企业官网建设流程全解析

国外网站设计的网站,一般网站是用什么框架做的,郑州网站制作的公司哪家好,asp网站如何搭建AM#xff08;DSB-LC#xff09;调制过程1. 引入与方法概述#xff08;原文要点整理与解释#xff09;原文#xff08;要点#xff09;#xff1a;有几种方法可以产生 AM#xff08;DSB-LC#xff09;。一种特别容易解释的方法使用两个步骤#xff1a; ① 通过添加 D…AMDSB-LC调制过程1. 引入与方法概述原文要点整理与解释原文要点有几种方法可以产生 AMDSB-LC。一种特别容易解释的方法使用两个步骤① 通过添加 DC 偏置信号 B 来偏移消息信号 m(t)② 将偏移消息信号 [B m(t)] 乘以某个更高频率的正弦载波信号。解释与讲授要点将基带消息信号 m(t) 先加上一个恒定直流分量 B称为偏置或载波分量使得到的信号始终或在多数时间为正或至少相对于零电平偏移。然后将该偏移后的信号与高频正弦或余弦载波逐点相乘得到幅度随基带信号变化的载波即产生了含载波的振幅调制信号DSB-LCDouble SideBand — Large Carrier。2. 数学表达原文公式与释义原文公式为在数学上表达该过程AM 信号方程可以写为逐项释义与展开3. 实验示例与图示观察原文要点图 15.2 显示了 100 ms 的语音信号。图 15.3 显示了添加来自图 15.2 的语音信号和 5 mV 偏置的结果。在图 15.3 中很明显语音信号加上 5 mV 并不总是保持正值。消息振幅需要降低或偏差值需要增加否则如果要将包络检波器用于消息恢复将导致失真。图 15.4 显示了添加 20 mV 偏置的结果很明显语音信号加偏置现在在所示的时间段内保持为正。图 15.5 显示语音信号调制DSB-LC一个 12 kHz 载波。逐句讲解与技术说明图 15.2原始 100 ms 语音信号这是一段采样后的基带语音波形纵轴为电压横轴为时间ms。语音信号在时间上是变化的有正有负峰值幅度决定了后续偏置的大小需求。4. 关键概念延伸包络检波的前提条件5. MATLAB 实现要点原文要点AM 生成过程的最后一步是将正确偏置的消息信号乘以正弦信号称为载波。乘法是逐点操作因此必须使用 MATLAB® 运算符“.*”。实现步骤示例化、可直接用于讲授或实验示例伪代码MATLAB 风格% m: 基带列向量Fs: 采样率 N length(m); t (0:N-1)/Fs; B 1.2 * max(abs(m)); % 举例留 20% 安全裕度 Ac 1; % 载波幅度可调 fc 12000; % 12 kHz 示例载波 carrier cos(2*pi*fc*t); s Ac * (B m) .* carrier; % 逐点乘法 plot(t(1:round(0.1*Fs)), s(1:round(0.1*Fs))); % 绘制前 100 ms关于 MATLAB 中的注意事项使用逐点操作.*,./,.^而不是矩阵乘法。若对小信号幅度mV 级进行仿真注意数值精度与绘图纵轴刻度。如果准备将仿真结果送到硬件或 DSP例如书中示例基于 TMS320C6x应注意定点化、剪切以及采样率匹配问题。6. 总结核心结论数字信号处理DSP在实际硬件系统中运行的几个核心原则实时性约束、中断驱动机制以及数据表示的物理限制。第一层面为什么不能等待实时性的本质首先我们要理解 DSP 和普通电脑处理文件的区别。在普通的计算机处理中比如你在电脑上编辑一个 Word 文档或处理一张照片你通常拥有整个文件的数据。你可以随时读取文件的开头、中间或结尾处理器可以花 1 秒钟也可以花 10 秒钟只要最后结果出来就行。这叫做“离线处理”。但 DSP 处理来自 ADC模数转换器的数据是实时的就像你在接听电话或观看直播。流水线作业数据像流水一样源源不断地通过 ADC 涌入。如果不马上处理新的数据就会覆盖旧的数据导致信息丢失。不能等待正如文中提到的“我们不能等待所有消息样本被接收”。你不能跟 ADC 说“嘿等你把这一小时的声音都录完了我再开始计算。”因为那样需要巨大的存储空间而且会造成巨大的延迟你说话对方一小时后才听到。结论DSP 必须“随到随处理”来一个样本算一个样本送出一个样本。第二层面怎么实现“随到随处理”中断驱动与 ISR既然必须“随到随处理”处理器怎么知道数据来了呢这就引入了**“中断驱动Interrupt-Driven”**的概念。你可以把 DSP 芯片想象成一个正在专心看书执行主程序的人而 ADC 是门外的快递员。中断Interrupt快递员ADC送来了一个包裹数据样本他按了一下门铃。这个“门铃”就是硬件中断信号。中断服务例程ISR听到门铃你必须暂停看书放下书签去开门拿包裹并把它放到指定位置。这个“开门拿包裹”的一系列动作就是代码中的ISRInterrupt Service Routine。异步性文中强调“输入和输出 ISR 都是异步的”。这意味着你不知道门铃什么时候响它完全取决于外部的采样率比如每秒响 48000 次。你不能在主程序里写死代码去“等”数据因为那样效率极低。程序员的责任如果你的“拿包裹动作ISR”太慢还没等你在架子上放好下一个快递员又按门铃了系统就会崩溃数据溢出。因此DSP 程序员的核心任务是写出极高效率的 ISR 代码确保在下一次采样到来前处理完当前数据。必要的“搬运工”文中最后提到“除非您用适当的接收和传输 ISR……否则任何东西都不会进出”。这意味着如果不开门没有写好 ISR数据就烂在门口了DSP 内部算法再强大也拿不到数据。第三层面数据长什么样整数表示与溢出风险当数据终于通过 ISR 进入 DSP 内部后你需要理解它的数学形态。电压变整数现实世界是模拟电压比如 -1V 到 1V但计算机只认识 0 和 1。ADC 把电压映射为整数。补码与范围文中提到了16位二进制补码Twos Complement。在 16 位系统中能表示的整数总数是 65536$ 个。为了表示正负这些数字被分为两半范围是从-32,768到32,767。注意这里有一个不对称性负数比正数多一个因为 0 占用了正数的一位或者说非负数的一位。偏置与包络失真Clipping这段话特别提到了AM调幅信号的生成场景。在 AM 中我们通常需要给信号加一个直流偏置Bias把信号“抬”起来使其主要位于正值区域或者是为了控制载波的幅度。天花板与地板DSP 的数字世界是有“天花板”32767和“地板”-32768的。警告如果你设置的偏置Bias加上信号本身的波动超过了 32767数值无法继续变大就会被强行“削顶”Clipping产生严重的失真。文中提到“偏置电平必须不超过 32768”其实是一个简化的说法准确地说是“偏置 信号峰值”不能越界。