基于Xgboost的商业销售预测
基于Xgboost的商业销售预测，以德国Ｒｏｓｓｍａｎｎ商场的数据为例，通过对数据的探索性分析，以相关背景业务知识体系为基础，通过可视化分析，提取隐含在数据里的特征，使用性能较优的Ｘｇｂｏｏｓｔ方法进行规则挖掘，取得较好效果。第3期饶泓等:基于 Boost的商业销售预测277·(3)eta:收缩步长,即学习速率,取值范围是,3.1数据来源默认为0.3。在更新叶子节点的时候,权重乘以本文所有数据均来自 Haggle中的 Rossmanneta,以避免在更新过程中的过拟合。商店销售额数据集。 Rossmann是商人 Dirk ross(4) max _ depth:每棵树的最大深度,取值范围mann创立的德国首家平价日用品商店,现在的是,默认为6。树越深,越容易过拟合。Rossmann公司逼布欧洲7个国家,分店达100多(5) subsample:训练的实例样本占整体实例样家。论文通过位于德国的1115所 Rossmann连锁本的比例取值范围是(0.1],默认为1。值为0.5商店的历史数据预测未来48天商店的销售额时意味着 Boost随机抽取一半的数据实例来生成Haggle给出了三个数据集: train、test、 store,分树模型,这样能防止过拟合别是训练集测试集和商店基本信息的数据集,对训(6) colsample bytree:在构建每棵树时,列(特练集建模训练,对测试集进行预测。征)的子样本比,参数值的范围是(0,1]数据集基本信息如下(7) objective:默认为reg: linear;(1)训练集 train.csv:时间范围为2013年01月(8)sccd:随机数种子,为确保数据的可重现01日到2015年07月31日,共942天,1017209条性,默认为0。数据。2.2K折交叉验证方法(K一CV(2)测试集test.csv:时间范围为2015年08月论文采用K折交叉验证方法。将原始数据0日到2015年09月17日,共48天,41088条数分为K个子集,每个子集分别验证一次,剩余的K据组子集作为训练数据,这样可得到K组训练集(3)商店基本信息数据集 store.csv:1115条数和测试集以最终的分类平均精度作为性能指标。据,共1115家商店的信息。在实际应用中,K值一般大于或等于2,需要建立K3.2数据的可视化分析及原始特征提取个模型来进行K折交叉验证的实验,并计算K次为了获取影响销售额的基本数据特征,论文对测试集的平均辨识率Gaggle提供的 Rossmann数据集进行了可视化分K折交叉验证的结果能较好说明模型效果,有析,提取原始特征集。效地避免欠拟合与过拟合。在 Boost中,通过(1)顾客数和销售额之间的关系xgb.cv函数来做交叉验证。从图1中可以看出,顾客数和销售额之间存在2.3独热编码(One- hot encoding紧密的正相关关系。由于 Boost仅适用于处理数值型向量,因此处理训练集和测试集时需要将所有其它形式的数10.0据转换为数值型向量,本文采用独热编码将特征值转专换为数值。50独热编码也称一位有效编码,即对于任意时间任意给定的状态,状态向量中只有一位为1,其余6各位为0,将n类特征值转化成n位二进制数串,将顾客数特征的每个对应类设置为1。独热编码将每一个特图1顾客数与销售额的关系曲线征的个取值通过独热编码后转换成了n个二元特(2)促销对销售的影响的可视化分析征,通过该方法将特征转变成稀疏矩阵6。独热编图2和图3中 Promo取1表示当天有促销活码能够解决分类器不好处理属性数据的问题并在动取0表示没有促销活动。从图中可以看出促销一定程度上扩充了特征活动对顾客数并没有太大影响,但销售量却明显提3数据预处理高了,即促销活动并没有吸引更多的顾客,但提高了顾客的购买力,从而提高了销售额。通过查询原始为了获取数据中的有效特征,论文采用探索性数据发现没有促销的情况下顾客平均消费8.94欧数据分析方法对数据进行可视化分析获得数据分元,有促销活动的情况下平均消费10.18欧元布特征,理解原始数据的基本特征,发现数据之间的(3)星期( DayOf Week)对销售影响的可视化分潜在模式.