信号检测论文仿真

信号检测论文仿真

仿真技术在光纤通信实验教学中的应用论文

摘要：本文将Optisystem和Matlab联合仿真技术引入光纤通信实验教学，学生通过虚拟仿真技术，更清晰直观地进行实验，并且节省硬件设备投资，取得良好的教学效果。

关键词：仿真技术光纤通信实验技术应用

随着通信技术的迅猛发展，光纤通信作为通信专业的一门重要必修课程，在培养通信人才能力的角色中扮演着越来越重要的作用[1]。光纤通信是一门物理学和通信学的交叉学科，其中涉及很多物理学和通信学科的基础理论和基础知识，这给学生学习掌握好这门课程带来很大的挑战。

光纤通信作为一门工程学科，不仅仅教授理论内容，其实践内容也占有非常重要的地位。由于资金的限制，电信级的设备无法购入，因此光纤通信实验课基本以试验箱为主，再配合其他测试仪器完成实验教学，这种模式存在诸多问题，比如实验设备具有使用寿命、易老化；实验项目方法单一、缺乏灵活性；很难进行综合性开发、二次开发；难以深入了解其内部工作原理等。随着计算机仿真技术的发展，国内外高校越来越重视该技术在实验教学中的应用，目前各大高校已经陆续开始建设虚拟仿真实验室。本文将Optisystem和Matlab联合仿真技术引入光纤通信实验教学中，不仅克服了传统实验教学的弊端，还带来了实验开设的便利性、重复性、精准性等优势，取得了良好的教学效果。

1。Optisystem仿真系统

Optisystem是加拿大Optiwave公司推出的一款计算机仿真系统[2]，主要用于光纤通信系统的器件仿真、系统设计等。Optisystem提供了良好的可扩展性，可与Matlab进行联合仿真，只需要在仿真系统中添加一个Matlab组件即可，使用起来方便简单[3]。在使用Optisystem与Matlab协同仿真的时候，首先要了解Optisystem的信号输入Matlab工作空间的格式。

其数据格式如图1所示。

图1Matlab空间数据格式

由图1（a）可以看出，Optisystem的信号格式包括“TypeSignal”，字符类型，表示该信号的类型为光信号、电信号或二进制信号；“Sampled”，结构体，Optisystem的信号就包含在该字段当中。“Parameterized”，结构体，参数化字段，表示一些与时间平均有关的量，如平均功率、中心波长、偏振态等；“Noise”，结构体，表示噪声数据；“Channels”，表示该信号的波长，是指中心波长。

如果选择的是频率抽样信号，则Sampled的数据格式如图1（b）所示。如果选择的是时间抽样信号，则Sampled的数据格式如图1（c）所示。到底是时间信号还是频率信号，由具体问题决定。使用Matlab在时域对信号处理时，就选择时域抽样，否则，选择频域抽样。由图1（b）、图1（c）看出，Smapled包含两个字段，一个是Signal字段，该字段是信号在抽样点的值，另一个是Frequency或Time字段，该字段是抽样点的频点或时间点。

2。频域的Optisystem与Matlab联合仿真

为了进一步说明Optisystem与Matlab联合仿真技术在光纤通信实验教学中的应用，用以下例子做说明。本部分是频域的联合仿真，第3部分是时域的联合仿真。在本部分的例子中，我们使用Matlab代码，对连续波激光器的输出光谱进行右移1THz的操作。其搭建的Optisystem系统如图2所示。

图2光谱右移Optisystem系统

图2中，连续波激光器发出的激光，输入Matlab组件，使用Matlab组件对其进行频移操作。注意：需要把Matlab组件中的“Sampledsignaldomain”设置为“Frequency”，表示在频域采集信号。把Matlab组件中的“RunCommand”设置为Matlab脚本的名字。以下是编写的Matlab脚本代码，名字为frequench_shift。m

