搜索资源列表
ULA
- 已知：信号中心波长为2,天线阵元的间距为1米,快拍数为2000，空中有四个 源信号,假设它们的频率 四个源信号的方向分别为： 求： 1）在不加入噪声的情况下,观察并计算协方差矩阵特征值,并对它的特点 加以说明 2）分别采用MUSIC算法,CAPON算法, ESPRIT算法在下面四种情况下，对 上述四个信号源的波达方向进行估计,并画出它们的空间谱图； ①在不加入噪声的情况下, ②在加入高斯白噪声的情况下,假设信噪比为10dB 3）在信噪比变化范围
基于杂波协方差矩阵降维空时自适应处理研究
- 介绍了基于杂波协方差矩阵降维空时自适应处理的基本原理以及仿真结果
PCA主成成分分析及MATLAB应用
- 总体主成分，总体主成分的计算，总体成分的性质，主成分的协方差矩阵及总方差。
hao.本PPT介绍了协方差函数及其计算公式
- 本PPT介绍了协方差函数及其计算公式，变异函数及其计算公式，克里格插值方法的过程，最后给了一个基于克里金插值的实例.,This PPT introduces covariance function and its formula for calculating the variation function and its formula, Kriging interpolation process, and finally given an example based Kriging inter
fangchaxiefangcha
- 方差，协方差，通俗讲义，很容易理解，希望对大家有帮助-Variance, covariance, popular lectures, it is easy to understand
advanced_signal_processing
- 现代数字喜好处理的MATLAB程序代码，包含随机过程分析，各种功率谱估计（欧拉方程法、协方差算法、burg算法、修正协方差算法、等等），维纳滤波器的设计、自适应滤波器的设计。 note：里面包含一些很实际的算法设计，比如说：没有发送序列的自适应噪声抵消技术，etc .还包含了详细的设计报告！-Preferences of modern digital processing MATLAB code, including the random process analysis, a variety
DOA_ESTIMATION
- 基于DOA估计的波束空间协方差理论文献，来自I-BEAMSPACE COVARIANCE-BASED DOA ESTIMATION
3
- 用卡尔曼滤波法，虽然刚开始的初始高度协方差很大为100，但通过2步之后减小到不超过1，逐渐接近于0-Kalman filtering method, although the beginning of the initial height of 100 covariance great, but by following the two-step reduced to no more than 1, and gradually close to 0
3
- 用卡尔曼滤波法，虽然刚开始的初始高度协方差很大为100，但通过2步之后减小到不超过1，逐渐接近于0-Kalman filtering method, although the beginning of the initial height of 100 covariance great, but by following the two-step reduced to no more than 1, and gradually close to 0
MUSIC_algorithm
- MUSIC 算法是利用接收数据的协方差矩阵(Rx)分离出信号子空间和噪声子空间，利用信号方向向量与噪声子空间的正交性来构成空间扫描谱，进行全域搜索谱峰，从而实现信号的参数估计。-MUSIC algorithm is used to receive data covariance matrix (Rx) to isolate the signal subspace and noise subspace, using the signal direction vector and noise su
function-Bayes2
- function Bayes2 算法视线见《模式识别》P33－P44（各类样本的协方差不相等） 为了提高实验样本测试的精度，故采用多次模拟求平均值的方法-function Bayes2 algorithm line of sight, see " Pattern Recognition" P33-P44 (all sample covariance not equal) In order to improve the accuracy of test sa
Based-on--ESPRIT-
- 摘 要:基于子空间分解的ESPRIT算法常用在阵列处理中对目标进行DOA估计.如果将空间的位移变成时间的 延迟,单个矢量传感器可以实现高分辨率的频率估计.将ESPRIT与矢量传感器相结合,研究了高分辨率频率估计 算法,建立了矢量传感器的数据模型,推导了矢量传感器的空时阵列流形,通过对协方差矩阵进行子空间分解,求得 目标信号的频率估计值.仿真计算研究了不同信噪比!采样频率和数据长度条件下该算法的性能.结果表明基于矢 量传感器的算法比基于声压传感器的算法具有更高的频率估计精确度.
trackfusion
- 利用误差协方差阵的迹最小准则建立了多传感器异步融合模型-Error covariance matrix using the minimum criteria for the establishment of a multi-track asynchronous sensor fusion model
covariation
- 介绍了协方差的作用，协方差是关于如何调节协变量对因变量的影响效应，从而更加有效地分析实验处理效应的一种统计技术-Describes the role of covariance, the covariance is about how to adjust the covariate effects on the dependent variable, and thus a more effective analysis of the experimental treatment effect o
signal-parameter-estimation
- 本文分析了多级维纳滤波器的特性，在加性噪声和二维天线阵列如均匀圆阵、均匀面阵、十字阵等条件和背景下，对信源个数和信源参数估计问题进行了研究，提出了基于多级维纳滤波器前向分解特性的快速参数估计方法，同时提出了基于多级维纳滤波器的二维ESPRIT参数估计方法，该类方法无需协方差矩阵的估计运算及分解运算，计算复杂度较低。另外，还提出了对信源个数的估计算法。-This paper analyzes the characteristics of multistage Wiener filter, in t
fast-subspace-algorithm
- 为了对空间辐射源进行精确定位" 建立了基于任意阵列对多目标源进行二维DOA估计的数学模型。将 MUSIC算法推广到三维空间阵列可以对辐射源进行二维高精度测向,但由于其需要估计接收数据的协方差矩阵和进行特征分解, 因而其计算量较大。利用多级维纳滤波器的前向递推获得信号子空间和噪声子空间，不需要估计协方差矩阵和对其进行特征分解，从而降低了MUSIC算法的计算量。将文中的方法应用于任意阵列的二维DOA估计中进行计算机仿真和实际侧向系统性能验证,实验结果均表明该方法达到了MUSIC算法的性能,但与常规M
xietongdingwei
- 协同定位是多平台编队中的关键问题之一 是实现无人机~ 舰艇编队等定位控制的基础G 从信息融 合的角度研究了编队协同中的导航定位问题 提出了一种新的协同定位算法G 推导了二维情况下 基于最近邻准 则确定伪测量和相伴误差协方差矩阵的模型G 仿真分析表明 该算法可以稳定地完成己平台运动要素的估计-Co-location is one of the key issues in the formation of multi-platform UAV ~ vessel formation pos
fx
- 总体主成分，总体主成分的计算，总体成分的性质，主成分的协方差矩阵及总方差。 -Overall main component, the overall calculation of the main component, the nature of the overall component, the main component of the covariance matrix and the total variance.
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
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