找出数据中的有效特征析21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net278南昌大学学报(理科版)2017年40000表2商店薮据基本特征集30000特征名称含义值批20000ore商店号取值:1到1115商店类型10000商店类别分类:逢础类met最近的党争对手的距薮卷:桊商店0离里有761个商店有PromoCompetition-图2促销对销售额的影响Open SinceMonth竞争对手开张的月份月份Open since year竞争对手开张的年份年份数据6000P持续性的促销活动0:无,1:有的4000Prom2 Since Week开始参加Pomo2促销日历上的第几周数的日历周值2000Pomo2 Sincerer开始参加Pm2i年份数据PromoPromoInterval参加Pomn2促销开始Jan,Apr,Jo)e的月份列表Feb, May, Aug, Nov".图3促销对顾客数的影响Mar, Jun, Sept, Dec从图中可以看出,星期日的销售额中位数和上不同的分类特征在训练集和测试集中的比例见四分位数远远高出正常营业日,但是下四分位数却表3~6低于正常营业日,即有些商店星期日营业额高于平表3Open特征取值比例时,但也有一部分商店的销售额低于正常营业日。从图中也可以看出,从周一到周六,周一的销售额偏16.99高一些,星期六的销售额偏低一些test/yo14.5585,4440000表4Prom特征取值比例30000Pramo0凝train61.8538,15批2000test/%50.4239.5810000表5 Stateholiday特征取值比例y星期几1.990.660.40图4销售额在星期1~7中的分布情况test/%99.560.44由于篇幅的关系,对数据的可视化分析不表6 Schoolholiday特征取值比例列岀。根据这些数据的可视化化析,我们提取出如Schoclholiday表1所示和表2所示的训练数据和测试数据原始特test/%55.6544.35征集以及商店数据基本特征集。表1数据原始特征集3.3数据预处理持征名称含义3.3.1数据清洗为获得可训练用数据,我们对原tcre有店号取值:1到1115始数据进行清洗,具体过程如下:DayOfWeek星期几取值:1到7(1)标记异常数据。如商店是开门的,但是销Date时间如2013-01-01Sales销售额数值售额为零的数据为异常数据Customers顾客数数值(2)对训练集的 Sales销售额字段取对数,设置是否开店关店,1:开店为 Saleslog字段;P当天是否有促销0:无促销,1:促销0:非假日,a:公共假日;b:(3)缺失值用一1填充;State Holiday假日复活节,c:圣诞节(4)合并训练集和测试集,添加Set字段,用以SchoclHoliday学校假日0非假日,1:假日分训练集和测试集,值1为训练集,0为测试集;(3)数值化分类特征值。原始数据集中, State21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net第3期饶泓等:基于 Boost的商业销售预测holiday分类特征取值为0、a、b、c,无法代入模型计算因此重新编码为0、1、2、3; Store Type分类特4实验结果及分析值为a、b、c、d, Assortment分类特征值为a、b、c,采4.1实验条件用同样方法用整型数据重新编码(1)软件环境(6)分解特征。将原始数据集中Date特征分(a)操作系统: Windows7x64解为 DatcDay、 Datc Wcck、 DatcMonth、 Datc ycar(b)开发平台: Python2.7+R3.4.2DateDay OfYear5个特征(c)第三方库: Python: numpy+ pandas+(7)增加字段 PateNt,即Date转换为整型的 atplotlib I xgboost;R3.4.2库: data table|gg形式lot2tlubridate-zoo-dplyr+scales+xgboost+(8)规范化特征表达。