
一、引言
软解调是一种先进的信号处理技术,在数字通信系统中发挥着重要作用。它通过概率估计的方法提高了解调的准确性,特别是在信道噪声存在的情况下表现尤为突出。本文将详细介绍软解调的工作原理、主要用途、主要公式、计算处理流程,并提供MATLAB代码示例用于仿真通信软解调。
二、软解调的工作原理
软解调是一种基于接收信号的概率估计进行解调的方法。与

一、引言
软解调是一种先进的信号处理技术,在数字通信系统中发挥着重要作用。它通过概率估计的方法提高了解调的准确性,特别是在信道噪声存在的情况下表现尤为突出。本文将详细介绍软解调的工作原理、主要用途、主要公式、计算处理流程,并提供MATLAB代码示例用于仿真通信软解调。
二、软解调的工作原理
软解调是一种基于接收信号的概率估计进行解调的方法。与
当前文章被以下社区和专栏收录:
【教程4>第2章>第22节】软解调讲解3——FPGA开发,以16QAM为例
1]张力,施玉松,姜建,等.OFDM系统中改进的16QAM软判决解调算法[J].现代电子技术, 2012, 35(3):4.DOI:10.3969/j.issn.1004-373X.2012.03.033.在上一个课程,我们完成了16QAM软解调各个子模块的设计,下面我们将定义一个顶层模块,调用16QAM软解调的各个子模块。最后,根据计算的差值,计算软信息,即MATLAB程序中的。下面我们对上述模块的功能做详细的介绍。
Matlab 64QAM软解调与LLR误码率仿真实现详解
在无线通信系统设计中,数字调制与解调是物理层的基础环节,而高阶QAM调制如64QAM在频谱效率与工程复杂度之间取得了良好平衡。接收端的软解调技术通过对数似然比(LLR)输出软信息,完整保留符号距离置信度,相比硬判决能为Turbo/LDPC译码提供1.5~2.5dB的性能增益。误码率(BER)仿真则是验证链路算法正确性的关键手段,通常结合蒙特卡洛统计、Eb/N0换算和Gray映射设计。本文以Matlab为工具,从星座映射、能量归一化到噪声建模与软解调实现,完整拆解了一套可复现的64QAM软解调LLR仿真链路,
64QAM软解调与LDPC结合的MATLAB误码率仿真链路详解
LDPC码作为现代通信系统中逼近香农限的纠错码,其译码增益高度依赖软信息输入。在64QAM高阶调制下,星座点间距压缩,硬判决会丢失可靠性信息,必须通过软解调输出对数似然比(LLR),才能让LDPC的置信传播译码发挥迭代增益。围绕MATLAB实现的完整误码率仿真链路,涵盖随机比特生成、LDPC编码、64QAM调制、AWGN信道、软解调、BP译码与误码统计,重点剖析校验矩阵H的稀疏构造、生成矩阵转换、LLR计算与噪声方差匹配等工程细节,并演示如何利用日志文件核对BER曲线。该模块化链路支持切换编码与调制方式,适
64QAM软解调与LDPC编码的MATLAB误码率仿真链路详解
数字通信系统中,高阶调制与信道编码是提升频谱效率和可靠性的两大支柱。64QAM每个符号承载6比特,频谱效率高,但星座点密集,判决边界易受噪声干扰;LDPC码凭借概率迭代译码逼近香农限,但必须输入软信息才能发挥纠错增益。软解调输出的对数似然比(LLR)正是连接两者的桥梁,其准确性直接影响迭代译码的收敛性。MATLAB通信工具箱提供dvbs2ldpc、comm.LDPCEncoder/Decoder和qammod/qamdemod等函数,能够快速搭建从编码、映射、加噪到软解调、译码的完整物理层仿真链路。该方案广
16QAM软解调+LDPC+FFT频偏估计的MATLAB误码率仿真链路详解
无线通信物理层仿真中,高阶调制与信道编码是提升传输可靠性的核心技术。16QAM作为高阶调制方案,通过软解调输出对数似然比(LLR),为LDPC译码提供软信息输入,二者结合可逼近香农限。而实际链路中的载波偏差会显著恶化星座图与误码性能,FFT频偏估计作为大范围粗同步手段,能够快速捕获残余频偏,再配合相位同步算法完成精校正。该组合广泛应用于卫星通信、5G NR及WiFi等系统的基带验证中。利用MATLAB搭建完整的误码率仿真链路,可直观评估调制、编码与同步算法在实际信道条件下的交互影响,是通信课程设计与工程预研
