1.完整项目描述和程序获取
>面包多安全交易平台:https://mbd.pub/o/bread/Y5uTmJ1y
>如果链接失效，可以直接打开本站店铺搜索相关店铺：
>如果链接失效，程序调试报错或者项目合作也可以加微信或者QQ联系。
2.部分仿真图预览
3.算法概述
LTE测试有两个主要的挑战：从单载波到多载波的OFDM调制信号以及从SISO(单输入单输出)到MIMO的信号传输流。
OFDM信号有多个子载波，互相之间精确排列并占用较宽的带宽(达到20MHz)，较大多数射频工程师熟悉的传统单载波信号更加复杂。从各个方面测量这些信号对于确认无线电通信的正确工作并在出问题时快速诊断出问题所在区域非常重要。例如，测量在整个频道内每个子载波的调制质量，即EVM(误差向量幅度)测量，可探测出放大器、滤波器、频率响应波形，或窄带干扰问题。简单地说，在覆盖整个传输帧的整个时间段内测量EVM分量，可探测出由放大器热效应、失效以及开关或频率引起的问题。
OFDM信号较单载波信号具有更高的峰值-均值比(PAR)，这增加了发送级功率放大器增益压缩引起误码的可能性。与WiMAX不同，LTE在移动设备中使用不同的调制方法(SC-FDMA)来进行补偿。但这增加了放大器的功率消耗，使基带处理变得更加复杂并最终造成更多功耗。
4.部分源码
.................................
%划分数据为训练集合验证集，训练集中每个类别包含1张图像，验证集包含其余图像的标签
numTrainFiles = 100;%设置每个类别的训练个数
[imdsTrain, imdsValidation] = splitEachLabel(imds, numTrainFiles, 'randomize');
%定义卷积神经网络的基础结构
layers = [
imageInputLayer([128 14 3]);%注意，400,150为能量图的大小，不能改
%第一个卷积层
convolution2dLayer(3, 8, 'Padding', 'same');%第一个卷积层
batchNormalizationLayer;
reluLayer;
maxPooling2dLayer(2, 'Stride', 2);
%第二个卷积层
convolution2dLayer(3, 16, 'padding', 'same');
batchNormalizationLayer;
reluLayer;
maxPooling2dLayer(2, 'Stride', 2);
%第3个卷积层
convolution2dLayer(3, 16, 'padding', 'same');
batchNormalizationLayer;
reluLayer;
maxPooling2dLayer(2, 'Stride', 2);
%第4个卷积层
convolution2dLayer(3, 16, 'padding', 'same');
batchNormalizationLayer;
reluLayer;
%全连接层1
fullyConnectedLayer(2);
%全连接层2
fullyConnectedLayer(2);
%softmax
softmaxLayer;
%输出分类结果
classificationLayer;];
%设置训练参数
options = trainingOptions('adam', ...
'InitialLearnRate', 0.0005, ...
'MaxEpochs', 500, ...
'Shuffle', 'every-epoch', ...
'ValidationData', imdsValidation, ...
'ValidationFrequency', 10, ...
'Verbose', false, ...
'Plots', 'training-progress');
%使用训练集训练网络
net = trainNetwork(imdsTrain, layers, options);
%对验证图像进行分类并计算精度
YPred = classify(net, imdsValidation);
YValidation = imdsValidation.Labels;
accuracy = 100*sum(YPred == YValidation) / numel(YValidation)
..................................
01_210m