对 Competition- forecast glmnetpen sinceRer和 CompetitionOpenSinceMonth字(2)硬件环境段合并成普通年月的表达,并转化为整型;将Pro处理器:Iner(R)Core(TM)i3-4160CPUcmoZsincc ycar和 Promo2 Since wcck字段合并成普3.60GHz通年月的表达,并转化为整型,增加字段内存:8GBPromo2 SinccInt4.2单 Boost模型()删除偏差大于2.5的异常数据。对特征工程后的所有特征用 Boost模型进行(10)删除存在异常的数据点,如图5所示的异训练,参数如表7所示。常数据。表7单 Boost模型参数25000参数值参数值15000thread500M4M小人Activereg: linear subsamplegrounds20000colsample bytearly stop. round250004.3组合模型0%时你以根据模型的作用将模型分为三类:商店模式模型、数据合并模型、混合模型。商店模式模型:下面采用单个模型是对每个商图5异常数据店进行单独拟合。这类模型关注商店各自的特性,3.3.2特征处理论文根据相关信息背景对数据但是它也错过了可在其他相似商店的模式中获取的进行特征处理:信息(1)增加字段 Competition OpenInt(1)线性模型lm拟合趋势,不带特征交互的(2)添加一些额外的特征,如商店的位置特征 Boost模型拟合残差StoreState发薪日效应特征 PayDay(在一个月的第(2)线性模型lm拟合趋势,带特征交互的Ⅹg个工作日设置特征值为3在随后的两天设置为 boost模型拟合残差2、1)(3)线性模型lm拟合趋势,不同参数值的(3)增加商店平均每天的销售额 Sales PerDay、 glmnet模型拟合残差平均每天的顾客数 CustomersPerDay、平均每天每(4)tslm模型拟合趋势丨季节性,Ⅹ gboost模位顾客的销售额 SalesPerCustomers Per Day作为新型拟合残差。的特征。(5)tslm模型拟合趋势十季节性, glmnet模型(4)增加特征组合,如: store; DayofWeek,拟合残差store: Dayofweek: Promo等等。(6)tslm模型拟合趋势十季节性,Ⅹ gboost模型+ gemnet模型拟合残差。(7)每个商店直接用Ⅹ gboost模型拟合残差。21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net·280·南昌大学学报(理科版)2017年这些模型中,含有 Boost模型的模型参数设1.5- A. train-rmspe- B. train-rmspe置如表8,其中模型7中参数 rounds值设为500。1.0-A.validation-rmspe-B validation表8组合 Boost的模型参数0.5参数值0150030004500600075009000参数值RMSPEreg: linear eta0.013C0max _ depth图6在训练集 train和验证集 validation上的 RMSPE值colsamplc bytrcc0.8subsample3.95图7给出了 Boost模型中非组合特征的重要数据合并模型:下列模型使用合并有 store数度得分,从图中可以看出时间类特征和有关竞争对据集和trai训练集的数据集。各个模型的参数设手的特征得分非常髙,这意味着这些特征对模型具置如表9-11有非常大的影响。表9没有特征工程的 Boost模型DateWeek参数参数CompetitionopenIntreg: lineareta0.01SalesperDayPromorounds3000max _depthcolsample bytreesubsampleAssortment 152100000020000003000000F score特征重要度表10有特征工程的 Boost模型图?