16QAM软解调+LDPC编译码+FFT频偏估计的MATLAB仿真链路详解
在数字通信系统仿真中,调制、信道编码与载波同步是决定链路性能的三大核心模块。其中16QAM以高带宽效率著称,LDPC码凭借逼近香农限的纠错能力成为现代通信标准的前向纠错首选,而频偏估计则保障接收端在晶振失配或多普勒场景下的星座稳定性。三者协同设计,才能构建出性能可靠的收发机模型。以误码率曲线为标尺,工程人员能够在不同信噪比条件下量化评估系统增益与算法代价。本文基于MATLAB环境,完整实现了16QAM软解调、LDPC编译码以及FFT频偏估计的联合仿真链路,涵盖参数配置、模块原理、代码实现与常见问题排查,为数
QAM软解调详解:从LLR原理到LDPC对接的工程实践
软判决与对数似然比(LLR)是通信接收机从硬比特走向可靠译码的关键。在QAM高阶调制与OFDM系统中,解调器输出的软比特直接决定LDPC/Turbo译码器的迭代增益。本文从LLR公式出发,对比精确LLR、Max-Log近似与查表法的复杂度与性能,给出Python最小实现和对接LDPC时的定标、量化、逐子载波噪声方差等工程细节,并总结五类误码率曲线异常的排查方法。
64QAM软解调MATLAB全链路实现与LLR原理详解
64QAM作为高阶数字调制技术,其误码性能高度依赖软解调机制。软解调本质是通过LLR(对数似然比)将接收信号转化为比特级置信度,为LDPC/Turbo等现代译码器提供可靠输入,从而逼近香农极限。相比硬判决,软解调可带来3–4dB编码增益,显著提升频谱效率与抗噪能力。其核心在于格雷映射保障相邻星座点仅1比特差异、噪声方差精确建模确保LLR尺度准确、以及调制解调端映射一致性。本文聚焦64QAM软解调的MATLAB工程实现,覆盖从比特生成、格雷映射、AWGN信道建模到LLR计算与BER闭环验证的完整链路,特别适配
QAM软解调详解:从LLR计算到MATLAB实现与避坑指南
在通信系统设计中,硬判决与软判决的差异直接影响纠错性能。LLR(对数似然比)作为软比特的核心表达,将接收符号的可信度转化为译码器可用的概率信息,是提升LDPC等迭代译码增益的关键。实际工程中,噪声方差估计的偏差会导致软比特尺度失真,进而使误码率曲线恶化,这一问题在64QAM等高阶调制下尤为突出。本文以AWGN信道下的矩形QAM为对象,介绍软解调原理、max-log近似等常用算法,并给出可直接修改的MATLAB软解调函数与验证技巧,帮助工程师快速定位LLR实现中的常见问题,为FPGA定点化与链路仿真提供参考。
LDPC+64QAM链路仿真:MATLAB参数配置与LLR软解调详解
信道编码与高阶调制是物理层仿真的核心基石,其中LDPC作为逼近香农极限的迭代译码方案,搭配频谱效率高的64QAM调制,能显著提升系统吞吐量,但也对软信息质量提出严苛要求。在MATLAB中搭建这一链路时,不仅需要正确选择校验矩阵与星座映射,还需精确换算SNR并实现对数似然比(LLR)软解调,否则误码率曲线极易失真。本文从编码与调制的基本原理出发,介绍LDPC+64QAM在AWGN信道下的技术价值,并阐述其应对高干扰场景的工程实践,最后自然落到一套可复现的仿真框架,涵盖参数配置、自写LLR解调器及常见误码率问题
LDPC与64QAM仿真程序详解:从LLR软解调到BER曲线
信道编码与高阶调制是现代无线通信系统的两大支柱。LDPC码以逼近香农限的纠错能力成为5G与DVB-S.2的主力编码,64QAM则凭借每个符号6比特的高频谱效率在中等信噪比区间广泛使用。在实际工程中,接收端必须将解调器输出转换为软信息LLR,才能让LDPC译码器充分发挥纠错潜力。基于MATLAB搭建LDPC 64QAM基带仿真链路,涉及编码、星座映射、AWGN信道建模、软解调与译码参数调优,是评估链路余量与算法性能的常用手段。本文聚焦仿真中的量纲换算、软解调实现、min-sum译码细节及常见误码率曲线陷阱,为
LDPC-BPSK-8176译码器实现:软解调与最小和算法详解
