搜索资源列表
Matlab runcode
- EMD(经验模态分解,全称Empirical Mode Decomposition,一般指EMD算法)是Hilbert-Huang变换(HHT)的核心算法。 经验模态分解(EMD)算法是通过算法过程定义的,而并非由确定的理论公式定义的,所以对其进行准确的理论分析非常困难,我们目前只能借助大量的数字仿真试验不断对其性能进行深入的研究。 EMD算法的目的在于将性能不好的信号分解为一组性能较好的本征模函数(IMFIntrinsic Mode Function ),且IMF须满足以下两个性质: (1
EMD模型
- 经验模态分解(Empirical Mode Decomposition,简称EMD))方法被认为是2000年来以傅立叶变换为基础的线性和稳态频谱分析的一个重大突破?,该方法是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。 该方法的关键是经验模式分解,它能使复杂信号分解为有限个本征模函数(Intrinsic Mode Function,简称IMF),所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。经验模态分解法能使非平稳数据进行平稳化
故障诊断与容错控制课程设计报告
- 针对滚动轴承这种非平稳振动信号采用的小波包分解的方法来检测故障的存在,运用神经网络来实现故障的分类,还结合D-S理论融合了多个传感器的诊断结果,提高了故障诊断的准确性并通过实验仿真证实。(This course's job is to use the wavelet packet decomposition method for non-stationary vibration signals of rolling bearings to detect the presence of fault
短时功率谱密度
- 语音信号是一个非平稳时变的信号,所以用计算稳态信号的方法计算功率谱密度函数没有太大意义,看不出信号的动态变化,"gonglvpu"给出计算短时功率谱密度函数(Speech signal is a non-stationary time-varying signal, so it is not very meaningful to calculate the power spectral density function by calculating the steady-st
SSRLS
- 状态空间递归最小二乘(SSRLS)是确定性信号的线性估计的最优。 然而,SSRLS的性能取决于模型的不确定性,观测信号的时变性质或观测噪声的非平稳行为。 我们结合遗忘因子的随机梯度调整来开发具有自适应记忆的SSRLS。 这种新算法解决了标准SSRLS面临的局限性。 还导出了减轻计算负担的实际滤波器的近似值。 跟踪有噪声啁啾的示例表示并演示了新算法的整体能力和功能。 预计这种新滤波器能够跟踪和估计难以处理可用工具的时变信号(State Space Recursive Least Squares (
VMD,python代码
- 变分模态分解 信号处理方法 数据序列平稳化。(The data sequence of the signal processing method of variational mode decomposition is smoothed.)
ceemdan
- 该算法适用于各种非线性,非平稳的信号,对于数据的分析较透彻。(The algorithm is suitable for various non-linear and non-stationary signals, and the data analysis is more thorough.)