特征重要度得分参数参数值bjectivereg: linear eta为了对比各模型的泛化效果,我们给出了单类模型(线性模型LM、时间序列线性模型TSLM、基4000subsoIl0.9于 Lasso和 Elastic net正则广义线性模型 glmnet、early stop. round100cclsample bytree极端梯度上升模型ⅹ gboost)和它们之间的组合模型在测试集上 RMSPE值,从而评价模型在测试集表11153个特征十特征交互的 Xgboost模型上的泛化能力。如表13所示参数值参数表13各模型 RMSPE值比较objectivereg: linear etaC.015max depth18模型RMSPE值.20657300CLM一简单的特征处理rounds. 1l.7TSLM+筒单的特征处理cCanvTree0.12751early stop. round100random forest-简单的特征处理glmnet+简单的特征工程3.11974组合模型:通过组合数据合并模型来获取跨多个商Boost十简单的特征工程0.11839店之间共同的特质。模型的残差用商店模式模型中Boost+特征工程Boost+ glmnet+特征工程0.11262的模型来拟合,从而获得每个商店的特质。用Igloos+ glmnet+tslm+lm+特征工程0.1114Gprcomp函数从数据中提取50个主成分,并用Xg从表中可以看出,Ⅹ ghost单模型的能力就优bost模型来拟合、计算残差。模型说明如下:于其它模型,在进行了简单特征工程后, Boost(1)使用线性模型lm拟合趋势,带特征交互的和 gemnet模型相比, Boost模型依然效果更好。glmnet模型+ Boost模型拟合残差,最后我们结合TSLM|LM在处理趋势和季节性上(2)使用tslm拟合趋势和季节性,带特征交互的优势,采用集成方法对 Xgboost+ glmnet进行组的 Boost模型拟合残差。合得出优化模型Ⅹ gboost+ glmnet+tslm+lm+特图6给出模型在训练集和验证集上的 RMSPE征工程, RMSPE值得到较大提升,泛化性能最优的变化过程,横坐标是次数,纵坐标是 RMSPE的值A是人工删除了异常点的数据中的异常数据5结论并没有删除。可以发现在训练集上训练的前500次本论文研究基于 Boost方法对实体零售业销RMSPE的值就迅速的降低到0.2,然后在1750次售额进行预测。论文以德国零售业 Rossmann公就在0.1左右了,可以看出在训练集上效果很好。司1115家实体门店的商场信息和销售数据为薮据21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net第3期饶泓等:基于 Boost的商业销售预测281·源,采用 Boost方法对公司销售额进行预测。参考文献通过在特征工程中对原始数据进行特征提取、L1」赵啸彬.基于数据挖掘的零售业销售预测LD.上海:选择和构建,筛选岀用于训练的特征属性;对比Xα上海交通大学.2010boost、随机森林、 GLMNET以及IM、TSIM模型2 CHEN T,HET. Higgs Boson Discovery with boosted等不同方法对销售额的预测结果,表明 Xgboosτ方TreesLCI.JMLR: Workshop and Conference Proceed法无论是训练速度还是在 RMSPE评价标准上都具2015.42:6980有明显的优势。3 ROBERT E. Banfield, Lawrence (. Hall. Kevin WBowyer. W. P. Kegelmeyer, A Comparison of Decision为了进一步提高 Boost预测模型的精度和泛Tree Ensemble Creation Techniques LI]. IEEE Trans-化能力,本文通过大量的特征工程,尝试多种模型的actions on Pattcrn Analysis and machinc intelligence集成学习方法和参数调优,利用 GLMNET和Xg2007,29(1):173-180boost模型拟合残差,并结合IM、TSLM在趋势和[]李航.