信道编码与调制技术是现代数字通信系统的基石,其中LDPC码凭借接近香农限的纠错能力,在深空遥测和卫星数传等功率受限链路中扮演关键角色。BPSK调制则以其恒包络特性和低峰均比,为高码率LDPC码提供了可靠的传输基础。理解从接收符号到对数似然比(LLR)的软解调过程,以及最小和(Min-Sum)译码算法的原理,是评估链路误码率性能、优化迭代次数的核心前提。典型如(8176,7154)码率的LDPC-BPSK组合,其译码器的设计与参数调优直接影响编码增益的实现。本文以工程实践为导向,系统讲解稀疏校验矩阵构建、BP
LDPC编码误码率仿真详解:BPSK/QPSK/16QAM软解调与Eb/N0实用指南
数字通信系统中,信道编码与调制技术共同决定了链路的可靠性与频谱效率。误码率分析是评估物理层性能的核心手段,而LDPC作为逼近香农极限的现代纠错码,在5G、WiFi、卫星通信等领域广泛应用。理解编码与调制如何协同工作,以及软解调中对数似然比(LLR)的计算和信噪比归一化方法,是工程实现的关键。针对不同调制方式,BPSK提供最干净的译码基线,QPSK以并行BPSK方式提升频谱效率,16QAM则通过更高阶星座换取吞吐量但需谨慎处理能量归一化与软信息准确性。本文从基础概念出发,结合MATLAB仿真实践,系统拆解了从
突发通信接收机链路仿真:64QAM软解调、扩频与同步算法详解
在数字通信系统设计中,高阶调制与载波同步是决定接收机性能的核心环节。64QAM因频谱效率高被广泛应用于卫星与无人机数传链路,但其对频偏和相位噪声极其敏感,突发场景下需先完成信号捕获与同步才能进行可靠解调。本文从软解调的基本原理出发,说明采用LLR而非硬判决能保留信道软信息,为LDPC等译码器提供性能增益;随后介绍扩频解扩如何提升低信噪比下的处理增益,并利用FFT频偏估计将大频偏粗估至可接受范围,再通过判决辅助V&V算法收敛残余相位偏差。该链路设计覆盖了从符号同步、频偏校正到软信息输出的完整流程,结合MATL
64QAM软解调与FFT频偏估计的MATLAB误码率仿真详解
在数字通信系统的接收机设计中,载波频偏会破坏星座点相位,而软解调的对数似然比(LLR)质量直接决定纠错译码的性能。如何通过高效的频偏估计与软信息计算来降低误码率,是物理层仿真的核心问题之一。FFT频偏估计利用谱峰搜索快速捕获频率偏差,64QAM软解调则基于格雷映射和I/Q分离查表生成LLR,两者联合可在MATLAB环境下搭建完整的误码率仿真基架。文中从星座映射、LLR原理出发,给出可执行的MATLAB实现代码,并讨论FFT点数、导频长度、插值等参数对BER曲线的影响。该仿真方法不仅适用于教学验证,也可为LT
基于FPGA的8PSK软解调实现
首先分析了8PSK 软解调算法的复杂度以及MAX算法的基本原理,并在Altera 公司的Stratix II 系列FPGA芯片上实现了此软解调硬件模块,同时与LDPC 译码模块进行了联合验证。通过软硬件验证和分析表明,此设计在运算复杂度、吞吐量、最终误码性能上取得很好的折中。
Claude Code与Codex深度对比:终端AI编程助手选型指南
大语言模型驱动的AI编程助手已成为开发者提效的重要工具,它们基于自然语言交互,自动完成代码生成、重构和调试。这类工具依赖上下文理解与工程实践,不同产品在交互模式、模型接入和任务执行上差异显著。从终端CLI编程场景出发,梳理AI编程助手的设计原理与技术价值,重点对比Anthropic Claude Code与OpenAI Codex在安装配置、上下文管理、第三方模型接入(如DeepSeek)以及高频报错处理上的实际表现。无论你是新手还是资深工程师,理解这些差异有助于根据自身工作流选择合适工具,或在两者间灵活切
华为硬件工程师笔试题
1、基尔霍夫定理的内容是什么?(仕兰微电子) 基尔霍夫定理包括电流定律和电压定律。 电流定律(KCL):在集总电路中,任何时刻,对任一结点,所有流出结点的支路电流的代数和恒等于零。 电压定律(KVL):在集总电路中,任何时刻,沿任一回路,所有支路电压的代数和恒等于零。 2、平板电容公式(C=εS/4πkd)。(未知) 3、最基本的如三极管曲线特性。(未知) 4、描述反馈电路...