OutputPort1=InputPort1；

f=InputPort1。Sampled。Frequency；%输入光信号的频谱

OutputPort1。Sampled。Frequency=f+1e+12；%输出光谱频率右移1THz

使用光谱仪分别测试连续波激光器的输出光谱和经过Matlab组件处理过后的光谱，分别如图3（a）和（b）所示。

（a）（b）

图3（a）连续波激光器光谱；（b）Matlab组件输出光谱

通过比较图3（a）和（b）可以看出，连续波激光器的输出光谱中心频率位于193。1THz处，而Matlab组件的输出光谱位于194。1THz处，这说明光谱被Matlab组件右移了1THz。仅仅使用了三行Matlab代码即实现了频移操作，非常简洁方便有效。

3。时域的Optisystem与Matlab联合仿真

在时域的Optisystem与Matlab联合仿真中，以光信号的幅度调制为例。搭建的Optisystem系统如图4所示。

图4Matlab实现的光信号幅度调制

在图4中，连续波激光器输出的光信号和调制信号输入Matlab组件，Matlab组件完成对信号的光幅度调制。搭建Matlab组件时，需要设置两个输入端口，其中一个电端口，一个光端口。调制信号采用1Gbit/s的伪随机序列，使用NRZ模块产生1Gbit/s的NRZ格式的伪随机序列。把伪随机序列和连续波激光器输出的'光信号同时输入Matlab组件，用来产生幅度调制光信号。对于光信号的幅度调制，其数学表达式为：

Eout（t）=Ein（t）。[modulation（t）]1/2

其中Eout（t）是输出的光幅度调制信号，Ein（t）是输入的连续波光信号，modulation（t）是调制电信号。

Matlab脚本代码如下，名字为am。m

OutputPort1=InputPort1；

[is，cs]=size（InputPort1。Sampled）；

len=length（InputPort1。Sampled）；

forcounter=1：cs

OutputPort1。Sampled（1，counter）。Signal=。。。

InputPort1。Sampled（1，counter）。Signal。*。。。

sqrt（InputPort2。Sampled（1，counter）。Signal）；

end

（a）（b）

图5（a）伪随机序列时域波形；（b）光幅度调制时域波形

运行Optisystem系统，进行仿真，仿真结束，使用电域示波器（OscilloscopeVisualizer）观测1Gbit/s的伪随机序列NRZ码时域波形。使用光域示波器（OpticalTimeDomainVisualizer）观测Matlab组件的输出时域波形，如图5所示。

其中图5（a）是伪随机序列的时域波形，图5（b）是经过Matlab处理之后的光幅度调制时域波形。通过对比图5（a）和（b）可以知道，使用Matlab组件实现的幅度调制器，能够正常地把伪随机序列码调制到光波上，从而实现数字光信号的幅度调制。

4。结语

本文以Optisystem和Matlab联合仿真为例，介绍了仿真技术在光纤通信实验教学中的应用。通过频域联合仿真和时域联合仿真两个实例，分析了在Optisystem中如何使用Matlab组件进行联合仿真。使用联合仿真技术，可以大大拓展Optisystem的使用范围，学生通过使用仿真技术，不仅能够把课堂上学习的理论知识应用于实践，知其然也知其所以然，还能够巩固学习效果，提高能力，为培养应用型人才打下良好的基础。

参考文献：

[1]王秋光，张亚林，胡彩云，赵莹琦。 OptiSystem仿真在光纤通信实验教学中的应用[J]。实验室科学，2015（2）。

[2]韩力，李莉，卢杰。基于Optisystem的单模光纤WDM系统性能仿真[J]。大学物理实验，2015（10）。

[3]赵赞善，罗友宏，谢娇。 Optisystem中Matlab Component模块的扩展应用[J]。电信技术，2012（12）。

生物医学信号处理方法论文

生物医学信号处理方法论文

生物医学信号处理是指据生物医学信号特点，应用信息科学的基本理论和方法，研究如何从扰和噪声淹没的观察记录中提取各种生物医学信号中所携带的信息，并对它们进步分析、解释和分类。以下是我精心准备的生物医学信号处理方法论文，大家可以参考以下内容哦！

摘 要： 生物医学信号是人体生命信息的集中体现，深入进行生物医学信号检测与处理的理论与方法的研究对于认识生命运动的规律、探索疾病预防与治疗的新方法都具有重要的意义。

