【通信】激光光和开关键控OOK摩尔斯电码通信【含Matlab源码 16072期】-开发者社区

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab领域博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；
🏫个人主页：Matlab领域
🏆代码获取方式：
CSDN Matlab领域—代码获取方式

🚅座右铭：路漫漫其修远兮，吾将上下而求索。
更多Matlab信号处理仿真内容点击👇
①Matlab信号处理（高阶版）
②付费专栏Matlab信号处理（进阶版）
③付费专栏Matlab信号处理（初级版）

⛳️关注CSDN Matlab领域，更多资源等你来！！

⛄一、激光光和开关键控OOK摩尔斯电码通信

项目简介：激光 OOK（开关键控）通信仿真。把文字转摩尔斯电码，再转为二进制信号，进行 OOK 载波调制；经过带衰减与高斯噪声的光学信道；接收端解调恢复二进制，计算误码率 BER；并做 SNR 扫参实验绘制 BER-SNR 曲线，最后把二进制还原成摩尔斯码、再还原原始文字。
依赖：functions文件夹下的自定义函数：morseEncoder、morseToBinary、ookModulator、opticalChannel、ookDemodulator、binaryToMorse、morseDecoder

clc; clear; close all; addpath('functions'); rng(1); message = "pillai" ; message = upper(message);

clc：清空命令行窗口
clear：清空工作区所有变量
close all：关闭所有已打开的图像窗口
addpath('functions')：将 functions 文件夹加入 MATLAB 搜索路径，用来调用自定义函数
rng(1)：固定随机数种子，保证每次运行生成的噪声完全一致，实验可复现
message = "pillai"：定义待传输原始文本
upper(message)：全部转为大写，摩尔斯编码不区分大小写，统一格式

% Convert message to Morse morseMessage = morseEncoder(message); disp("Original Message:"); disp(message); disp("Morse Code:"); disp(morseMessage);

morseEncoder(message)：自定义摩尔斯编码函数，文本 → 摩尔斯电码（点.、划-）
disp：在命令窗口打印原始消息和对应的摩尔斯码

%% Convert Morse timing into binary binarySignal = morseToBinary(message); %%disp("Binary Signal:"); %%disp(binarySignal);

morseToBinary：自定义函数，将摩尔斯电码按照时序规则转换成 0/1 二进制序列
- 1：激光开启（对应摩尔斯的点、划）
- 0：激光关闭（符号、字符之间的间隔）
两行 disp 被注释，取消注释可以打印二进制序列查看

%% Plot the binary signal figure; stairs(binarySignal, 'LineWidth', 2); ylim([-0.2 1.2]); yticks([0 1]); yticklabels({'Laser OFF', 'Laser ON'}); xlabel('Time Units'); ylabel('Laser State'); title('Morse Code Binary Signal'); grid on;

figure：新建一张画布
stairs：绘制阶梯图，用来表示二进制电平信号，线宽 2
ylim：设置 Y 轴范围，留出边距，图形美观
yticks、yticklabels：Y 轴刻度 0 = 激光关闭，1 = 激光开启
xlabel：X 轴标签：时间单位（摩尔斯时序单元）
ylabel：Y 轴标签：激光状态
title：图标题：摩尔斯电码二进制信号
grid on：开启网格

%% OOK Modulation % Carrier parameters fc = 10; samplesPerUnit = 100; % OOK modulation [ookSignal, t, digitalSignal] = ... ookModulator(binarySignal, fc, samplesPerUnit); % Plot OOK signal figure; plot(t, ookSignal, 'LineWidth', 1); xlabel('Time'); ylabel('Amplitude'); title('OOK Modulated Laser Signal'); grid on; xlim([0 27]);

OOK = On-Off Keying，开关键控调制：有载波 = 1，无载波 = 0，适合激光通信

fc =10：载波频率，10Hz
samplesPerUnit =100：每个摩尔斯时间单元采样 100 个点，提高波形分辨率
ookModulator：OOK 调制函数，输入二进制信号、载波频率、采样点数；输出调制后的 OOK 波形ookSignal、时间向量t
plot：画出调制之后的激光载波信号
xlim([0 27])：限定 X 轴 0~27，只观察有效传输时间段

%% Optical Channel Simulation %% Optical Channel attenuation = 0.7; SNR_dB = 10; receivedSignal = opticalChannel(ookSignal, attenuation, SNR_dB); % Plot received signal figure; plot(t, receivedSignal); xlabel('Time'); ylabel('Amplitude'); title('Received Signal After Optical Channel'); grid on; xlim([0 27]);