实验建议作者最后建议你故意把偏置设得很大比如大于 32768虽然在 16 位里这本身就会发生溢出回绕目的是让你通过实验去听或看当数字系统发生**溢出Overflow**时AM 信号的波形会变成什么样通常会发生相位翻转或严重的杂音以此来加深对数字范围限制的理解。python运行代码#!/usr/bin/env python3 # -*- coding: utf-8 -*- AM (DSB-LC) simulation and visualization script. Features: - Generate or read a baseband message signal (sine or WAV file). - Add one or more DC biases B and produce biased baseband signals. - Multiply (pointwise) biased baseband with a cosine carrier to form DSB-LC AM. - Compute analytic signal via FFT-based Hilbert transform and extract envelope. - Compute single-sided magnitude spectrum (dB). - Produce and save PNG plots for: baseband, biased baseband, AM time-domain, AM envelope, and AM spectrum up to 24 kHz (configurable). - Save a README and zip the result folder. Dependencies: - numpy - matplotlib - optional: scipy (for wav reading). If scipy unavailable, script uses synthetic signal. Usage example: python am_dsb_lc_sim.py --outdir ./am_results --fs 48000 --duration 0.1 \ --fm 1000 --amplitude 0.5 --biases 0.005 0.02 --fc 12000 --ac 1.0 Author: ChatGPT (assistant) import argparse import os from pathlib import Path import numpy as np import matplotlib # Use a non-interactive backend for environments without display matplotlib.use(Agg) import matplotlib.pyplot as plt import zipfile # Optional: try to import scipy.io.wavfile for WAV reading try: from scipy.io import wavfile SCIPY_AVAILABLE True except Exception: SCIPY_AVAILABLE False # ------------------------- # Utility functions # ------------------------- def analytic_signal_fft(x): Compute analytic signal using FFT-based Hilbert transform. Returns complex analytic signal xa such that envelope |xa|. X np.fft.fft(x) N len(X) H np.zeros(N, dtypefloat) # Construct frequency-domain multiplier H if N % 2 0: H[0] 1 H[N // 2] 1 H[1:N//2] 2 else: H[0] 1 H[1:(N1)//2] 2 xa np.fft.ifft(X * H) return xa def single_sided_spectrum_db(x, fs, nfft16384): Compute single-sided magnitude spectrum (dB) of signal x. Returns freqs (0..fs/2) and mag_db arrays. X np.fft.fft(x, nfft) X X[:nfft//2 1] mag np.abs(X) / nfft # avoid log of zero mag[mag 0] 1e-20 mag_db 20.0 * np.log10(mag) freqs np.linspace(0, fs/2, nfft//2 1) return freqs, mag_db def ensure_outdir(path): p Path(path) p.mkdir(parentsTrue, exist_okTrue) return p def save_png(fig, path, dpi200): fig.tight_layout() fig.savefig(path, dpidpi) plt.close(fig) # ------------------------- # Main simulation function # ------------------------- def run_simulation( outdir, fs48000, duration0.1, message_typesine, fm1000.0, Am0.5, wav_pathNone, biases(0.005, 0.02), fc12000.0, Ac1.0, nfft16384, spectrum_max_khz24.0 ): outdir ensure_outdir(outdir) # Time vector t np.arange(0, duration, 1.0/fs) N len(t) # Message signal: either synthetic sine or WAV file (if provided and readable) if message_type wav and wav_path is not None