viterbi译码算法是一种卷积码的解码算法。优点不说了。缺点就是随着约束长度的增加算法的复杂度增加很快。约束长度N为7时要比较的路径就有64条，为8时路径变为128条。 (2<<(N-1))。所以viterbi译码一般应用在约束长度小于10的场合中。 先说编码（举例约束长度为7）：编码器7个延迟器的状态（0，1）组成了整个编码器的64个状态。每个状态在编码器输入0或1时，会跳转到另一个之中。比如110100输入1时，变成101001（其实就是移位寄存器）。并且输出也是随之而改变的。 这样解码的过程就是逆过程。算法规定t时刻收到的数据都要进行64次比较，就是64个状态每条路有两条分支（因为输入0或1），同时，跳传到不同的两个状态中去，将两条相应的输出和实际接收到的输出比较，量度值大的抛弃（也就是比较结果相差大的），留下来的就叫做幸存路径，将幸存路径加上上一时刻幸存路径的量度然后保存，这样64条幸存路径就增加了一步。在译码结束的时候，从64条幸存路径中选出一条量度最小的，反推出这条幸存路径（叫做回溯），得出相应的译码输出。
上传时间： 2016-08-08
上传用户：June
(n, k, N)卷积码的状态数为2k (N−1) ，对每一时刻要 做2k (N−1) 次“加－比－存”操作，每一操作包括2k 次加法和2k −1 次比较，同时要保留2k (N−1) 条幸存路径。由此可见，Viterbi 算法的复杂度与信道质量无关，其计算量和存储量都随约束 长度N 和信息元分组k 呈指数增长。因此，在约束长度和信息元分组较大时并不适用。 为了充分利用信道信息，提高卷积码译码的可靠性，可以采用软判决Viterbi 译码算法。 此时解调器不进行判决而是直接输出模拟量，或是将解调器输出波形进行多电平量化，而不 是简单的 0、1 两电平量化，然后送往译码器。即编码信道的输出是没有经过判决的“软信 息”。
上传时间： 2016-08-08
上传用户：June
IS-95前向链路MATLAB仿真，具体内容有：卷积编码、信号加扰、块交织、正交复用、正交扩频、基带滤波、信道设计、接收发射机的设计。最后通过误码率来说明这个系统的好坏
上传时间： 2017-05-22
上传用户：天晴没有眼泪
卷积神经网络（cnn）的matlab实现
上传时间： 2019-04-28
上传用户：与可12138
基于matlab实现卷积神经网络的图像识别，对于初学者很有帮助，代码齐全
上传时间： 2019-04-28
上传用户：与可12138
改压缩文件包含车牌数据集，车牌识别的python程序代码，使用CNN卷积网络实现
上传时间： 2019-06-28
上传用户：WSRY5220
交织与解交织，内部附实验报告，也可以仿真，卷积交织
标签： fpga
上传时间： 2020-05-30
上传用户：151562
人工智能结课作业（A星八数码/广度优先/深度优先/粒子群寻优算法/遗传算法/蚁群算法/BP神经网络/卷积神经网络）
标签： 人工智能
上传时间： 2021-10-20
上传用户：recarry
这是我在做大学教授期间推荐给我学生的一本书，非常好，适合入门学习。《python深度学习》由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。作者在github公布了代码，代码几乎囊括了本书所有知识点。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。但是有一个小小的遗憾：代码的解释和注释是全英文的，即使英文水平较好的朋友看起来也很吃力。本人认为，这本书和代码是初学者入门深度学习及Keras最好的工具。作者在github公布了代码，本人参照书本，对全部代码做了中文解释和注释，并下载了代码所需要的一些数据集（尤其是“猫狗大战”数据集），并对其中一些图像进行了本地化，代码全部测试通过。（请按照文件顺序运行，代码前后有部分关联）。以下代码包含了全书约80%左右的知识点，代码目录：2.1: A first look at a neural network（ 初识神经网络）3.5: Classifying movie reviews（电影评论分类：二分类问题）3.6: Classifying newswires（新闻分类：多分类问题 ）3.7: Predicting house prices（预测房价：回归问题）4.4: Underfitting and overfitting（ 过拟合与欠拟合）5.1: Introduction to convnets（卷积神经网络简介）5.2: Using convnets with small datasets（在小型数据集上从头开始训练一个卷积网络）5.3: Using a pre-trained convnet（使用预训练的卷积神经网络）5.4: Visualizing what convnets learn（卷积神经网络的可视化）
上传时间： 2022-01-30
上传用户：
作者为美国多年经验的信号处理工程实践经验，从应用角度出发，抛开复杂繁琐的公式，1）阐述从概率统计角度认识信号和噪声。2）模数和数模转换理论。3）包括卷积、相关、离散傅里叶变换、FFT等重要计算和实现方法4）以及数字滤波器和音频、视频的信号处理等。 建议可以结合经典的奥本海姆的《信号与系统》和《离散信号处理》为基础，补充这类侧重工程实践角度讲解和实现的数字补充学习。
标签： 数字信号处理
上传时间： 2022-04-21
上传用户：fliang