统计学习方法[M]北京:清华大学出版社,李节性预测的优点,获得组合优化模型。实验表明2012该组合模型在性能上优于单一 Boost预测模型。[5]闻玲·移动平均季节模型在商品销售收入预测中的应这种基于Xⅹ gboost的组合模型不仅适用于对德AJ. Market Modernization, 2010(28):43-45国零售业销售额的预测还可以将此方法应用于国6黄伟陶俊才.一种基于k- means聚类和关监督学习内零售实体业甚至电商平台的销售额预测,对于提的医学图像分割算法[J].南吕大学学报(理科版),2(14,33(1):31-35高商店的运营生产模式、日常管理、价格管理、配送[7 RICE J Mathematical Statics and Data Analysis[M]方式及精准营销具有重要的意义cand Edition, Plymouth: Duxbury Press, 2006: 221-21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net
- 2021-05-06下载
- 积分：1
MATLAB-SIMULINK通信系统建模与仿真实例分析
MATLAB-SIMULINK通信系统建模与仿真实例分析,Simulink在通信上应用，非常实用的一本书。內容簡介本書系統地介紹了通信建模仿真方法和模型驗證技術,並結合作者近年在教學科硏中所設計的大量基礎的和較深入的建模仿真實例,詳細討論了 Matlab/ Simulink作為仿真實現平台在電子與通信工程中應用的基木方法、技巧和難點。木書重點討論了建模仿真原理和相鬨的數值計算方法、模擬通信系統、模數轉換、調製貝編碼、信道模擬、載波與符號同步、信道均衡、跳頻系統和直接擴頻系統、通信模型正確性評估、仿寘數據驗證和數據處理技術等內容,並在仿真實例中展示了科學研究論文和報告所必須的數據處理和表現技巧本書提供了約150個建模仿真實例,80多道思考題,以及全部實例代碼和一個電子教案這些實例根據基木數學原理,結合 Simulink的S凼數編程,也使用了通信工具箱、信婋處理工具箱和相關模型庫的模塊和函數,以便於讀者追源求本,深入理解建模和仿真的實質。本書可作為高等院校通信工程、電子信息類專業的本科生和硏究生系統仿真課程的教材或進行相關課題硏究的參考書,也可作為相關專業課程設計和畢業設計等綜合性實踐教學的指導材料,還可供通信工程專業技術人員、教師等作為解決通笮系統設計、評估和建模仿真領域實際問題的參考資料。前Matlab語言由於其語法的簡潔性、代碼接近於自然數學措述方式以及具有豐富的專業凶數庫等諸多優點吸引了眾多的科學研究工作者,越來越成為科學研究、數值計算、建模仿真以及學術交流的事實標準。 Simulink作為 Matlab語言上的一個可視化建模仿真平台,起源於對自動控制系統的仿真霱求,它採用方框圖建模的形式,更加貼近於工稈習慣。目前, Matlab/ Simulink的應用已經遠遠超越了数值計算和控制系統仿真等傳統領域,在幾乎所有理工學科中形成了為數眾多的專業L具庫和函數庫,口益成為科學研究和上程設計中口常的計算和仿真試驗工具。隨著 Matlab/ Simulink通信、信號處理專業函數庫和專業工貝箱的成熟,他們日益為廣人通信技術領域的專家學者和工程師所熟悉,在通信理論硏究、算法設計、系統設計、建模仿真和性能分析驗證等方面的應用也更加鷹泛。 Simulink可化仿真工具能夠以很直觀的方框晑方式形象地對通信系統進行建模,並以「實時」和動畫的方式來將模型仿貞結果(如波形、頻譜、敷據曲線等)顯小岀來,更便於對通信系統的物理概念和運行過程的直覲理解,所以近年來在通信工程專業中得到了廣人師生的重視和廣泛應用,在理論教學、課程實踐環節以及理論和技術前沿的研究中發揮了重要作用。本書以通信原理為主線,從系統建模原理和仿真的數值計算方法入手,詳細介紹了 Matlab/ Simulink在通信系統建模和仿貞中的應用原理、內容方法和特點,並結合作者在科研和教學中的應用硏究,列舉了大量的仿真實例。