【Android14 ShellTransitions】Transition就绪:双Transaction与SurfaceControl显示时机剖析
本文深入剖析了Android14 ShellTransitions框架中Transition就绪阶段的核心机制。重点解释了为何需要“双Transaction”来精确控制SurfaceControl的显示与隐藏时机,以确保Activity切换动画的流畅性。通过分析onTransactionReady流程、窗口绘制状态机及动画目标提升策略,揭示了系统如何协调WMCore与WMShell,实现从状态收集到动画播放的无缝衔接。
ADS2019学习笔记:三、SPICE model导入
以BZX84-C33 SPICE model为例,学习如何在ADS2019中导入SPICE model。
Gazebo仿真UUV水下机器人:从环境搭建到避障算法实战
本文详细介绍了使用Gazebo仿真平台进行UUV水下机器人开发的全流程,涵盖从环境搭建、uuv_simulator配置、传感器集成到核心避障算法实战。通过搭建水下仿真实验室并实现基于激光雷达数据的反应式避障算法,为水下机器人算法验证与开发提供了高效、低成本的解决方案。
智能车竞赛卡丁快跑组:自动驾驶与人车交互技术实战解析
本文深入解析了智能车竞赛卡丁快跑组的技术核心,重点探讨了自动驾驶与人车交互两大模块的实战方案。文章详细拆解了从环境感知、路径规划到语音识别、命令执行的完整流程,并分享了基于单片机平台的调试心法与赛场经验,为参赛者提供了一套从零开始、分步攻坚的系统性备赛指南。
YOLOv改进 | YOLOv11更换主干Backbone之MobileNetV2(轻量化主干网络结构--高效轻量移动模型)
本文提出将YOLOv11的主干网络替换为轻量化的MobileNetV2,以提升模型在移动端设备的部署效率。MobileNetV2通过倒残差结构和线性瓶颈层,显著减少了计算量和参数量(降至1M~3M),同时保持多尺度特征提取能力。实验表明,改进后的模型在移动设备上可实现20-30 FPS的实时检测,适用于手机APP、无人机和工业监控等场景。核心代码展示了倒残差块的实现,通过深度可分离卷积和通道扩展/压缩实现高效特征提取。
捷联惯导,其实没有你想象的那么复杂!(附:惯导嵌入式应用中需要的一些C代码)
摘要:捷联惯导系统将惯性测量单元固连于运动载体,通过核心算法实现导航解算。系统首先进行传感器误差补偿和初始对准,然后利用陀螺和加速度计数据,通过姿态更新算法(如四元数法)计算载体相对于地理系的姿态。加速度数据经比力方程转换后积分得到速度和位置,过程中需补偿圆锥误差和划船效应。捷联惯导通过数字平台替代物理平台,实现了载体坐标系与导航坐标系的实时转换,是当前惯性导航系统的主流方案。
C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正
SAP B1中文培訓教材_SDK
公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")

被折叠的 条评论
为什么被折叠?