模拟大气光学传输信道

attenuation=0.7：信道衰减系数，信号幅值乘以 0.7，模拟光在空气中的能量损耗
SNR_dB=10：信噪比，单位 dB；数值越小噪声越强
opticalChannel：自定义信道函数，对 OOK 信号做衰减，叠加高斯白噪声 AWGN，得到接收端收到的信号receivedSignal
绘图：观察经过衰减 + 噪声之后收到的波形

%% OOK Demodulation threshold = 0.1; detectedSignal = ookDemodulator( ... receivedSignal, samplesPerUnit, threshold); %%disp("Detected Binary Signal:"); %%disp(double(detectedSignal)); % Plot detected signal figure; stairs(double(detectedSignal), 'LineWidth', 2); ylim([-0.2 1.2]); yticks([0 1]); yticklabels({'Laser OFF', 'Laser ON'}); xlabel('Time Units'); ylabel('Detected State'); title('Demodulated OOK Signal'); grid on;

接收端 OOK 解调（能量检测 + 阈值判决）

threshold =0.1：判决阈值。对每个时间单元计算信号能量，能量 > 阈值判为 1；小于阈值判为 0
ookDemodulator：解调函数，输入接收信号、每单元采样点数、阈值；输出解调后的二进制序列detectedSignal
stairs：绘制解调恢复出来的二进制阶梯波形

%% BER Calculation % Convert detected signal to the same format as binarySignal detectedSignal = double(detectedSignal); % Count bit errors bitErrors = sum(binarySignal ~= detectedSignal); % Calculate Bit Error Rate BER = bitErrors / length(binarySignal); disp("Number of Bit Errors:"); disp(bitErrors); disp("Bit Error Rate (BER):"); disp(BER);

BER：Bit Error Rate，误码率，通信系统核心评价指标

binarySignal ~= detectedSignal：逐位对比原始发送二进制和解调得到的二进制，不相等即为误码
sum(...)：统计总误码个数
BER = 误码数 / 总比特数，代表传输出错比特占全部比特的比例
在命令窗口打印误码数量和误码率

%% BER vs SNR Experiment SNR_range = -5:1:15; BER_values = zeros(size(SNR_range)); % Generate one fixed noise sequence attenuatedSignal = attenuation * ookSignal; baseNoise = randn(size(attenuatedSignal)); for k = 1:length(SNR_range) currentSNR = SNR_range(k); % Calculate required noise power signalPower = mean(attenuatedSignal.^2); noisePower = signalPower / (10^(currentSNR/10)); % Generate noise using the fixed noise pattern noise = sqrt(noisePower) * baseNoise; % Received signal testReceivedSignal = attenuatedSignal + noise; % Divide signal into Morse time units testMatrix = reshape(testReceivedSignal, samplesPerUnit, []); % Energy detection testEnergy = mean(testMatrix.^2); % Threshold detection testDetected = testEnergy > threshold; % Calculate BER testErrors = sum(binarySignal ~= testDetected); BER_values(k) = testErrors / length(binarySignal); end % Display results disp("SNR values:"); disp(SNR_range); disp("BER values:"); disp(BER_values); % Plot BER vs SNR figure; semilogy(SNR_range, BER_values, '-o', 'LineWidth', 1.5); xlabel('SNR (dB)'); ylabel('Bit Error Rate (BER)'); title('BER vs SNR for OOK Laser Communication'); grid on;

信噪比 SNR 扫描实验，绘制 BER 随 SNR 变化的曲线

SNR_range = -5:1:15：信噪比从 - 5dB 到 15dB，步长 1dB，遍历多组噪声强度
baseNoise = randn(...)：生成一组基础高斯噪声波形，后面只缩放幅度，保证对比公平
循环内每一个 SNR：
1. 计算衰减后信号的平均功率
2. 根据目标 SNR，算出对应的噪声功率
3. 缩放基础噪声，叠加到衰减信号得到接收测试信号
4. reshape：把信号按每个时间单元分块
5. 计算每个单元的信号能量，阈值判决得到二进制比特
6. 统计误码，计算当前 SNR 下的 BER，存入数组
semilogy：半对数坐标绘图，Y 轴 BER 使用对数刻度（BER 跨度大，对数坐标更适合观察）