关键词： 生物医学信号 信号检测 信号处理

1 概述

1。1 生物医学信号及其特点

生物医学信号是一种由复杂的生命体发出的不稳定的自然信号，属于强噪声背景下的低频微弱信号，信号本身特征、检测方式和处理技术，都不同于一般的信号。生物医学信号可以为源于一个生物系统的一类信号，这些信号通常含有与生物系统生理和结构状态相关的信息。生物医学信号种类繁多，其主要特点是：信号弱、随机性大、噪声背景比较强、频率范围一般较低，还有信号的统计特性随时间而变，而且还是非先验性的。

1。2 生物医学信号分类

按性质生物信号可分为生物电信号（Bioelectric Signals），如脑电、心电、肌电、胃电、视网膜电等;生物磁信号（Biomagnetic Signals），如心磁场、脑磁场、神经磁场;生物化学信号（Biochemical Signals），如血液的pH值、血气、呼吸气体等;生物力学信号（Biomechanical Signals），如血压、气血和消化道内压和心肌张力等;生物声学信号（Bioacoustic Signal），如心音、脉搏、心冲击等。

按来源生物医学信号可大致分为两类：（1）由生理过程自发产生的主动信号，例如心电（ECG）、脑电（EEG）、肌电（EMG）、眼电（EOG）、胃电（EGG）等电生理信号和体温、血压、脉博、呼吸等非电生信号;（2）外界施加于人体、把人体作为通道、用以进行探查的被动信号，如超声波、同位素、X射线等。

2 生物医学信号的检测及方法

生物医学信号检测是对生物体中包含的生命现象、状态、性质和成分等信息进行检测和量化的技术，涉及到人机接口技术、低噪声和抗干扰技术、信号拾取、分析与处理技术等工程领域，也依赖于生命科学研究的进展。信号检测一般需要通过以下步骤（见图1）。

①生物医学信号通过电极拾取或通过传感器转换成电信号;②放大器及预处理器进行信号放大和预处理;③经A/D转换器进行采样，将模拟信号转变为数字信号;④输入计算机;⑤通过各种数字信号处理算法进行信号分析处理，得到有意义的结果。

生物医学信号检测技术包括：（1）无创检测、微创检测、有创检测;（2）在体检测、离体检测;（3）直接检测、间接检测;（4）非接触检测、体表检测、体内检测;（5）生物电检测、生物非电量检测;（6）形态检测、功能检测;（7）处于拘束状态下的生物体检测、处于自然状态下的生物体检测;（8）透射法检测、反射法检测;（9）一维信号检测、多维信号检测;（10）遥感法检测、多维信号检测;（11）一次量检测、二次量分析检测;（12）分子级检测、细胞级检测、系统级检测。

3 生物医学信号的处理方法

生物医学信号处理是研究从扰和噪声淹没的信号中提取有用的生物医学信息的特征并作模式分类的方法。生物医学信号处理的目的是要区分正常信号与异常信号，在此基础上诊断疾病的存在。近年来随着计算机信息技术的飞速发展，对生物医学信号的处理广泛地采用了数字信号分析处理方法：如对信号时域分析的相干平均算法;对信号频域分析的快速傅立叶变换算法和各种数字滤波算法;对平稳随机信号分析的功率谱估计算法和参数模型方法;对非平稳随机信号分析的短时傅立叶变换、时频分布（维格纳分布）、小波变换、时变参数模型和自适应处理等算法;对信号的非线性处理方法如混沌与分形、人工神经网络算法等。下面介绍几种主要的处理方法。

3。1 频域分析法

信号的频域分析是采用傅立叶变换将时域信号x（t）变换为频域信号X（f），从而将时间变量转变成频率变量，帮助人们了解信号随频率的变化所表现出的特性。信号频谱X（f）描述了信号的频率结构以及在不同频率处分量成分的大小，直观地提供了从时域信号波形不易观察得到频率域信息。频域分析的'一个典型应用即是对信号进行傅立叶变换，研究信号所包含的各种频率成分，从而揭示信号的频谱、带宽，并用以指导最优滤波器的设计。