通過這些實例,以期逹到兩個目的:其一是通過系統建模過程對 Matlab/ Simulink基本建模仿真方法的實質性理解,以掌握通信系統仿真的思維方法;其二是通過仿真過程和仿真結果分炘對基本通信系統原理的理解,並逐漸培養系統建模和設計的自主能力和創造力本書的特點是:(1)本書重黠討論通信工程相開專業旳系統仿真原理和應用,以通信系統媾成為主線介紹系統仿真方法,以微分方程的數偵求解和概率論為數學基礎,注重介紹通信仿真技術中基礎性的,本質性的內容,並強調仿真的數學原理和方法,而不作為一本 Matlab語言或仿真編程的介紹手間哩論的學習必須要有實踐的支持,理諍的檢驗和驗證也必須通過實踐。數理基礎在通信工程專業中的地位應當得到重視。系統仿真技術是專業理諭和系統實驗相結合的有效途徑之一,學習通信系統仿真不是學習某個系統仿真軟件的功能,而是在紮實的數理基礎和通信理論基礎上以系統仿真軟件作為工具平台的實踐活動。基於這種認織,本書沒有系統介紹 Matlab/ Simulink軟件的使用方沄和編程函數,而是把 Matlab/ Simulink視為一種方便的仿真軟件工只在通信系統建模和仿真中加以應用。因,掌握本書所介紹的系統仿真思想方法也就意味著可以使用任何計算機語言來進行通信系統的建模仿真實踐(2)本書詳細請述了 Matlab/ Simulink的建模仿真原理,把S函數作為掌握 Simulink仿真的根本,並將 Simulink可視化建模和 Matlab語言編程統一起來。並通過眾多的實例,加強了對仿手段、思想方法以及系統原理等抽像內谷的理解和應用。讓者可以運行這些實例,或改變實例中系統模塊的參敷來進行實驗,甚仝可以在這些實例的基礎上媾建更加複雜的系統模型。(3)本書在內容編排上注意由淺入深,逐本求源,由普遍方法論到實際建模實驗,中通信單元模塊的建模到綜合系統仿真,循序漸進,便於閱讀和學習。本書對通信系統建模的敭學原哩的講述比峧詳細,重視數哩基礎在通信程中的應用,注重原理的論述,授人以漁以 Matlab/ Simulink作為實驗台。特別注重講解通信系統建模和仿真理諭中根本性的和基礎性的內容。(4)鑒於通信系統仿真涉及的內容廣泛,對數學基礎要求和的通信基本理論的理解要求較髙,又特別強調矩陣數值計算方法的編程實現能力,因此在每章之未總結了主要內容並對相開的參考資料進行了綜述,以供讀者進“步深入學習相開內容時參考。本書共分八章。第一章概述了通信系統仿真的原理和方法。對仿真建模的意義、模型的類型以及仿真的數學方法進行了論述。第二章是本書的基礎,主要介紹了 Matlab/ Simulink編程和建模仿真的原理,並通過大量的實例演示了應用 Matlab/ Simulink建模仿真的方法、關鍵問題和處理技巧。希望通過這些實例和實驗實作來使讀者對 Matlab/ Simulink的建模和仿真有一個實質性的理解第三章以通信系統的基本構造為主線,對通信系統基本模塊的原理和建模方法進行了剖論,並介紹了 Matlab/ / Simulink通信τ具箱和信號處理工具箱中的常用模塊及其原理和使用方法。以這些基本模塊為元素,給岀了通信系統中從信源、調製、信道到接收解調、同步等基木單元的仿真實例第四章簡要闡述了通信系統整體構架和層次伈建模的思想要點,比較了模擬通信系統和數字通信系統的仿真框架和兩者的異冋點,並討論了描述通信系統質量和性能的主要指標第五章對模擬通信系統的建模和彷寘問題進行了詳細的討論,包括對調幅廣播波形和頻譜、傳輸、接收機自動增益控原理和性能、檢波和解調、單邊帶通佁機、調頻立體聲系統以及彩色電視信婋和系統的仿真實例。對模擬通信系統運行原理的理解能力可以视為無線電和電子工程師最基本的專業素質來衡量第六章討論了模擬信號數字化問題的原理和仿寘實例,內容包括採樣定理的原理性仿真、Δ①D轉換、非均勻量化的原理和性能仿真、pCM編解碼過程、自適應PCM以及增量調製的原理仿真和性能結果等等。