预期规律：SNR 越大（噪声越小），BER 越小；SNR 越低，误码越多。

%% Decode Binary Back to Morse decodedMorse = binaryToMorse(detectedSignal); disp("Decoded Morse:"); disp(decodedMorse); %% Decode Morse Back to Text decodedMessage = morseDecoder(decodedMorse); disp("Recovered Message:"); disp(decodedMessage);

反向解码流程，把接收解调后的二进制还原成原始文字

binaryToMorse：二进制时序序列 → 摩尔斯电码
morseDecoder：摩尔斯电码 → 文本消息
控制台输出解码后的摩尔斯码与最终恢复出来的消息。如果 BER=0，恢复文字和原始PILLAI一致
整体流程总结
文本 → 摩尔斯编码 → 二进制时序信号 → OOK 载波调制 → 光学信道（衰减 + 高斯噪声） → OOK 解调 → 二进制恢复 → 计算 BER → 扫描 SNR 绘制 BER 曲线 → 二进制还原摩尔斯码 → 还原原始文本

⛄二、部分源代码和运行步骤

1 部分代码

clc;
clear;
close all;

addpath(‘functions’);

rng(1);

message = “pillai” ;

message = upper(message);

% Convert message to Morse
morseMessage = morseEncoder(message);

disp(“Original Message:”);
disp(message);

disp(“Morse Code:”);
disp(morseMessage);

%% Convert Morse timing into binary

binarySignal = morseToBinary(message);

%%disp(“Binary Signal:”);
%%disp(binarySignal);

%% Plot the binary signal

figure;

stairs(binarySignal, ‘LineWidth’, 2);

ylim([-0.2 1.2]);
yticks([0 1]);
yticklabels({‘Laser OFF’, ‘Laser ON’});

xlabel(‘Time Units’);
ylabel(‘Laser State’);
title(‘Morse Code Binary Signal’);

grid on;

2 通用运行步骤
（1）直接运行main.m即可一键出图

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本

2019b

2 参考文献

[1]阮余豪;李靖波.浅论摩尔斯电码的构成原理与发展应用[J].中国设备工程. 2023

3 备注

简介此部分摘自互联网，仅供参考，若侵权，联系删除

⛄五、仿真咨询与程序定制

1 各类智能优化算法改进及应用

1.1 PID优化

1.2 VMD优化

1.3 配电网重构

1.4 三维装箱

1.5 微电网优化

1.6 优化布局

1.7 优化参数

1.8 优化成本

1.9 优化充电

1.10 优化调度

1.11 优化电价

1.12 优化发车

1.13 优化分配

1.14 优化覆盖

1.15 优化控制

1.16 优化库存

1.17 优化路由

1.18 优化设计

1.19 优化位置

1.20 优化吸波

1.21 优化选址

1.22 优化运行

1.23 优化指派

1.24 优化组合

1.25 车间调度

1.26 生产调度

1.27 经济调度

1.28 装配线调度

1.29 水库调度

1.30 货位优化

1.31 公交排班优化

1.32 集装箱船配载优化

1.33 水泵组合优化

1.34 医疗资源分配优化

1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测

2.1 机器学习和深度学习分类

2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测

2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面

3.1 图像边缘检测

3.2 图像处理

3.3 图像分割

3.4 图像分类

3.5 图像跟踪

3.6 图像加密解密

3.7 图像检索

3.8 图像配准

3.9 图像拼接

3.10 图像评价

3.11 图像去噪

3.12 图像融合

3.13 图像识别

3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复

3.15 图像压缩

3.16 图像隐写

3.17 图像增强

3.18 图像重建

4 路径规划方面

4.1 旅行商问题（TSP）

4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）

4.2 车辆路径问题（VRP）

4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.7 带多种容量的车辆路径问题（MCVRP）
4.2.8 带距离的多车辆路径问题（MDVRP）
4.2.9 同时取送货的车辆路径问题（SDVRP）
4.2.10 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.11 带时间窗的车辆路径问题（TWVRP）

4.3 多式联运运输问题

4.4 机器人路径规划

4.4.1 避障路径规划
4.4.2 机器人轨迹跟踪
4.4.3 机器人编队
4.4.4 机器人导航
4.4.5 机器人定位
4.4.6 机器人控制
4.4.7 机器人路径规划
4.4.8 机器人任务分配
4.4.9 机器人搜索
4.4.10 机器人运输
4.4.11 迷宫路径规划
4.4.12 水下机器人路径规划
4.4.13 栅格地图路径规划

