搜索资源列表
RecoveryofSignalfromTransientScatteredResponseCont
- 本文分析了用经验模态分解( Empirical Mode Decomposition ,EMD) 方法处理非平稳噪声信号的基本原理 , 并利用 EMD 方法有效地消除了高斯白噪声对瞬态散射回波的干扰. 文中以一人工合成瞬态回波为例 ,对本方法的有 效性作了检验.
07003
- 程控增益线性脉冲放大器的设计。 设计了一种新型程控增益线性脉冲放大器。采用准高斯CR2RC2CR 成形电路结构,使用非易失性数字电位器和精密运放,使电路结构大大简化,抗干扰能力强,增益多级连续变化平稳,且具有温漂低、脉冲线性好等特点
EMD-Toolbox
- EMD的Toolbox及使用方法 经验模态分解（Empirical Mode Decomposition, 简称EMD）是由美国NASA的黄锷博士提出的一种信号分析方法.它依据数据自身的时间尺度特征来进行信号分解, 无须预先设定任何基函数。这一点与建立在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有本质性的差别。正是由于这样的特点, EMD 方法在理论上可以应用于任何类型的信号的分解, 因而在处理非平稳及非线性数据上, 具有非常明显的优势。所以, EMD方法一经提出就在不同的
getailijingxing
- 利用平稳随机信号各态历经性，用周期图法对随机信号进行功率谱估计-The use of smooth ergodic random signal, and use periodogram of random signals, power spectrum estimation
AsymptoticEquipartitionProperty
- 信息论基础 离散信源的无错编码讲义 4.1 信源编码概述 4.2 无记忆信源的渐近等同分割性 与定长编码定理 4.3 离散无记忆信源的变长编码 4.4 离散平稳信源及其编码定理 4.5 马尔可夫信源的信息熵及 -Information theory-based discrete source of the error-free coding notes 4.1 Overview 4.2 Source Coding of the asymptotic memor
xiaoche
- 基于HCS12 单片机设计一种智能车系统。在该系统中,由红外光电传感器实现路径识别,通过对小车速度的控制,使小车能按照任意给定的黑色引导线平稳地寻迹。实验证明: 系统能很好地满足智能车对路径识别性能和抗干扰能力的要求,速度调节响应时间快,稳态误差小,具有较好的动态性能和良好的鲁棒性。-Based on the HCS12 MCU design an intelligent vehicle system. In this system, the path from the infrared pho
PID
- PID算法控制，PID 控制技术，是最简单的闭环控制技术之一，一般都是利用单反馈或者 多反馈来实现对控制对象的调节，实现被控对象的可控性和可预知性的控制。 使得设备运行的更加的可靠，合理且平稳。 -pid Control algorithm
Inverter-control
- 原理图+PCB+源代码+说明文档 TMS320F2812 DSP实现 12VDC转220VAC，100W，各种容性，感性负载平稳运行 带有MODBUS通信功能 各种参数可通过MODBUS主机设置 硬件开发环境 AltiumDesigner 软件开发环境 CCS3.3 -The schematic+PCB+ source code the+ descr iption document TMS320F2812 DSP, 12VDC turn 220VAC
Noise-reduction-algorithm
- 对设备进行故障诊断的主要方法就是测量故障 设备的振动或噪声, 并对其进行分析, 从而找出故障原因。然而振动或噪声信号中除了对分析故障有用的信息外, 还有大量的噪声成分。只有有效地滤除噪声, 才能获得有用的信息, 从而得到可靠的分析结论。传统的滤噪方法是将被噪声污染的信号通过一个滤波器, 滤掉噪声频率成分。但对于短时瞬态信号、非平稳信号、含宽带噪声的信号, 采用传统处理方法有着明显的局限性。小波变换为信号去噪提供了一种有效的方法, 小波阈值去噪具有传统方法不可比拟的优越性。但是小波分解的频域重
a-review-and-comparative-study
- 非线性非平稳的时间序列趋势预测综述性研究论文，对从事该方向的研究者有很好的学术指导作用-Time series forecasting for nonlinear and non-stationary processes_ a review and comparative study
gbvs
- 显著性代码，GBVS算法是一种提取人眼感兴趣区域的算法，与Itti模型不同，采用马尔科夫链，用其平稳分布来提取显著图。-Salient code, interested in the human eye area is extracted by GBVS algorithm,it is unlike Itti model. The markov chain and the stationary distribution is used to extract significant figure.
