朋友们，这是NBIOT小区搜索最后一期了，从下期开始开始讲LTE同步信号生成，小区搜索，LTE小区搜索讲完开始讲5G NR同步信号生成小区搜索

在蜂窝无线通信中，辅同步信号的检测一般都采用最大似然法检测，利用本地生成的NSSS信号跟收到空口信号做相关，遍历所有的小区ID和80ms帧定时就是一种最大似然检测方法，在协议3GPP 36.211中可知NSSS帧的映射只在偶数帧的子帧9，所以80ms帧定时实际只需要遍历0,1,2,3，然后乘以2就可以确定80ms帧定时中的哪一帧。

说点其他的吧，简单回答一个知乎上的问题：

有人向我要由光谱数据计算XYZ三刺激值的MATLAB的程序，很多年前写的了，也多年不用MATLAB了，程序还在，应该不会错。

function XYZ=XYZ_fromSR(SR,S,deg)
% 由光谱反射率计算颜色的三刺激值
% 输入参数：
%     SR--光谱反射率，n×2的矩阵，第一列是波长，第2~m列是光谱反射率数据
%     S－光源，'A'表示A光源，'C'表示C光源，'D50','D55','D65','D75',默认D65
%     deg--视场，2表示2°视场，10表示10°视场，默认2°视场
% 输出参数：
%     XYZ－颜色的三刺激值
%
% 编写： 
% 2007-8-28
% 

if nargin==0     % 如果没有参数
   dis('请输入光谱反射率数据，注意是n×2的矩阵，第一列是波长，第2列是光谱反射率数据');
   return;
else if nargin ==1   % 如果 是一个参数
        Illcode = 'D65' ; % 光源默认为D65
        degcode = 2;   % 默认2°视场
    else if nargin ==2   % 如果 是二个参数  视场默认2° 
            Illcode = S;   % 光源 
            degcode = 2;   % 默认2°视场
        else if nargin ==3       % 如果 是3个参数  
            Illcode = S;   % 光源 
            degcode = deg;   % 2°视场 
            else  
                Illcode = 'D65' ; % 光源默认为D65
                degcode = 2;   % 默认2°视场
            end
        end
    end
end  

% 获得光源的相对光谱功率分布 
RSPD=getRSPD(Illcode);

% 获得CIE标准观察者的数据

if degcode== 10
    CIE_Std = CIE1964Std_XYZ;  
else
    CIE_Std = CIE1931Std_XYZ;  
end  



% SR和RSPD波长的范围和间隔可能不一样，下面找出两者共有的波长
[comn,iColorS,iIll] = intersect(SR(:,1),RSPD(:,1));

% SR和RSPD以及CIE_Std波长的范围和间隔可能不一样，下面找出3者共有的波长
[comn,iCIE_Std,ic] = intersect(CIE_Std(:,1),comn);
[c,iSR,ic] = intersect(SR(:,1),comn);
[c,iRSPD,ic] = intersect(RSPD(:,1),comn);

if RSPD(iRSPD,2)==0
    XYZ= [0 0 0];
    return
end
    
K=100/sum(RSPD(iRSPD,2).*CIE_Std(iCIE_Std,3));  % 计算K值

 
[a,sample_num]=size(SR);
XYZ=zeros(sample_num-1,3);
for ii=2:sample_num
    Xt=K*sum(RSPD(iRSPD,2).*CIE_Std(iCIE_Std,2).*SR(iSR,ii)); % 计算X刺激值
    Yt=K*sum(RSPD(iRSPD,2).*CIE_Std(iCIE_Std,3).*SR(iSR,ii)); % 计算Y刺激值 
    Zt=K*sum(RSPD(iRSPD,2).*CIE_Std(iCIE_Std,4).*SR(iSR,ii)); % 计算Z刺激值 
    XYZ(ii-1,:)=[Xt,Yt,Zt];
end
   

(1)基本概念

如果将图像中像素的灰度级别看作是一个随记变量(概率论中学到的随记变量,对后续直方图均匀化的推到至关重要),则其分布的情况就可以用概率密度函数(PDF)来刻画和描述,即表现为灰度直方图(histogram),它表示图像中具有某种灰度级像素的个数,反映了每种灰度出现的频率。灰度直方图的横坐标是灰度级,纵坐标是该灰度级像素的个数(出现的频度),是图像基本的统计特性。

从基本概念中可知,直方图是一幅图像中各像素灰度值出现次数的统计结果,它只反映该图像中不同灰度值出现的次数(或频数),而未反映这一灰度值像素所在的位置,也就是说,直方图只包含了该图像中某一灰度值像素出现的概率,而丢失了其所在的位置信息。

