✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
在当今的通信世界中，AM（调幅）和 FM（调频）通信系统依然占据着重要的位置。AM 通信系统因其简单的调制和解调方式，在广播领域有着广泛应用，例如中波和短波广播。FM 通信系统则以其抗干扰能力强的特点，常用于高质量音频广播以及一些移动通信场景。然而，随着无线通信环境的日益复杂，各种干扰源不断涌现，严重影响了 AM 和 FM 通信系统的性能，导致通信质量下降，甚至通信中断。因此，深入分析 AM 和 FM 通信系统中的干扰，并寻求有效的缓解策略，对于保障通信的可靠性和稳定性具有至关重要的意义。
AM 和 FM 通信系统原理概述
AM 和 FM 通信系统中的干扰类型
外部干扰
其他无线设备辐射：随着无线设备的广泛使用，不同无线系统之间的相互干扰日益严重。例如，附近的手机基站、Wi - Fi 设备等产生的辐射可能与 AM 或 FM 信号在相同或相近频段，从而对通信造成干扰。这种干扰可能表现为信号的重叠、混叠，导致 AM 信号解调错误或 FM 信号频率偏移。
电力线干扰：电力线在传输电能过程中会产生电磁辐射，尤其是在高压输电线路附近，这种干扰较为明显。电力线干扰的频率范围较宽，可能覆盖 AM 和 FM 通信系统的工作频段，对信号产生持续的干扰，影响通信质量。
大气噪声：主要由雷电等自然现象产生，在中波和短波频段影响较大。大气噪声具有突发性和随机性，其频谱较宽，会对 AM 和 FM 通信系统产生不同程度的干扰。对于 AM，大气噪声可能导致信号幅度的突然变化，造成解调后的音频出现噪声尖峰；对于 FM，虽然其抗干扰能力相对较强，但在强大气噪声环境下，也可能引起频率的微小波动，影响解调质量。
宇宙噪声：来源于宇宙中的天体辐射，在高频段较为明显。宇宙噪声的强度相对稳定，但会增加通信系统的背景噪声，降低信号的信噪比，从而影响 AM 和 FM 通信系统的性能。
自然干扰：
人为干扰：
内部干扰
互调干扰：通信系统内的非线性器件（如放大器、混频器等）会产生互调产物。当多个不同频率的信号同时输入到非线性器件时，它们相互作用产生新的频率成分，如果这些新频率成分落在 AM 或 FM 通信系统的工作频段内，就会对正常信号产生干扰。例如，在一个包含多个无线信号的环境中，非线性器件可能将两个或多个信号混合，产生的互调产物干扰 AM 或 FM 信号的传输。
邻道干扰：相邻信道的信号可能会串扰到目标信道，这就是邻道干扰。在 AM 和 FM 通信系统中，如果信道间隔设置不合理或者滤波器性能不佳，邻道信号就可能泄漏到目标信道，导致信号失真。特别是在频率资源紧张的情况下，邻道干扰问题更加突出。
干扰对 AM 和 FM 通信系统性能的影响
信号失真对于 AM 通信系统，干扰容易导致信号幅度的异常波动。由于 AM 是通过幅度变化来携带信息，干扰引起的幅度失真会直接反映在解调后的信号中，使得解调后的音频或数据出现噪声、失真等问题。例如，大气噪声引起的幅度突变可能导致解调后的声音出现爆音。
而对于 FM 通信系统，干扰主要影响载波的频率。虽然 FM 系统对幅度干扰有一定的抑制能力，但频率的微小变化可能导致解调后的信号失真。例如，强干扰引起的频率偏移可能使解调后的音频信号出现音调变化、声音模糊等现象。2. 误码率干扰会增加 AM 和 FM 通信系统的误码率。在 AM 系统中，干扰导致的幅度失真可能使解调后的信号无法准确恢复原始数据，从而增加误码率。在 FM 系统中，干扰引起的频率波动可能导致鉴频器输出的解调信号出现误差，进而增加误码率。通常情况下，FM 系统的误码率在相同干扰强度下相对 AM 系统较低，这得益于其较强的抗干扰能力，但在严重干扰环境下，误码率也会显著上升。3. 通信距离干扰会削弱信号的有效传输距离。干扰使得信号的信噪比降低，当信噪比低于一定阈值时，接收端无法正确解调信号，从而限制了通信距离。对于 AM 系统，由于其抗干扰能力较弱，干扰对通信距离的影响更为明显。例如，在存在强干扰的区域，AM 广播的接收范围会明显缩小；而 FM 系统虽然相对抗干扰能力强，但在极端干扰情况下，通信距离也会受到影响。
⛳️ 运行结果
📣 部分代码
% Generate a carrier signal
fc = 10000; % Carrier frequency in Hz
carrier = cos(2*pi*fc*t);
% Record and load audio signal
% Use 'audiorecorder' function to record your voice or load a pre-recorded audio file
recObj = audiorecorder(fs, 16, 1);
disp('Start speaking.')
recordblocking(recObj, 5);
disp('End of Recording.');
modulating_signal = getaudiodata(recObj);
% Normalize the modulating signal
modulating_signal = modulating_signal / max(abs(modulating_signal));
% Task 2: AM Modulation
modulated_signal_am = (1 + modulating_signal') .* carrier;
% Task 3: FM Modulation
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
🏆团队擅长辅导定制多种毕业课题和科研领域
MATLAB仿真，助力毕业科研梦：
🌈 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、 集装箱调度、 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、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
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|GCN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