第七章以數字通信系統的關鍵技術和一些較深入的問題為饼究對象,討論了以誤碼率為性能指熛的蒙特卡羅仿真建模方法,基帶數據傳輸的碼型設計與仿真,基帶帶限傳輸系統、眼圖以及信道均衡問題,數字調製的波形和頻譜仿寘問題等等。以仿真實例介紹了擴頻抗干擾系統的原理和性能分析,包括直接序列擴頻系統和跳頻系統的仿真實例第八章討諭了通信系統模型評估和仿真結果的正確性驗證等問題。鮫詳細地介紹了苳特卡羅仿真方法的實現要點,隨機數的產生,各種隨機分佈以及他們之間的關係,並討諭了以數理統計方法為主的模型和仿真數據評估方法,插值和擬合等實驗數據處理方法等。對特卡羅仿真方法的試驗精度等方面進行了性能分析。全書所有實例的模型文件和程序代碼在 Matlab(R13)版本下調試通過。另外,還提供了個電子教案。讀者需要只有微積分、概率賏統計、信號貝系統、數字信號處理和通信原理的背景知識。本書計劃學時為40學時,課堂上重點是講述通信系統仿真的概念、方法和實例應用,而在教學實踐環節中可以通過本書的眾多實例以及各章的思考題來加深對仿真方法的掌握。建議讀者在哩解仿貞原理的基礎上,對本書列舉的實例給岀自己的仿貞模型和設計參數,然後與本書的模型和程序結果進行對比,這樣比單純運行、硏究實例模型將吏能夠激發讀者的創造力,也更具趣味性和挑戰性。本書給岀的思考題一般是對實例問題的深化或拓展以及對正文的補充。許多思考題在仿真條件、系統建模上給讀者預留了很大的創造空間,解答可以靈活多樣感謝澳大利亞新南威籣士大學電了與電氣工程學院的 Jinhong Yuan教授,在我做訪問學者期間,他提供了良好的學術研究環境。在與他以及他的同事們的學術交流中得到了許多啟迪,促成了本書的完成。本書在成書過程中得到了許多專家、教授的關心和幫助,特別是在與徐眀遠教授、姚紹文教授、龍華教授、劉增力卲教授等前輩和專家的父流中深受教益。在本書的寫作和相關課程教學和輔導工作中得到了宋耀蓮、楊秋萍、朵晽老師的幫助和攴持。龍洋、吳熹等研究生也幫助完成了本書部分章節的校閱工作。清華大學岀版社的魏江冮編輯對本書的策劃、編輯和校對付出了辛苦的勞動,在此對他們表示衷心地感謝。最後要感謝我的家人,沒有他們的關心和支持,本書是不能完成的本書可作為高等院校通信工程、電子信息類專業的本科生和硏究生系統仿真課程的教材或進行相闋課題硏究的參考書,乜可作為相關專業課程設計和畢業設計等綜合性實踐教學的指導材料。現代通信系統仿真技術不僅僅是對通信理論的驗證于段,也日遆成為通信新理論硏究、新協議、新算法開發和系統總體設計的重要實驗硏究途徑,因此,本書所介紹的系統仿真思想方法對於從事通信系統設計的專業技術人員也很具有參考價值。限於筆者水平,木書定有不妥甚至錯誤之處,懇請讀者予以批評指正。作者的聯繄電子郵件地址是: shaoyun999 sina. cor。邵玉斌零零七年|二月目錄前言第1章通信系統仿真的原理和方法論1.1通信系統仿真的現實意義·11.2計算機仿真的過程1.2.1系統仿真的數學基礎1.2.2計算機仿真的一般過程1.3通信系統模型的分類1.3.1按照系統層次分類1.3.2按照信號類型分類1.33按照系統特徵分類1.4通信系統仿真的方法14.1基於動態系統模型的狀態方程求解方法∵·14.2基於概率模型的蒙特卡羅方法∴1.43混合方法171.5通信系統仿真的優點和局限性1.6系統建模仿真方法與仿真工具···16.1系統建模仿真方法與仿真工具的關係1.6.2仿真環境的構成和要求1.6.3常用仿真工貝的選擇1.7小結舆文獻綜述1.8思考題第2章 Matlab/ Simulink系統建模和仿真基礎」2.1 Matlab編程仿真的方法21.1概述2.1.2靜態系統的 Matlab編程仿真2.1.3連續動態系統的 Matlab編程仿真2.1.4離散動態系統的 Matlab編程仿真2.1.5基於數據流和基於時間流的仿真方法2.2 Simulink仿真基礎2.1系統模型的方程和圖形化描述222 Simulink仿真平台2.2.3構建一個簡覃的 Simulink仿真系統224 Simulink子系統構建、封裝和自定義模塊庫23 Simulink的工作原理—S函數23.1S函數的工作原理2.32用 Matlab語言編寫S函數2.4用S函數編寫 Simulink基本模塊·2.4.1信源模塊·.