Infrared-Image-Enhancement
- 针对基于小波变换的红外图像增强方法视觉效果不够理想的缺点, 提出了一种基于平稳小波变换和Retinex 的红外图像增强方法, 利用Retinex 增强算法增强图像的视觉效果, 并改善其亮度均匀性。首先, 对红外图像经平稳小波变换后的最大尺度低频子带图像进行多尺度Retine x 增强 然后, 利用贝叶斯萎缩阈值法对高频子带图像进行阈值去噪, 并根据低频子带图像的局部对比度和模糊规则计算高频子带的增益系数, 从而得到增强后的高频子带图像 最后, 由低频子带图像和高频子带图像重构得到增强后的图像。针
1709.04326
- 多智能体设置在机器学习中的重要性日益突出。超过了最近的大量关于深度的工作多agent强化学习，层次强化学习，生成对抗网络和分散优化都可以看作是这种设置的实例。然而，多学习代理人的存在这些设置使得培训问题的非平稳常常导致不稳定的训练或不想要的最终结果。我们提出学习与对手的学习意识（萝拉），一种方法，原因的预期。其他代理的学习。罗拉学习规则包括一个额外的术语，解释了在预期的参数更新的代理政策其他药物。我们发现，利用似然比策略梯度更新的方法，可以有效地计算萝拉更新规则，使该方法适合于无模型强化学习。这
基于LMS算法的自适应滤波器设计与实现
- 因LMS算法具有低计算复杂度、在平稳环境中的收敛性好、其均值无偏地收敛到wiener解和利用有限精度实现算法时的稳定性等特性，使LMS算法成为自适应算法中应用最广泛的算法。(Because LMS algorithm has low computational complexity, convergence in stable environments, the mean unbiased converges to the Wiener solution and the finite preci
第2版课后习题工作文件
- 时间序列garch模型，平稳性，arch效应，garch族(garch model Egarch Igarch)
OFDMSignalDetection-master
- 程序实现的主要功能： OFDM调制识别：研究了基于高阶累量和基于小波变换的OFDM信号和单载波调制信号的识别算法，仿真分析了两种算法在高斯信道和多径瑞利衰落信道下的信号识别性能。 OFDM参数估计：研究了基于Welch算法和AR模型法求解功率谱进而估计信号带宽的算法，对两种算法的估计性能进行了比较；根据OFDM信号的循环平稳性研究了基于循环谱的载频估计算法；根据 OFDM信号的自相关性研究了基于可变延时自相关和固定延时自相关的FFT相结合的算法，估计了OFDM信号的有效数据长度、符号
突变检验
- 时间序列突变点检测（一种突变方法可能不准确，采用多种方法求交集）——>分段时间序列平稳性检验——>不满足平稳性的采用趋势检验，并增加趋势成都表述。
时间序列的Eviews教程
- 如何用eviews完成对时间序列数据的平稳性检验、建立模型、显著性检验等。
arima
- arima - （平稳性检验）根据时间序列的散点图、自相关系数和偏自相关系数、单位根检验(ADF)，来判断数据的平稳性； - （平稳化处理）对非平稳的时间序列数据进行差分处理，得到差分阶数d； - （白噪声检测）为了验证序列中有用的信息是否已被提取完毕，如果为白噪声序列，(arima arima -(Stableness test) According to the time series of scatter plots, autocorrelation coefficients and
ARIMA
- ARIMA 模型是在平稳的时间序列基础上建立起来的，因此时间序列的平稳性是建模的重要前提。检验时间序列模型平稳的方法一般采用 ADF 单位根检验模型去检验。当然如果时间序列不稳定，也可以通过一些操作去使得时间序列稳定（比如取对数，差分），然后进行 ARIMA 模型预测，得到稳定的时间序列的预测结果，然后对预测结果进行之前使序列稳定的操作的逆操作（取指数，差分的逆操作），就可以得到原始数据的预测结果。(time series prediction ARIMA)