✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
调制是将数字信号转换为模拟信号的过程，以便通过信道传输。调制技术有多种，每种技术都有其独特的特点和应用。本文将重点介绍2ASK、4ASK、2PSK、4PSK、2FSK、4FSK和16QAM这几种常见的调制技术，并对它们的信号特征进行提取和分析。
2ASK（2进制幅度键控）是一种简单的调制技术，它将二进制数据转换为两个不同的幅度电平。当二进制数据为0时，输出信号为低幅度，当二进制数据为1时，输出信号为高幅度。
信号特征：
-
幅度调制
-
两电平幅度
-
占有带宽为信号比特率的两倍
4ASK（4进制幅度键控）是一种扩展的ASK调制技术，它将四进制数据转换为四个不同的幅度电平。二进制数据每两位组合为一个四进制符号，并对应于特定的幅度电平。
信号特征：
-
幅度调制
-
四电平幅度
-
占有带宽为信号比特率的四倍
2PSK（2进制相移键控）是一种相位调制技术，它将二进制数据转换为两个不同的相位偏移。当二进制数据为0时，输出信号的相位为0度，当二进制数据为1时，输出信号的相位为180度。
信号特征：
-
相位调制
-
两相位偏移
-
占有带宽为信号比特率的两倍
4PSK（4进制相移键控）是一种扩展的PSK调制技术，它将四进制数据转换为四个不同的相位偏移。二进制数据每两位组合为一个四进制符号，并对应于特定的相位偏移。
信号特征：
-
相位调制
-
四相位偏移
-
占有带宽为信号比特率的四倍
2FSK（2进制频移键控）是一种频率调制技术，它将二进制数据转换为两个不同的载波频率。当二进制数据为0时，输出信号的频率为f1，当二进制数据为1时，输出信号的频率为f2。
信号特征：
-
频率调制
-
两载波频率
-
占有带宽为信号比特率的两倍
4FSK（4进制频移键控）是一种扩展的FSK调制技术，它将四进制数据转换为四个不同的载波频率。二进制数据每两位组合为一个四进制符号，并对应于特定的载波频率。
信号特征：
-
频率调制
-
四载波频率
-
占有带宽为信号比特率的四倍
16QAM（16进制正交幅度调制）是一种幅度和相位同时调制的技术。它将四位二进制数据组合为一个16进制符号，并对应于特定的幅度和相位组合。
信号特征：
-
幅度和相位调制
-
16个符号
-
占有带宽为信号比特率的四倍
为了对调制信号进行特征提取和分析，可以使用以下步骤：
-
**信号采集：**使用示波器或频谱分析仪采集调制信号。
-
**信号预处理：**对信号进行滤波、去噪等预处理操作。
-
**特征提取：**根据调制技术的特点，提取信号的幅度、相位、频率等特征参数。
-
**特征分析：**对提取的特征参数进行分析，包括统计分析、频谱分析、星座图分析等。
调制技术广泛应用于通信、导航、雷达等领域。不同调制技术具有不同的性能和适用场景，例如：
-
2ASK和4ASK用于低速数据传输
-
2PSK和4PSK用于中速数据传输
-
2FSK和4FSK用于抗干扰数据传输
-
16QAM用于高速数据传输
2ASK、4ASK、2PSK、4PSK、2FSK、4FSK和16QAM是常见的调制技术，它们具有不同的信号特征和应用场景。通过对调制信号进行特征提取和分析，可以深入了解调制技术的原理和性能，为通信系统设计和优化提供依据。
[1]王旭,张达敏,周勇.数字通信信号调制识别研究[J].中国高新技术企业, 2008(16):2.DOI:CNKI:SUN:ZGGX.0.2008-16-092.
🎈 部分理论引用网络文献，若有侵权联系博主删除
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类