3。2 相干平均分析法

生物医学信号常被淹没在较强的噪声中，且具有很大的随机性，因此对这类信号的高效稳健提取比较困难。最常用的常规提取方法是相干平均法。相干平均（Coherent Average）主要应用于能多次重复出现的信号的提取。如果待检测的医学信号与噪声重叠在一起，信号如果可以重复出现，而噪声是随机信号，可用叠加法提高信噪比，从而提取有用的信号。这种方法不但用在诱发脑电的提取，也用在近年来发展的心电微电势（希氏束电、心室晚电位等）的提取中。

3。3 小波变换分析法

小波分析是传统傅里叶变换的继承和发展，是20世纪80年代末发展起来的一种新型的信号分析工具。目前，小波的研究受到广泛的关注，特别是在信号处理、图像处理、语音分析、模式识别、量子物理及众多非线性科学等应用领域，被认为是近年来在工具及方法上的重大突破。小波分析有许多特性：多分辨率特性，保证非常好的刻画信号的非平稳特征，如间断、尖峰、阶跃等;消失矩特性，保证了小波系数的稀疏性;紧支撑特性，保证了其良好的时频局部定位特性;对称性，保证了其相位的无损;去相关特性，保证了小波系数的弱相关性和噪声小波系数的白化性;正交性，保证了变换域的能量守恒性;所有上述特性使小波分析成为解决实际问题的一个有效的工具。小波变换在心电、脑电、脉搏波等信号的噪声去除、特征提取和自动分析识别中也已经取得了许多重要的研究成果。

3。4 人工神经网络

人工神经网络是一种模仿生物神经元结构和神经信息传递机理的信号处理方法。目前学者们提出的神经网络模型种类繁多。概括起来，其共性是由大量的简单基本单元（神经元）相互广泛联接构成的自适应非线性动态系统。其特点是：（1）并行计算，因此处理速度快;（2）分布式存贮，因此容错能力较好;（3）自适应学习（有监督的或无监督的自组织学习）。

参考文献

[1] 邢国泉，徐洪波。生物医学信号研究概况。咸宁学院学报（医学版），2006，20：459～460。

[2] 杨福生。论生物医学信号处理研究的学科发展战略。国外医学生物医学工程分册，1992，4（15）：203～212。

急求应用物理学毕业论文，需要完整的。有的请告诉我一个地址或者联系方式

1. 与汽车相关的几个力学问题的研究(字数:10185,页数:26 )
2. 保护信号检测电路设计与仿真(字数:11657,页数:30 )
3. 量子微观体系的对称性(字数:8978,页数:23 )
4. 固体中光吸收的特征分析与应用(字数:8253,页数:20 )
5. 居民出行分布的电子云现象(字数:9629,页数:24 )
6. 有干摩擦力的弹簧振子运动探讨(字数:7217,页数:24 )
7. 电脑机箱金属网屏蔽电磁辐射的研究(字数:6986,页数:27 )
8. 物理实验误差理论中不确定度的解释与表述(字数:9080,页数:23 )
9. 多无线路由家居环境电磁状况调研(字数:7978,页数:23 )
10. 指纹识别电子锁的设计(字数:14896,页数:38 )

simulink仿真中如何实现检测到信号值满足某条件时保持该值0.3s？

当时间小于等于2s时，输出第三个信号，当时间大于2s时，输出第三个信号的最后一格并维持住

运用matlab进行随机信号的功率谱密度估计仿真【急求】

好眼熟啊。。。通院08级的随机信号实验题目？
这份是我在网络上找的：
（1）.周期图法： 思想：周期图法是为了得到功率谱估值，先取信号序列的离散傅里叶变换，然后取其幅频特性的平方并除以序列长度 N。由于序列 x(n)的离散傅里叶变换 X(k) 具有周期性，因而这种功率谱也具有周期性，常称为周期图。周期图是信号功率谱的一个有偏估值；而且，当信号序列的长度增大到无穷时，估值的方差不趋于零。因此，随着所取的信号序列长度的不同，所得到的周期图也不同，这种现象称为随机起伏。由于随机起伏大，使用周期图不能得到比较稳定的估值。

