：针对现有数字调制方式识别类型有限的问题，提出一种基于星座图的分类算法。算法首 先利用盲均衡技术克服信道的多径效应与系统同步误差，再对信号减法聚类，提取聚类中心与理 想星座图模型进行匹配，从而实现MASK、MPSK、MQAM 等调制方式的识别。仿真证明：星座 图是一个稳定的、强健的识别标志

8FSK调制解调详细的原理图，仿真图，各模块的配置等

基于Matlab2019a的k-D树邻近点的彩色星座图绘制，样例为16QAM，65536个点的绘制占据4s左右时间。绘制效果见https://blog.csdn.net/ganlin410153929/article/details/103449855

在此代码的输出中可以看到星座图和消息信号，发射信号和接收信号的波形。

星座图的matlab代码自动编码器用于降维 使用自动编码器进行降维的简单，单个隐藏层示例 在现代“大数据”时代，一项艰巨的任务是减少特征空间，因为在当今的超大数据集中执行任何类型的分析或建模在计算上都非常昂贵。 为此目的，有各种各样的技术：PCA，LDA，拉普拉斯特征图，扩散图等。在这里，我使用了基于神经网络的方法，即自动编码器。 自动编码器本质上是一个神经网络，在中间（以某种方式）对其进行编码之后，它会在其输出中复制输入层。 换句话说，NN在将其输入经过一组堆栈之后尝试预测其输入。 NN的实际体系结构不是标准的，而是用户定义和选择的。 通常看起来像是镜像图像（例如，第一层256个节点，第二层64个节点，第三层又是256个节点）。 在这个简单的介绍性示例中，由于输入空间最初相对较小（92个变量），因此我仅使用一个隐藏层。 对于较大的特征空间，可能需要更多的层/更多的节点。 我将特征空间从这92个变量减少到只有16个。AUC分数非常接近我为此数据集构建的最佳NN（0.753对0.771），因此我们的数据减少了5倍，因此没有牺牲太多信息。 建立自动编码器模型后，我使用它来将我的92个特征的

本程序采用16QAM调制方式，对一串2进制信源进行调制，采用（7，4）循环码对信源做信道编码，用升余弦滚降函数进行基带调制，再调到高频信道；在信道上加入高斯白噪声，运用匹配滤波器解调，画出解调星座图，运用最小欧氏距离译码判决，再对信号进行信道解码，画出采用信道编码技术和不采用信道编码技术的误比特率图。

Matlab入门级OFDM仿真，包括每个步骤的波形，星座图，频谱等

课程作业，内含MATLAB各种加噪声的QAM调制和星座图的绘制

正交相移键控（QPSK）调制通过用户给定的输入进行，并绘制了星座图（信号空间）图。

16进制QAM调制解调系统包含功率谱，星座图，误码率和眼图, 信噪比为13；t2f函数，请到我的文章里面去拷贝一下！ t2f请到我的文章里面去拷贝一下！t2f请到我的文章里面去拷贝一下：《MATLAB仿真QAM调制解调系统包含功率谱，星座图，误码率和眼图》