Talvez você também compartilhe a expressão usada para calcular a curva BER teórica. Tem havido muitos casos em que a curva derivada da expressão teórica para a probabilidade de erro de símbolo foi comparada com a curva simulada para a probabilidade de erro de bit (e vice-versa) resultante Em muita confusão e mágoa. Erros na computação SNR, ou traduzir um dado SNR para amplitudes de sinal, são comuns também. Ndash Dilip Sarwate Jan 19 12 at 22:18 A explicação simples é que há um erro na sua simulação. Heres um que trabalha em MATLAB: Note que a expressão teórica para taxa de erro de bit para BPSKQPSK modulação é: tendo em mente que Eb é a energia por bit de informação. A distinção um tanto sutil entre Eb e Es, a energia por símbolo. É algo que muitas vezes as viagens de pessoas novas para o assunto. Esta diferença também explica por que QPSK e BPSK têm a mesma taxa de erro de bits quando expressa como uma função de frac você não obtém nenhum benefício de desempenho de bit-erro movendo-se para QPSK, embora você pode conseguir uma determinada taxa de bits com menor largura de banda ocupada. Como eu observei em meu comentário sobre a questão principal, outra fonte de confusão é que a taxa de erro de símbolo é Ps 2Qleft (sqrt direito) - leftQleft (sqrt direito) right2 uma vez que o símbolo é incorreto se em Pelo menos um bit é desmodulado incorretamente, os erros de bit nos ramos em fase e em quadratura são independentes, e P (Acup B) P (A) P (B) (A) P (B) 2p-p2 para eventos independentes de probabilidade p ndash Dilip Sarwate Jan 20 12 às 17:53 Posso fazer uma pergunta Como você calcula a energia por bit Quero dizer, na realidade, não é igual a 1. Então você pode explicar na realidade como eu caculate a energia por bit Obrigado muito ndash Khanh Nguyen Sep 25 13 às 11: 45 Uma maneira simples (ad hoc) é apenas tomar uma média ponderada (ajustável por alfa) em cada ponto com Seus vizinhos: ou alguma variação do mesmo. Sim, para ser mais sofisticado você pode Fourier transformar seus dados em primeiro lugar, em seguida, cortar as altas freqüências. Algo como: Isso corta as 20 frequências mais altas. Tenha cuidado para cortá-los simetricamente, caso contrário a transformada inversa não é mais real. Você precisa escolher cuidadosamente a freqüência de corte para o nível correto de suavização. Este é um tipo muito simples de filtragem (filtragem de caixa no domínio da freqüência), para que você possa tentar suavemente atenuando freqüências de alta ordem se a distorção é inaceitável. FFT não é uma má idéia, mas é provavelmente um exagero aqui. Corrente ou médias móveis dão resultados geralmente pobres e devem ser evitados para qualquer coisa além de trabalhos de casa atrasados (e ruído branco). Id uso Savitzky-Golay filtragem (em Matlab sgolayfilt (.)). Isso lhe dará os melhores resultados para o que você está procurando - algum alisamento local, mantendo a forma da curva. Código fonte avançado. Com. Clique aqui para baixar. O reconhecimento óptico de caracteres (OCR) é a tradução de bitmaps de caracteres impressos ou escritos de códigos de caracteres, tais como ASCII. Esta é uma maneira eficiente de transformar materiais impressos em arquivos de dados que podem ser editados e manipulados em um computador. Esta é a tecnologia usada há muito tempo por bibliotecas e agências governamentais para fazer documentos longos rapidamente disponíveis eletronicamente. Os avanços na tecnologia de OCR estimularam seu uso crescente por parte das empresas. Para muitas tarefas de entrada de documentos, OCR é o método mais econômico e mais rápido disponível. E a cada ano, a tecnologia libera hectares de espaço de armazenamento, uma vez dado a arquivadores e caixas cheias de documentos em papel. Antes de usar OCR, o material de origem deve ser digitalizado usando um scanner óptico (e às vezes uma placa de circuito especializado no PC) para ler na página como um bitmap (um padrão de pontos). O software para reconhecer as imagens também é necessário. O software de OCR, em seguida, processa essas digitalizações para diferenciar entre imagens e texto e determinar quais letras são representadas nas áreas claras e escuras. Os sistemas de OCR mais antigos combinam essas imagens com os bitmaps armazenados com base em fontes específicas. Os resultados de sucesso de tais sistemas de reconhecimento de padrões ajudaram a estabelecer a reputação de OCRs por imprecisão. Os motores de OCR de hoje adicionam os algoritmos múltiplos da tecnologia da rede neural para analisar a borda do curso, a linha da descontinuidade entre os caráteres de texto, eo fundo. Permitindo irregularidades da tinta impressa no papel, cada algoritmo faz a média da luz e da escuridão ao longo do lado de um golpe, corresponde a caracteres conhecidos e faz uma melhor estimativa de qual personagem é. O software OCR, em seguida, médias ou sondagens os resultados de todos os algoritmos para obter uma única leitura. Nosso pacote de software propõe-se resolver a classificação de caracteres manuscritos isolados e dígitos do conjunto de dados de caracteres UJI Pen usando redes neurais. Os dados consistem em amostras de 26 caracteres e 10 dígitos escritos por 11 escritores em um tablet PC. Os caracteres (no formato UNIPEN padrão) são escritos tanto em maiúsculas e minúsculas e há um conjunto de dois conjunto de caracteres por gravador. Portanto, a saída deve estar em uma das 35 classes. O objetivo final é construir um modelo de escritor independente para cada personagem. A seleção de características valiosas é crucial no reconhecimento de caráter, portanto um conjunto novo e significativo de características, as Uniform Differential Normalized Coordinates (UDNC), introduzido por C. Agell, é adotado. Esses recursos são mostrados para melhorar a taxa de reconhecimento usando algoritmos de classificação simples para que eles sejam usados para treinar uma Rede Neural e testar seu desempenho em UJI Pen Character Characters Set. Termos de indexação: Matlab, fonte, código, ocr, reconhecimento óptico de caracteres, texto digitalizado, texto escrito, ascii, caractere isolado. Figura 1. Texto escrito Um código-fonte simples e eficaz para o reconhecimento óptico de caracteres. Código de demonstração (arquivos P protegidos) disponível para avaliação de desempenho. Matlab Image Processing Toolbox e Matlab Neural Network Toolbox são necessários. Reconhecimento de manuscrito para caracteres isolados Suporte ao formato de arquivo UNIPEN Coordenadas uniformizadas diferenciais uniformes Implementação rápida e otimizada GUI fácil e intuitiva Código Demo (arquivos P protegidos) disponível para avaliação de desempenho Recomendamos verificar a conexão segura com o PayPal para evitar fraudes. Essa doação deve ser considerada um encorajamento para melhorar o próprio código. Sistema de Reconhecimento Óptico de Caracteres - Clique aqui para sua doação. A fim de obter o código fonte você tem que pagar uma pequena soma de dinheiro: 200 EUROS (menos de 280 dólares dos EUA). Depois de ter feito isso, envie um e-mail luigi. rosatiscali. it Logo que possível (em poucos dias) você receberá o nosso novo lançamento do Sistema de Reconhecimento Óptico de Caracteres. Alternativamente, você pode conferir usando nossas coordenadas bancárias:
No comments:
Post a Comment