该电子书主要讲电力电子变换器的脉宽调制技术，其中谐波分析部分的数学表达式很详细，对学习有一定的帮助作用

此函数返回（交叉）频谱密度相关性的估计，称为（交叉）循环调制频谱。 它可用于检测给定信号中隐藏的循环平稳分量，并可用于轴承和齿轮故障诊断。 为此，此功能允许根据 CMS 地图提供的信息执行包络分析。 换言之，出于诊断目的，CMS 可用作预处理工具，以检测包含可被包络分析利用的诊断信息的信息最丰富的频带。 还提供了展示如何使用 CMS 的演示。 参考文献：Antoni J, Cyclostationarity by examples, Mechanical Systems and Signal Processing 23(4):987-1036, 2009

外文文献，An automatic modulation recognition algorithm for spectrum monitoring applications

John B. Anderson、Tor Aulin和Carl-Erik Sundberg合著的经典书籍，1986年的书，虽然有些老了，但作为数字相位调制及其解调的经典之作，非常值得参考。也是matlab中许多源程序和例程的参考书籍。原出版社为Plenum Press,，此版本是Springer的再版，文字版，非常清晰。

检测、估计和调制理论，Detection, Estimation, and Modulation Theory　英文版　范特里斯，由于上传权限，共分为三parts

PRINCIPLES OF COMMUNICATIONS Systems, Modulation, and Noise PRINCIPLES OF COMMUNICATIONS Systems, Modulation, and Noise PRINCIPLES OF COMMUNICATIONS Systems, Modulation, and Noise PRINCIPLES OF COMMUNICATIONS Systems, Modulation, and Noise PRINCIPLES OF COMMUNICATIONS Systems, Modulation, and Noise PRINCIPLES OF COMMUNICATIONS Systems, Modulation, and Noise

瑞利信道matlab代码差分空间调制 Matlab DSM的实现 发射机 接收者 瑞利衰落信道 误码率计算的仿真 介绍 在最近开发的调制技术空间调制（SM）中，在MIMO传输期间仅激活一个天线。 与SM相关的主要限制是在接收器端需要信道状态信息（CSI）。 CSI的估计使得解码过程相当复杂并且难以实现。 在克服SM带来的困难的最新试验中，提出了一种差分SM方案（DSM），该方案可以完全绕过发射机或接收机处的任何CSI，同时保留单个有源发射天线的性能。 如何使用 git clone存储库。 DSM.m包含差分空间调制模型。 输入：要发送的消息数组，N t ，N r ，b，信道SNR 输出：接收到的消息数组 BitErrorRate.m比较了SM和DSM技术。 结果 我们试图复制本文提到的结果。 这些图像代表了一些与纸张本身相似的结果。 由于时间和计算量有限，我们仅针对Nt生成结果，Nr <= 3。 依存关系 Matlab的 贡献 请随意为任何建议的改进或代码错误创建请求请求。 如果您是初学者，则可以参考入门。 支持 如果您认为此操作有用，请考虑在回购中加注星标（★），以便可以覆盖更广泛的

modulation and demodulation - Cypress.pdf

2ask的功率谱密度matlab代码调制识别数据集 生成调制信号数据集 信号集包括2ASK，2PSK，2FSK，4ASK，4PSK，4FSK，8ASK，8PSK，8FSK，16QAM，64QAM，信号比范围为-20db至18dB，调制到中频。 信号参数 符号率fb：1e3 载波频率fc：2e3 采样频率fs：64e3 信号通道：awgn，瑞利

软件定义无线电matlab源代码使用深度学习架构的无线电调制分类 添加一名作者 该笔记本包含我在 2020/2021 学年的代码。 抽象的 学士学位论文的重点是使用深度学习方法进行无线电调制分类。 论文中提出了四种深度学习架构。 其中三个使用卷积和循环神经网络，第四个使用变压器架构。 在设计阶段考虑了每个模型的最终参数数量，因为它会对部署模型的内存占用产生很大影响。 这些架构是用 Keras 编写的，这是一个软件库，为神经网络提供 Python 接口。网络。 此外，还将这些架构的结果与有关该主题的其他研究论文的结果进行了比较。 代码结构如下： 导入- 导入所需的库 定义的函数-定义函数以便以后更容易地处理数据 访问数据集- 如果您愿意，您可以跳过这一部分并在其他地方下载数据集 加载数据- 加载数据并将它们划分为训练、验证和测试集 深度学习部分- 包含准备进行训练和评估的架构 加载训练模型- 您可以选择下载 CGDNN 模型并查看它在相应数据集上的表现 层可视化- 为可视化卷积层和循环层的激活图而编写的一部分代码 绘图- 您可以在这部分绘制混淆矩阵 这段代码在 Google Colab