and SCIPY_AVAILABLE: wav_path Path(wav_path) if not wav_path.exists(): raise FileNotFoundError(fWAV file not found: {wav_path}) sr, data wavfile.read(str(wav_path)) # If stereo, take first channel if data.ndim 1: data data[:, 0] # Convert to float in range -1..1 if integer if np.issubdtype(data.dtype, np.integer): maxint float(2**(8*data.itemsize - 1)) data data.astype(np.float64) / maxint # Resample if sampling rates differ (simple truncation/pad if needed) if sr ! fs: # simple approach: resample via numpy interpolation orig_t np.arange(len(data)) / sr new_t np.arange(0, duration, 1.0/fs) from numpy import interp data interp(new_t, orig_t, data[:min(len(data), int(duration*sr))]) t new_t N len(t) else: # use portion that fits duration data data[:N] m Am * (data / np.max(np.abs(data))) # scale to requested amplitude Am message_descr fWAV input: {wav_path.name} (rescaled to Am{Am} V) else: # synthetic sine wave message m Am * np.sin(2.0 * np.pi * fm * t) message_descr fSynthetic sine: fm{fm} Hz, Am{Am} V # Save baseband (message) plot fig plt.figure(figsize(8,3)) plt.plot(t * 1000.0, m) plt.xlabel(时间 / ms) plt.ylabel(消息信号 / V) plt.title(f基带消息信号 - 时域 ({duration*1000:.0f} ms)\n{message_descr}) plt.xlim(0, duration*1000.0) save_png(fig, outdir / message.png) # Carrier carrier np.cos(2.0 * np.pi * fc * t) # Process each bias saved_files [] for B in biases: biased B m s Ac * biased * carrier # DSB-LC AM signal # 1) save biased baseband fig plt.figure(figsize(8,3)) plt.plot(t * 1000.0, biased) plt.xlabel(时间 / ms) plt.ylabel(偏置后消息信号 / V) plt.title(f偏置 B {B*1e3:.1f} mV 的基带信号 - 时域) plt.xlim(0, duration*1000.0) fname_biased outdir / fbiased_{int(B*1e6)}uV.png save_png(fig, fname_biased) saved_files.append(fname_biased.name) # 2) save AM waveform (time domain) fig plt.figure(figsize(8,3)) plt.plot(t * 1000.0, s) plt.xlabel(时间 / ms) plt.ylabel(AM 信号 / V) plt.title(fDSB-LC AM 信号 (B{B*1e3:.1f} mV, fc{fc/1000:.1f} kHz)) plt.xlim(0, duration*1000.0) fname_am outdir / fam_{int(B*1e6)}uV.png save_png(fig, fname_am) saved_files.append(fname_am.name) # 3) envelope via analytic signal xa analytic_signal_fft(s) envelope np.abs(xa) fig plt.figure(figsize(8,3)) plt.plot(t * 1000.0, s, labelAM 波形) plt.plot(t * 1000.0, envelope, label包络 (解析信号)) plt.plot(t * 1000.0, -envelope, label_nolegend_) plt.xlabel(时间 / ms) plt.ylabel(电压 / V) plt.title(fAM 信号与包络 (B {B*1e3:.1f} mV)) plt.xlim(0, duration*1000.0) plt.legend(locupper right) fname_env outdir / fam_envelope_{int(B*1e6)}uV.png save_png(fig, fname_env) saved_files.append(fname_env.name) # 4) spectrum (single-sided dB) up to spectrum_max_khz freqs, mag_db single_sided_spectrum_db(s, fs, nfftnfft) idx_max np.searchsorted(freqs, spectrum_max_khz * 1000.0) fig plt.figure(figsize(8,3)) plt.plot(freqs[:idx_max] / 1000.0, mag_db[:idx_max]) plt.xlabel(频率 / kHz) plt.ylabel(幅度 / dB) plt.title(fAM 信号功率谱幅度 (B{B*1e3:.1f} mV)) plt.xlim(0, spectrum_max_khz) # autoset ylim to show reasonable dynamic range ymin np.min(mag_db[:idx_max]) ymax np.max(mag_db[:idx_max]) plt.ylim(ymin - 5, ymax 5) fname_spec outdir / fspectrum_am_{int(B*1e6)}uV.png save_png(fig, fname_spec) saved_files.append(fname_spec.name) # Write README readme_path outdir / README.txt with open(readme_path, w, encodingutf-8) as f: f.write(AM (DSB-LC) 仿真结果\n) f.write(\n\n) f.write(f采样率 (Fs): {fs} Hz\n) f.write(f仿真时长: {duration} s\n) f.write(f消息: {message_descr}\n) f.write(f载波: fc {fc} Hz, Ac {Ac}\n) f.write(偏置值 (B): , .join([f{b} V for b in biases]) \n\n) f.write(文件列表:\n) for name in sorted(saved_files): f.write(f- {name}\n) f.write(- message.png\n) f.write(\n说明:\n) f.write(1. 若要使用外部 WAV 文件, 请在命令行使用 --message-type wav --wav-path file.wav 并确保已安装 scipy.\n) f.write(2. 包络使用 FFT-based Hilbert transform 计算, 可用于演示包络检波的有效性或过调情况.\n) # Zip the results zip_path Path(outdir.parent) / (outdir.name .zip) with zipfile.ZipFile(zip_path, w, zipfile.ZIP_DEFLATED) as zf: for fpath in sorted(outdir.iterdir()): zf.write(fpath, arcnamefpath.name) print(fResults saved to folder: {outdir}) print(fZIP archive: {zip_path}) print(Done.) # ------------------------- # Command-line interface # ------------------------- def parse_args(): p argparse.ArgumentParser(descriptionAM (DSB-LC) simulation and visualization.) p.add_argument(--outdir, default./am_results, helpOutput directory (will be created).) p.add_argument(--fs, typeint, default48000, helpSampling frequency (Hz).) p.add_argument(--duration, typefloat, default0.1, helpSimulation duration (seconds).) p.add_argument(--message-type, choices[sine, wav], defaultsine, helpMessage source: sine for synthetic sine, wav to read WAV file (requires scipy).) p.add_argument(--fm, typefloat, default1000.0, helpMessage frequency (Hz) for synthetic sine.) p.add_argument(--amplitude, typefloat, default0.5, helpMessage amplitude (peak, V) for synthetic sine.) p.add_argument(--wav-path, defaultNone, helpPath to WAV file if message-typewav.) p.add_argument(--biases, typefloat, nargs, default[0.005, 0.02], helpList of DC biases (V). E.g. --biases 0.005 0.02) p.add_argument(--fc, typefloat, default12000.0, helpCarrier frequency (Hz).) p.add_argument(--ac, typefloat, default1.0, helpCarrier amplitude (Ac).) p.add_argument(--nfft, typeint, default16384, helpFFT length for spectrum.) p.add_argument(--spectrum-max-khz, typefloat, default24.0, helpMax kHz to show in spectrum plot.) return p.parse_args() if __name__ __main__: args parse_args() run_simulation( outdirargs.outdir, fsargs.fs, durationargs.duration, message_typeargs.message_type, fmargs.fm, Amargs.amplitude, wav_pathargs.wav_path, biasestuple(args.biases), fcargs.fc, Acargs.ac, nfftargs.nfft, spectrum_max_khzargs.spectrum_max_khz )