MATLAB 在其他领域中应用.pptVIP

第6 章MATLAB 在其他领域中的应用 在智能天线、神经网络、模式识别等很多方面MATLAB 都有着广泛的应用MATLAB提供的Simulink 仿真功能能搭建出与真实电路相似的仿真模型，使大家可以看到在一个系统中的实时信号。本章通过介绍MATLAB 在智能天线、神经网络Simulink 仿真等方面应用的例子揭示了MATLAB 的应用。 6.1 智能天线DOA 的Capon 算法与Music 算法比较 1．实验目的 (1) 了解用户的DOA 在智能天线中的作用。 (2) 理解DOA 的传统算法Capon 最小方差法的原理。 (3) 理解DOA 算法中的Music 算法的原理。 (4) 对比Capon 算法与Music 算法的仿真结果。 2．实验原理 用户的DOA(Direction of Arrival)作为反映用户空间位置的重要参量在智能天线中扮MATLAB演着非常重要的角色，因此，如何准确地估计各个用户的 DOA 是非常值得研究的领域。 Capon 最小方差法使用部分(不是全部)自由度在期望观测方向形成一个波束，同时利用剩余的自由度在干扰信号方向形成零陷。此方法使输出功率最小，达到使非期望干扰的贡献最小的目的，同时增益在观测方向保持为常数，通常为1. (2) Music 算法是根据窄带数据模型以几何观点考察信号参数估计的问题。如果有D个信号入射到M 元阵列上，则阵列接收到的输入数据向量可以表示为D 个入射波形与噪声的线性组合。 4．程序代码 clear; d=1; %天线阵元的间距 lma=2; %信号中心波长 q1=1*pi/4; q2=pi/3; q3=pi/6; q4=3*pi/4; %4 个输入信号的方向 A1=[exp(-2*pi*j*d*[0:6]*cos(q1)/lma)]; A2=[exp(-2*pi*j*d*[0:6]*cos(q2)/lma)]; A3=[exp(-2*pi*j*d*[0:6]*cos(q3)/lma)]; A4=[exp(-2*pi*j*d*[0:6]*cos(q4)/lma)]; A=[A1,A2,A3,A4]; %得出A 矩阵 n=1:1900; v1=.015; %4 个信号的频率 v2=.05; v3=.02; v4=.035; d=[1.3*cos(v1*n);1*sin(v2*n);1*sin(v3*n);1*sin(v4*n)];%输入信号矢量 U=A*d; %总的输入信号 U1=(U); c=cov(U*U1); %总输入信号的协方差矩阵 [s,h]=eig(c); %求协方差矩阵的特征矢量及特征值 Vn=s(:,1:3); %求与零特征值对应的特征矢量 ci=inv(c); %求协方差矩阵的逆矩阵 q1b=[pi/180:pi/180:pi]; for n=1:length(q1b) q1a(n)=q1b(n); A1a=[exp(-2*pi*j*1*[0:6]*cos(q1a(n))/lma)]; Pmusic(n)=(A1a)*A1a*(inv((A1a)*Vn*(Vn)*A1a)); %应用Music 法估计输出 Pcap(n)=inv((A1a)*ci*(A1a)); %应用Capon 法估计输出 T(n)=q1a(n); P1=abs(Pmusic); P2=abs(Pcap); end figure(1) %绘出Music 法估计的波达方向图 T1=T*180/pi; semilogy(T1,P1);grid axis([0,200,1e-10,1e40]); xlabel(Angle(deg)); ylabel(Spectrum) grid on; figure(2) %绘出Capon 法估计的波达方向图 T1=T*180/pi; semilogy(T1,P2);grid axis([0,200,1e-10,1e10]); xlabel(Angle(deg)); ylabel(Spectrum) grid on; 5．运行结果与分析 其输出结果如图6.1 和图6.2 所示。通过以上实验对比，可看出在理想情况下Music 算法比Capon 算法在DOA 估计上谱峰更高，相邻角度信号之间的过渡更平缓，所以Music性能更好。 6．思考题 Music 算法相对于Capon 算法具有什么优势？具有什么缺点？如何对Music 算法进行改进？ 6.2 Hopfield 神经网络数字识别 1．实验目的 (1) 学习MATLAB 在神经网络系统中的应用。 (2) 掌握Hopfield 神经网络识别数字方法。 2．实验原理 Hopfield 神经网络的应用形式有联想记忆和优化计算两种。其中联想记忆是指当网络输入某个矢量后，网络经