程序：
%首先，生成输入信号的程序为：
clear ; fs=20000; n=0:1/ fs: 0. 1; N=lengt h( n); W=2000*pi;%因方波频率 F=1000HZ 所以角频率 W=2000pi X1n=square( W*n) ;%方波信号 X2n=randn( 1, N);%白噪声信号 xn=X1n+0. 2*X2n; subplot (3, 1, 1) plot (n, xn) ; xlabel( ' n' ) ylabel('输入信号') %其次，开始用周期图法进行估计； clear all fs=20000; n=0:1/fs:0.1; N=length(n); W=2000*pi; x1n=square(W*n); x2n=randn(1,N); xn=x1n+0.2*x2n; subplot(2,1,1) plot(n,xn); Nfft=256;N=256;%傅里叶变换的采样点数256 Pxx=abs(fft(xn,Nfft).^2)/N; f=(0:length(Pxx)-1)*fs/length(Pxx); subplot(2,1,2), plot(f,10*log10(Pxx)),%转成DB 单位

（2）.自相关函数法： 思想： 随机信号 x(n)的相关函数是在时间域内描述随机过程的重要特征。自相关函数是随机信号在不同时刻的值之间的依赖性的量度，是一个很有用的统计平均量，其定义为自相关函数 (1) 式中E【·】表示数学期望，*表示共轭值,m 为时间滞后数。在随机信号处理中，自相关函数可以用来检测淹没在随机噪声干扰中的信号，随机信号的自功率谱等于它的自相关函数的傅里叶变换。因此，通过自相关估计可求得信号的功率谱。利用计算机计算自相关估值有两种方法。一种是直接方法，先计算出随机信号和它的滞后序列的乘积，再取其平均值即得相关函数的估计值。另一种是间接方法，先用快速变换算法计算随机序列的功率谱密度，再作反变换计算出相关函数。

程序： n=0:1/fs:1; N=length(n); W=2000*pi; x1n=square(W*n); x2n=randn(1,N); xn=x1n+0.2*x2n; figure(2) subplot(3,1,1) plot(n,xn);%输入信号 axis([0 0.01 -5 5]) m =-100:100 [r,lag]=xcorr(xn,100,'biased')%求XN 的自相关函数R，biased 为有偏估计,lag 为R 的序列号 subplot(3,1,2) hndl=stem(m,r);%绘制离散图，分布点从-100—+100 set(hndl,'Marker','.') set(hndl,'MarkerSize',2); ylabel('自相关函数R(m)') %利用间接法计算功率谱 k=0:1000;%取1000 个点 w=(pi/500)*k; M=k/500; X=r*(exp(-li*pi/500).^(m'*k));%对R 求傅里叶变换,li 就是j magX=abs(X); subplot(3,1,3) plot(M,10*log10(magX)); xlabel('功率谱的改进直接法估计')

（3）.自协方差法： 思想：在实际中,有时用随机信号在两个不同时刻t 1 ,t 2 的取值X(t 1 )和X(t 2 )之间的二阶混合中心矩来描述随机信号 X(t)在任意两个时刻取值起伏变化的相依程度, 即自协方差。自协方差函数与自相关函数描述的特性是一致的，所以其原理与相关函数法近似。

clear all; fs=20000; n=0:1/fs:0.1; P=2000*pi; y=square(P*n); xn=y+0.2*randn(size(n));%绘制信号波形 figure(3) subplot(2,1,1) plot(n,xn) xlabel('时间（s）') ylabel('幅度') title('y+randn(size(n))') ymax_xn=max(xn)+0.2; ymin_xn=min(xn)-0.2; axis([0 0.3 ymin_xn ymax_xn]) %使用协方差法估计序列功率谱 p=floor(length(xn)/3)+1; nfft=1024; [xpsd,f]=pcov(xn,p,nfft,fs,'half'); %绘制功率谱估计 pmax=max(xpsd); xpsd=xpsd/pmax; xpsd=10*log10(xpsd+0.000001); subplot(2,1,2) plot(f,xpsd) title('基于协方差的功率谱估计') ylabel('功率谱估计（db）') xlabel('频率') grid on; ymin=min(xpsd)-2; ymax=max(xpsd)+2; axis([0 fs/2 ymin ymax])