··2.4.2信宿和信號顯示模塊952.4.3信號傳輸模塊2.5 Simulink仿真的數據結構和編程調用方法1082.51 Simulink中數據流的向量和矩陣形式2.52 Simulink中數據結構的轉換·253 Simulink與 Matlab的交互·1212.5.4編程調用仿真模型1242.6 Simulink在電子與通信系統仿真中的幾個關鍵問題12626.1系統仿真速率的設計和選擇12626,2並/串轉換和混合速率系統仿真2.6.3不同層次的仿真模型1302.6.4用 Simulink求解方程·……2.6.5同一數學模型的多種計算機仿真實现方法1372.7聲卡在 Simulink仿真模型中的應用·13727.1 Matlab興聲卜的接口函數∵1382.7.2 Simulink與聲卡的接口模塊139273在 Simulink中組建虚擬儀器2.8小結與文獻綜述1452.9思考題146第3章基本通信模塊的建模與分析1493.1濾波器模型1493.1.1濾波器的類型、參數指熛與設計1493.L.2瀘波器的實現1593.2信源模型1623.2.1確定信源1623.2.2偽隨機碼源1633.2.3統計信源一噪聲源1643.3信號參數的測量和分析3.3.1信號的能量和功率1653.3.2信號直流份量和交流份量1653.3.3離散時間信號的統計參數1663.3.4信號的頻域參數1693.4信道模型1903.4.1加性高斯白噪聲信道1903.42帶限加性噪聲信道·19134.3離散時間信道指標的定量計算1923.4.4錯誤概率信道∵1943.5調製舆解調3.5.1調製的通帶和基帶模型1973.5.2模擬調製與解調模型3.5.3數字調製與解調模型2043.6鎖相環和載波提取20636.1鎖相環的構成和建模仿真·2063.6.2用於或波提取的鎖相環仿真3.6.3鎖相頻率合成器的仿真3.7小結舆文獻綜述··2193.8思考題第4章構建通信系統仿真模型2214.1通信系統的基本模型4.1.1模擬通信系統基本模型·4.1.2數字通信系統基本模型234.2通信系統主要性能指標2244.3通信系統建模的要點4.4小結和文獻綜述·2:304.5思考題·第5章模擬通信系統的建模仿真5.1詞幅廣播系統的仿真5.2調幅的包絡檢波和相干解調性能仿頁比較5.3頻分復用和超外差接收機的仿真模型·365.4自動增益控制(AGC)原理與仿真2385.5調頻立體聲廣播系統的建模仿真55.1調頻立體聲廣播的信號結構和仿真模型··5.5.2調頻立體聲接收機模型5.6單邊帶調幅系統的建模仿真·445.6.1希爾伯特變換445.6.2單邊帶調嗝與解調原理56.3一個簡化的單邊帶電台仿真57彩色電視系統的建模仿真2535.7.1電視掃瞄原理的仿真5.7.2彩色電視信號的構成和頻譜仿真5.7.3簡化的彩色電視接收機仿真5.8小結與文獻綜述59思考题第6章模擬信號數字化6.1採樣定理的原理仿頁62A/D和D/A轉換器的仿真2676.3PCM編碼和解碼6.3.1信號的壓縮和擴張2686.3:2PCM編碼和解碼2716.4DPM編碼與解碼2766.5增量讖製2796.6小結與文獻綜述6.7思考题.第章數字通信系統的建模仿真857.1進制傳輸的錯誤率仿真·7.2基帶傳輸碼型設計··2877.2.1二電平碼2887.22三電平碼·7.3帶限基帶傳輸系統的仿真2947.3.1眼圖和無碼間串擾波形·7.32基帶傳輸系統的仿真2977.3.3定時提取系統的仿真7.3.4信道的時域均衡·3007.4數字調製的仿真3057.4.1信號的向量表小∵·3064.2數字調製信號的向量表示和仿真3077.5擴頻系統的仿真5.1偽隨機碼的產生7.5.2直接序列擴頻系統53跳擴類系統··317.6小結興文獻綜述3347.7思考题第8章通信系統建模仿真的評估3378.1概运8.2概率模型和蒙特卡羅方法∵3398.3隨機數的產生和常用隨機分佈8.3.1均勻分佈隨機數的產生3108.32產生其他常用隨機分佈的方法833產生任意指定區間上的均勻分佈3438.3.4三角分佈
- 2020-12-10下载
- 积分：1