本期介绍一下远古时代GSM 2G主同步信号，对比一下当下时代4G和5G的主同步信号，看下无线通信经历了几十年的发展，主同步信号的变化。

根据前面介绍的5G LTE和NBIOT都有主同步信号和辅同步信号，在远古的GSM 2G时代，也有主同步信号，那个时候还不叫主同步信号，叫FCCH(Frequency Correction Channel)频率纠正信道，是由一组正玄波信号，一组0数据经过差分编码，GMSK调制后产生的一组正玄波信号，它是众多GSM信道中检测唯一一个需要在频域进行的，像SCH SDCCH BCCH等译码都在时域进行，利用26个pilot进行的信道估计，viterbi信道均衡等都是在时域进行，不像现在的LTE 5G等都是频域进行。

1. 图像直方图均衡

%  数字图像处理程序作业  
%  本程序能将JPG格式的彩色图像文件灰度化并进行直方图均衡  
%   
%  输入文件：PicSample.jpg      待处理图像  
%  输出文件：PicSampleGray.bmp  灰度化后图像  
%           PicEqual.bmp       均衡化后图像  
%  
%  输出图形窗口说明  
%  figure NO 1                  待处理彩色图像  
%  figure NO 2                  灰度化后图像  
%  figure NO 3                  直方图  
%  figure NO 4                  均衡化后直方图  
%  figure NO 5                  灰度变化曲线  
%  figure NO 6                  均衡化后图像  
%  1， 处理的图片名字要为 PicSample.jpg  
%  2， 程序每次运行时会先清空workspace  
%  作者: archiless lorder        

clear all  
%一，图像的预处理，读入彩色图像将其灰度化  
PS=imread('PicSample.jpg');                   %读入JPG彩色图像文件  
imshow(PS)                                    %显示出来 figure NO1
title('输入的彩色JPG图像')  
imwrite(rgb2gray(PS),'PicSampleGray.bmp');    %将彩色图片灰度化并保存  
PS=rgb2gray(PS);                              %灰度化后的数据存入数组  
figure,imshow(PS)                             %显示灰度化后的图像，也是均衡化前的样品figure NO 2  
title('灰度化后的图像')

%二，绘制直方图  
[m,n]=size(PS);                               %测量图像尺寸参数  
GP=zeros(1,256);                              %预创建存放灰度出现概率的向量  
for k=0:255  
GP(k+1)=length(find(PS==k))/(m*n);        %计算每级灰度出现的概率，将其存入GP中相应位置  
end  
figure,bar(0:255,GP,'g')                      %绘制直方图 figure NO 3  
title('原图像直方图')  
xlabel('灰度值')  
ylabel('出现概率')

%三，直方图均衡化  
S1=zeros(1,256);  
for i=1:256  
for j=1:i  
S1(i)=GP(j)+S1(i);                   %计算Sk  
end  
end  
S2=round(S1*256);                             %将Sk归到相近级的灰度  
for i=1:256  
GPeq(i)=sum(GP(find(S2==i)));             %计算现有每个灰度级出现的概率                     
end  
figure,bar(0:255,GPeq,'b')                    %显示均衡化后的直方图 figure NO 4  
title('均衡化后的直方图')  
xlabel('灰度值')  
ylabel('出现概率')  
figure,plot(0:255,S2,'r')                     %显示灰度变化曲线 figure NO 5  
legend('灰度变化曲线')  
xlabel('原图像灰度级')  
ylabel('均衡化后灰度级')

%四，图像均衡化  
PA=PS;  
for i=0:255  
PA(find(PS==i))=S2(i+1);                  %将各个像素归一化后的灰度值赋给这个像素  
end  
figure,imshow(PA)                             %显示均衡化后的图像 figure NO 6  
title('均衡化后图像')  
imwrite(PA,'PicEqual.bmp');

锂离子电池（简称锂电池）以其能量密度高、功率大和自放电率低等优势而广泛应用于储能领域。 然而，锂离子电池在长时间使用中会发生性能和寿命的衰减，且成组电池中个别电芯性能的衰减极易导致严重安全隐患，这已成为锂电池安全性与可靠性的持续挑战。因此，准确预测锂电池剩余使用寿命 （Remaining Useful Life，RUL）对完善电池管理策略，降低电池运行风险、提高电池运行稳定性具有重要的意义。在过去的几十年中，众多研究人员已经开发了许多方法和技术来预测锂电池的RUL，这些方法大致可分为基于模型的方法和基于数据驱动的方法。