Signal_detection_OFDMPowerofDNN 题为“深度学习在OFDM系统中用于信道估计和信号检测的强大功能”的MATLAB演示 部署了Rayleigh信道，为Winner2信道（Data_Generation_WIN2.m显示WIN2 for SISO）安装了该工具箱，但是将在信道实现上花费更多时间，因此不建议这样做，并且建议将AWGN（衰落信号，SNR）不发送信号，我％的AWGN代码 MIMO-OFDM无线通信书中的MMSE_Channel_Tap_Block_Pilot_Demo_1.m MMSE_Uniform_PDP.m通过奇异值分解进行OFDM信道估计的论文 没有上传python版本，其他人上传了python演示 Demonstration_of_papers_DNN是主要的 DNN_Regression_Image_SER_Test用于染色 不需要使用T

ofdm的matlab仿真程序，从信号发生到调制解调，误码率计算，也包括信道估计，插值，信道编码~对于学习通信理解OFDM原理有很强的指导意义，同时也是能完成仿真试验的任务。

I/Q不平衡OFDM系统基于噪声方差门限的信道估计

这是一个使用深度学习工具箱中的长短期存储器（LSTM）网络在OFDM系统信号检测接收器上实现符号分类的例子。 is is an example of using the long short-term memory (LSTM) network in the Deep Learning Toolbox to achieve symbol classification at the receiver for signal detection in OFDM systems. 基于LSTM的神经网络是针对单个子载波进行训练的，该神经网络计算符号误码率（SER），并与最小二乘（LS）和最小均方误差（MMSE）估计进行了比较。

一个使用matlab实现的降低OFDM系统峰均比的方法，绝对可靠。

基于深度学习的OFDM系统信号检测仿真.rar

内容包含MMSE均衡算法实现，迫零算法实现

基于空时分组码的MIMO-OFDM系统性能研究与分析

根据OFDM基本原理,利用MATLAB平台，仿真实现了基于十六进制正交幅度调制（16QAM）调制的OFDM系统各阶段对信号的处理。实验中，通过添加循环前缀（CP）消除了码间串扰（ISI），利用部分传输序列（PTS）方法降低了系统的峰均功率比（PAPR），通过插入训练序列（TS）的方法实现了三种常用的同步方法，并进行了比较，另外，研究了理想同步情况下，利用迫零均衡的方式进行信道估计与频域均衡的方法，给出了在不同的信道条件下（高斯噪声信道和瑞利衰减信道）,均衡对OFDM系统误码率影响的比较曲线，以及不同子载波的误码性能。最后，给出了在高斯噪声信道下，不同的16QAM调制编码方案对OFDM系统误码率影响的比较曲线，得出了较理想的结论。

ofdm 系统中SLM方法(V=4)PAPR的互补累积分布函数(CCDF)曲线