（4）.最大熵法 思想：上网查的最大熵法原理是取一组时间序列，使其自相关函数与一组已知数据的自相关函数相同，同时使已知自相关函数以外的部分的随机性最强，以所取时间序列的谱作为已知数据的谱估值。它等效于根据使随机过程的熵为最大的原则,利用 N 个已知的自相关函数值来外推其他未知的自相关函数值所得到的功率谱。最大熵法功率谱估值是一种可获得高分辨率的非线性谱估值方法，特别适用于数据长度较短的情况。最大熵法谱估值对未知数据的假定 ，一个平稳的随机序列，可以用周期图法对其功率谱进行估值。这种估值方法隐含着假定未知数据是已知数据的周期性重复。现有的线性谱估计方法是假定未知数据的自相关函数值为零，这种人为假定带来的误差较大。最大熵法是利用已知的自相关函数值来外推未知的自相关函数值，去除了对未知数据的人为假定，从而使谱估计的结果更为合理。熵在信息论中是信息的度量，事件越不确定，其信息量越大，熵也越大。对于上述问题来说，对随机过程的未知的自相关函数值，除了从已知的自相关函数值得到有关它的信息以外，没有其他的先验知识。因而，在外推时，不希望加以其他任何新的限制，亦即使之“最不确定”。换言之，就是使随机过程的熵最大。

程序： fs=20000; n=0:1/fs:1; N=length(n); W=2000*pi; x1n=square(W*n); x2n=randn(1,N); xn=x1n+0.2*x2n; figure(5) subplot(3,1,1) plot(n,xn); asis([0 0.01 -5 5]) Nfft=256;%分段长度256 [Pxx,f]=pmem(xn,14,Nfft,fs);%调用最大熵函数pmem，滤波器阶数14 subplot(2,1,2), plot(f,10*log10(Pxx)), title(' 最大熵法，滤波器14'),xlabel('频率'),ylabel('功率谱db');

（5）.最大似然法： 思想：最大似然法原理是让信号通过一个滤波器，选择滤波器的参数使所关心的频率的正弦波信号能够不失真地通过，同时，使所有其他频率的正弦波通过这个滤波器后输出的均方值最小。在这个条件下，信号经过这个滤波器后输出的均方值就作为其最大似然法功率谱估值。可以证明,如果信号x 是由一个确定性信号S 加上一个高斯白噪声n 所组成，则上述滤波器的输出是信号S 的最大似然估值。如果n 不是高斯噪声，则上述滤波器的输出是信号S 的最小方差的线性的无偏估值，而且它能得到比使用固定的窗口函数的周期图法更高的分辨率。

程序： fs=20000; n=0:1/fs:1; N=length(n); W=2000*pi; x1n=square(W*n); x2n=randn(1,N); xn=x1n+0.2*x2n; figure(4) subplot(3,1,1) plot(n,xn); axis([0 0.01 -5 5]) %估计自相关函数 m=-500:500; [r,lag]=xcorr(xn,500,'biased'); R=[r(501) r(502) r(503) r(504); r(500) r(501) r(502) r(503); r(499) r(500) r(501) r(502); r(498) r(499) r(500) r(501)]; [V,D]=eig(R); V3=[V(1,3),V(2,3),V(3,3),V(4,3)].'; V3=[V(1,4),V(2,4),V(3,4),V(4,4)].'; p=0:3; wm=[0:0.002*pi:2*pi]; B=[(exp(-li)).^(wm'*p)];%li 就是虚数单位j A=B; %最小方差功率谱估计 z=A*inv(R)*A'; Z=diag(z'); pmv=1./Z; subplot(2,1,2) plot(wm/pi,pmv); title('基于最大似然的功率谱估计') ylabel('功率谱幅度（db）') xlabel('角度频率w/pi')
自己分下段就能运行了。