搜索资源列表
adaptnlmsdemofdfd
- 基于LMS自适应时延估计算法，研究基于分数低阶的时延估计算法，包括:基于共变的时间延迟估计，基于分数低阶协方差的时延估计方法，还有最小平均P范数时延估计方法。 -Delay estimation algorithm based on LMS adaptive research based on the fractional lower order time delay estimation algorithm, including: covariation-based time delay es
adaptrlsdemo4fd
- 基于LMS自适应时延估计算法，研究基于分数低阶的时延估计算法，包括:基于共变的时间延迟估计，基于分数低阶协方差的时延估计方法，还有最小平均P范数时延估计方法。 -Delay estimation algorithm based on LMS adaptive research based on the fractional lower order time delay estimation algorithm, including: covariation-based time delay es
aledemo5fd
- 基于LMS自适应时延估计算法，研究基于分数低阶的时延估计算法，包括:基于共变的时间延迟估计，基于分数低阶协方差的时延估计方法，还有最小平均P范数时延估计方法。 -Delay estimation algorithm based on LMS adaptive research based on the fractional lower order time delay estimation algorithm, including: covariation-based time delay es
pca
- 主成分分析（Principal Copmponent Analysis，简称PCA）是一种常用的机遇变量协方差矩阵对信息进行处理、压缩和提取的有效方法。主成分分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，能够发掘出隐藏在复杂数据背后的简单结构。-PCA (Principal Copmponent Analysis, abbreviated PCA) is a commonly used covariance matrix Opportunity
Beamform-ing-Algorithm
- 提出一种基于直接数据域最小二乘方法的自适应多波束形成算法,包括前向计算、后向计算和前- 后向计算。利用天线阵元输出复电压的单快拍数据构建矩阵方程,采用共轭梯度法求解得到阵列的自适应权值向 量,从而在所有期望信号方向形成接收波束,同时在各干扰方向形成深零陷,使信干噪比显著提高。由于只需对单 快拍数据进行处理,并且避免了样本协方差矩阵的构造及矩阵求逆运算,故计算复杂度较传统算法低。-An adap tive multip le beamforming algorithm based on
航迹融合算法
- 这是一段分布式航迹融合算法源码，有简单凸组合航迹融合算法和互协方差组合航迹融合算法，并比较了两种算法的仿真结果。
Q1
- 2类分类高斯模型 每个类是由一个单一的多元高斯分布的3-D建模 显示如何估计高斯均值向量和协方差矩阵的最大似然（ML）估计的基础上为每个类。 meanA和meanB代表每个类的均值，varA和varB的的代表每个类的协方差矩阵.-2-class classifier with Gaussian Models Each class is modelled by a single 3-D multivariate Gaussian distribution Show
analysis-of-covariance
- 统计分析软件SAS中，协方差分析试验源代码-analysis of covariance
zernike
- 镜片面形数据通过zernike多项式用协方差方法拟合得到的zernike系数-Zernike coefficients covariance fitting
KalmanGain
- 卡尔曼滤波在单片机上的应用 KalmanGain = EstimateCovariance * sqrt( 1 / ( EstimateCovariance * EstimateCovariance + MeasureCovariance * MeasureCovariance ))； //计算本次滤波估计值 EstimateValue = EstimateValue + KalmanGain*（ Measure – EstimateValue ）； //更新估计协方差 Es
BIDIRECTIONAL_SMOOTHNESS_MUSIC
- MUSIC算法[1]是一种基于矩阵特征空间分解的方法。从几何角度讲，信号处理的观测空间可以分解为信号子空间和噪声子空间，显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成，噪声子空间则由协方差矩阵中所有最小特征值（噪声方差）对应的特征向量组成。-MUSIC algorithm [1] is a feature space based on matrix decomposition method. From the geometric point of vie
classical_music_1
- MUSIC算法[1]是一种基于矩阵特征空间分解的方法。从几何角度讲，信号处理的观测空间可以分解为信号子空间和噪声子空间，显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成，噪声子空间则由协方差矩阵中所有最小特征值（噪声方差）对应的特征向量组成。-MUSIC algorithm [1] is a feature space based on matrix decomposition method. From the geometric point of vie
classical_music_2
- MUSIC算法[1]是一种基于矩阵特征空间分解的方法。从几何角度讲，信号处理的观测空间可以分解为信号子空间和噪声子空间，显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成，噪声子空间则由协方差矩阵中所有最小特征值（噪声方差）对应的特征向量组成。-MUSIC algorithm [1] is a feature space based on matrix decomposition method. From the geometric point of vie
PCA1
- pca 神经网络 求样本协方差矩阵的特征值和特征向量 样本的均值化为零-pca neural network seeking sample covariance matrix of the eigenvalues and eigenvectors of the sample mean of zero
generating_random_samples.m
- 根据一组样本数据的均值和协方差矩阵随机产生正态分布以及对数正态分布的任意规模的样本数据。-According to a set of sample data mean and covariance matrix randomly generated normal and lognormal distribution of the sample data of any size.
MOG
- 拟合高斯分布，对数据点进行拟合给出数据均值和协方差，画图-Fitting of gaussian distribution, logarithmic stronghold fitting given data mean and covariance, the drawing
code
- 特征脸（Eigenface）是指用于机器视觉领域中的人脸识别问题的一组特征向量。使用特征脸进行人脸识别的方法首先由Sirovich and Kirby (1987)提出，并由Matthew Turk和Alex Pentland用于人脸分类。该方法被认为是第一种有效的人脸识别方法[来源请求]。这些特征向量是从高维矢量空间的人脸图像的协方差矩阵计算而来。-implementation of eigenface
SSI
- 协方差驱动的模态参数识别的SSI算法,基于斜拉桥的环境激励算法-Covariance-driven modal parameter identification of the SSI algorithm, based on the environmental incentive stayed algorithm
MIMO_doa_mvm
- 使用协方差矩阵的方法对MIMO的DOA进行估计，从而得到copon的DOA算法-Covariance matrix using the method of MIMO DOA estimation, resulting copon DOA Algorithms
covariance-matrix
- 协方差矩阵的编程,通过这个程序可以计算协方差，-programme of covariance matrix，Through this program can calculate the covariance