4.5 配送路径规划

4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划

4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 卡车无人机
4.6.6 目标搜索
4.6.7 三维路径规划
4.6.8 无人机编队
4.6.9 无人机导航
4.6.10 无人机吊运
4.6.11 无人机对抗
4.6.12 无人机覆盖
4.6.13 无人机检测
4.6.14 无人机控制
4.6.15 无人机求援
4.6.16 无人机位姿估计
4.6.17 无人机系统
4.6.18 无人机侦查
4.6.19 无人机联盟
4.6.20 无人机协同任务
4.6.21 异构无人机

4.7 水下飞行器

4.8 无人车路径规划

4.9 无人艇路径规划

4.10 物流选址

4.11 车辆控制

4.12 多智能体路径规划

4.12.1 多智能体编队
4.12.2 多智能体控制
4.12.3 多智能体路径规划
4.12.4 多智能体协同

5 语音处理

5.1 语音情感识别

5.2 声源定位

5.3 特征提取

5.4 语音编码

5.5 语音处理

5.6 语音分离

5.7 语音分析

5.8 语音合成

5.9 语音加密

5.10 语音去噪

5.11 语音识别

5.12 语音压缩

5.13 语音隐藏

6 元胞自动机方面

6.1 元胞自动机病毒仿真

6.2 元胞自动机城市规划

6.3 元胞自动机交通流

6.4 元胞自动机气体

6.5 元胞自动机人员疏散

6.6 元胞自动机森林火灾

6.7 元胞自动机生命游戏

7 信号处理

7.1 机械振动信号处理

7.1.1 故障信号
7.1.1.1 齿轮损伤识别
7.1.1.2 异步电机转子断条故障诊断
7.1.1.3 滚动体内外圈故障诊断分析
7.1.1.4 电机故障诊断分析
7.1.1.5 轴承故障诊断分析
7.1.1.6 齿轮箱故障诊断分析
7.1.1.7 三相逆变器故障诊断分析
7.1.1.8 柴油机故障诊断
7.1.2 管道泄漏
7.1.3 振动信号

7.2 生物医学信号处理

7.2.1 肌电信号EMG
7.2.2 脑电信号EEG
7.2.3 乳腺癌诊断
7.2.4 生物电信号
7.2.5 心电信号ECG
7.2.6 心血管
7.2.7 心脏仿真
7.2.8 血压

7.3 声呐探测信号处理

7.3.1 声呐
7.3.2 水声通信

7.4 通信工程信号处理

7.4.1 超声波信号处理
7.4.2 导航定位
7.4.3 航天航空
7.4.4 空间识别
7.4.5 雷达通信
7.4.5.1 FMCW仿真
7.4.5.2 GPS抗干扰
7.4.5.3 雷达LFM
7.4.5.4 雷达MIMO
7.4.5.5 雷达测角
7.4.5.6 雷达成像
7.4.5.7 雷达定位
7.4.5.8 雷达回波
7.4.5.9 雷达检测
7.4.5.10 雷达数字信号处理
7.4.5.11 雷达通信
7.4.5.12 雷达相控阵
7.4.5.13 雷达信号分析
7.4.5.14 雷达预警
7.4.5.15 雷达脉冲压缩
7.4.5.16 天线方向图
7.4.5.17 雷达杂波仿真
7.4.6 模拟信号处理
7.4.7 时差绘制
7.4.8 数字信道处理
7.4.9 数字信号处理
7.4.10 无线通信
7.4.11 姿态解算
**7.4.12 资源分配 **

7.5 自动测量信号处理

**7.5.1 参数估计 **
**7.5.2 电动汽车动力电池管理 **
**7.5.3 高度预估 **

8 物理应用

8.1 物理学分支力学

8.1.1 材料力学
8.1.2 弹性力学
8.1.3 动力学
8.1.4 分析力学
8.1.5 固体力学
8.1.6 结构力学
8.1.7 静力学
8.1.8 空气动力学
8.1.9 流体力学
8.1.10 塑性力学
8.1.11 运动学

8.2 物理学其他分支

8.2.1 表面物理学
8.2.2 超声学
8.2.3 次声学
8.2.4 电磁学
8.2.5 电动力学
8.2.6 电学
8.2.7 高压物理学
8.2.8 金属物理学
8.2.9 光学
8.2.10 核物理学
8.2.11 金属物理学
8.2.12 量子力学
8.2.13 热力学
8.2.14 热学
8.2.15 声学
8.2.16 水声学

8.3 物理应用

8.3.1 地理学
8.3.2 化学化工
8.3.3 生物
8.3.4 其他