搜索资源列表
wenlitezhengtiqu
- 包括计算共生矩阵、对共生矩阵归一化、对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数、求能量、熵、惯性矩、相关的均值和标准差作为最终8维纹理特征 -Including the calculation of co-occurrence matrix, normalized to the co-occurrence matrix, co-occurrence matrix calculation on the energy, entropy, moment of inertia, related t
matlab_imagematching
- 基于灰度的归一化匹配算法； 基于灰度的快速模板匹配算法。 -Based on the normalized intensity matching Based on Gray' s fast template matching algorithm.
testpipei_1
- 基于灰度的归一化匹配算法：将原图以及匹配图灰度化，算出相关系数后得到匹配区域。-Based on Gray' s normalized matching algorithms: the original image and the gray level of matching graph, calculate the correlation coefficient obtained after the matching area.
code
- 基于matlab的虹膜边缘识别 包括边缘检测，归一化，用汉明矩进行特征匹配-Matlab on the edge of iris recognition, including edge detection, normalization, with Hamming moments feature matching
ty51
- 通信原理中功率谱密度的仿真，仿真了不同占空比，等概、非等概双极性矩形随机信号的归一化功率谱密度，并分析不同信号（不同占空比，等概非等概）所包含的频谱分量，有无直流分量和定时分量信息-Communication theory in the power spectral density of the simulation, the simulation of different duty cycles, such as almost, almost bipolar rectangular Non-r
ex_15_1
- 图像配准：选择图像需要配准的子区域，计算归一化互相关，通过它来确定图像配准的区域，显示配准后的图像。-Image registration: Select the image sub-region need registration, computing normalized cross-correlation, by which to determine the image registration area to show the image after registration.
normalize
- 对混沌时间学列但不预测及多步预测的输入信号信号归一化处理-Studies of chaotic time series prediction and multi-step, but not predictable input signal signal normalized
meierdaopufadematlabshixian
- 对录音信号集 中的某一语音，利用BATLAB设计一美尔例谱算法，并实现。 取信号集 中的一个语音信号：“xxxxxx”，将它作为输入的语音信号来为设计一个美尔倒谱算法，在该算法中，主要设计了以下环节： 1.读入一个语音信号；2.对这个信号归一化；3.对归一化的信号进行加窗处理（这里的矩形窗长度必须为257，重帧长64）；4.进行预加重处理，即通过一个高通滤波器： ；5进行512点的FFT；6.分别取模平方得到功率谱；7.在设计的mel滤波器组中，我采用了25个带通滤波器；8.将得到的功率
soliton
- 采用分步傅里叶方法对NLSE 进行了求解，并在归一化和功率补偿条件下模拟和分析了输入脉冲为双曲正割脉冲，高斯脉冲，超高斯脉冲传输对比情况，以及一到三阶双曲正割光脉冲条件下光脉冲传输演变情况-Using split-step Fourier method NLSE was solved, and in the normalization and power compensation under simulation and analysis of the input pulse for the h
OFDM-MATLAB
- 这里面有两个程序，两个都是采用4QAM调制。不过个人觉得第一个更容易懂，因为写的很有条理。我改的那个程序就是根据这个来的。 不过在这里面有个问题就是信道系数只能是由高到低，大家可以试试，改成[0.227 0.46 0.688 0.46 0.227]这个是老师给我的仿真中常用的信道系数，这个成为归一化信道，就是系数平方和为1. 第二个程序没有涉及到信道系数，但是这个程序当中，在128个子载波中，前后有32个空载波，这个在OFDM中也是经常用的，这样可以降低误码率。 -And there
NMI
- 图像配准中的两幅图像的归一化互信息计算方法代码-Image registration of two images of the normalized mutual information method code
lab432
- Matlab动力系统和时间序列分析工具箱:这个工具箱用来分析动力系统和时间序列，它可以定制为：常微分方程、随机微分方程。所有分析的方法被封装在工具箱中，你可以通过命令行或GUI来调用。包含的功能： ODE常微分方程, SDE随机微分方程和map integration 分析时间序列，过滤、归一化/均衡化、直方图、2D直方图、ACF, MAI, FFT,最大lyapunov指数计算、模式识别。 动力系统分析：创建Poincare截面、分岔图、计算lyapunov指数。-The kit us
NLMS
- 归一化LMS算法即NLMS算法源程序，自适应信号处理变步长经典算法-Normalized LMS algorithm for the NLMS algorithm source code, adaptive signal processing algorithm for variable step classical
IIR_cheb1ap
- 本代码设计的切比雪夫1型滤波器，与MATLAB中的切比雪夫滤波器不同的是输出为未归一化的零极点，输入只要是通带频率，通带波动，截止频率，阻带衰减即可，更便于抄做-The code design of Chebyshev Type 1 filter, and MATLAB in the Chebyshev filter output is not different is that the poles and zeros of the normalized input as long as the
SVM_Short-term-Load-Forecasting
- 优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，
LS_SVM
- 最小二乘支持向量机，LS_SVM.m为主函数，normalization.m为归一化函数，release.m为反归一化函数。-Least squares support vector machine, LS_SVM.m is the main function, normalization.m is the normalization function, release.m is the normalization function.
normalization
- 四种常见的归一化方法，归一化效果不错。应用在matlab环境下。-Four common normalization method, normalized results are good. Used in the matlab environment.
normoalize
- 自己编写的一个简单的归一化程序，很好用的，以及加了几个matlab的示例程序-very good
ELM
- 训练集/测试集产生 load spectra_data.mat 随机产生训练集和测试集 temp = randperm(size(NIR,1)) 训练集——50个样本 P_train = NIR(temp(1:50),:) T_train = octane(temp(1:50),:) 测试集——10个样本 P_test = NIR(temp(51:end),:) T_test = octane(temp(51:end),:) N = si
svm00
- 图像处理，包括图像特征提取，图像分类，图像归一化-Image processing, including image feature extraction, image classification, image normalization, etc.