统一检测网络,预测边界框和类别概率。通过预测框尺寸估算昆虫大小,适用于农业监控、生态研究等领域。在matlab2022A上运行,经过关键升级,如采用更优网络结构和损失函数,保证速度与精度。持续优化可增强对不同昆虫的检测能力。![image.png](https://ucc.alicdn.com/pic/developer-ecology/3tnl7rfrqv6tw_e760ff6682a3420cb4e24d1e48b10a2e.png)

热门文章

最新文章