搜索资源列表
AdaptiveLMS
- 用自适应数字滤波器进行谱线增强,噪声信号是均值为零,方差为1的高斯白噪声
1-4
- 为均衡带限信号所引起失真的横向或格型自适应均衡器(其中横向FIR系统长M=11), 系统输入是取值为±1的随机序列 ，其均值为零；参考信号 ；信道具有脉冲响应： 式中w用来控制信道的幅度失真(w = 2～4，例如，取w = 2.9,3.1,3.3,3.5等),而且信道受到均值为零、方差为 (例如，取 ，相当于信噪比为30dB)的高斯白噪声 的干扰。试比较基于下列五种算法自适应均衡器在不同信道失真、不同噪声干扰下的收敛情况(对应于每一种情况，在同一坐标下画出其学习曲线)： 横向/格
chaonim
- 仿真函数 （1），函数形式为： 其中， 是零均值单位方差的高斯噪声。输入 服从[0，1] 均匀分布，且相互独立。样本长度为1000组，将其分为三组，自由选择200组作为模型训练数据，自由选择100组作为检验数据，其余的作为长期检验数据。 （2） 其中x1~x4相互独立， ， 为白噪声
whitenoise
- 1．产生白噪声程序 编程产生一组正态分布的白噪声信号,它的均值和方差以及长度可随意调整。将产生的白噪声信号存入数据文件。 本程序算法用C++语言编写。首先用乘同余法产生均匀分布白噪声，再用变换抽样法转换为高斯分布白噪声。算法及程序实现叙述如下。 1) 设定x初值为11,A＝179，长度WNlength,均值Average,方差Serror为用户输入的变量； 2) M =235，ζi= x/M； 3) 取ζi的小数部分再赋值给ζi＋1，这就是均匀分布白噪声； 4) 利用公式
work.rar
- 上载的内容为随机信号处理的作业,具体是:其中W(t)为均值为零，方差为3的白噪声。 （1）产生若干组500个点长随机序列。 （2）找一个ARMA模型与（1）中的500个点匹配。 （3）在产生一个500个点长的随机序列校正。 ,Upload the contents of random signal processing operations, specifically: one of W (t) for the mean zero, variance of white noise for
F_LMS
- matlab实现系统辨识 采用LMS（最小均方误差）估计 随机信号均值为0方差为1，加入高斯白噪声-matlab for system identification using LMS (least mean square error) estimation of random signal with mean 0 variance 1, by adding Gaussian white noise
MATLAB
- 对噪声信号中的正弦信号，通过Pisarenko谐波分解方法、Music算法和Esprit算法进行频率估计，信号源是： 其中， ， ， ； 是高斯白噪声，方差为 。使用128个数据样本进行估计。 1、用三种算法进行频率估计，独立运行20次，记录各个方法的估计值，计算均值和方差； 2、增加噪声功率，观察和分析各种方法的性能。-Sinusoidal signal in the noise signal through the Pisarenko harmonic decomposition metho
3
- 典型时间序列模型分析 设有ARMA(2,2)模型， X（n）+0.3X(n-1)-0.2X(n-2)=W(n)+0.5W（n-1）-0.2W(n-2) W(n)是零均值正态白噪声，方差为4 （1）用MATLAB模型产生X（n）的500观测点的样本函数，并会出波形； （2）用你产生的500个观测点估计X（n）的均值和方差； （3）画出理论的功率谱 （4）估计X（n）的相关函数和功率谱 -Analysis of typical time series model w
L_D
- 用Matlab程序实现P阶Levinson-Durbin算法。以一个2阶自回归模型（参数为b0=1, a1=0, a2=0.81）和一个2阶滑动平均模型（参数为b0=1, b1=1, b2=1）为例，选取观测数据长度为1000，分别用一个AR(2)模型和一个AR(10)阶模型来估计其功率谱。设激励信号模型的高斯白噪声的均值为0，方差为1。用Levinson-Durbin算法迭代计算AR模型参数，并用估计出的AR模型参数画出观测信号的功率谱。并对Levinson-Durbin算法的性能进行分析。-
lms_adaptive
- 实现基于变步长LMS算法的自适应均衡器,滤波器阶数为2，输入信号为零均值，方差为1的高斯白噪声-implement an adaptive equlization basing on the changed_step LMS algorith
w
- 利用matlab实现下面的问题：其中u(k)和z(k)分别为模型的输入和输出变量；v(k)为零均值、方差为1、服从正态分布的白噪声；为噪声的标准差；利用得到的u(k)和z(k)来辨识模型的阶次和参数。-Using matlab to achieve the following questions: where u (k) and z (k) respectively, the input and output variables of the model v (k) with zero mea
System-identification
- 系统辨识作业 考虑如下模型 z(k)-1.5z(k-1)+0.7z(k-2)=u(k-1)+0.5u(k-2)+v(k) 其中v(k)是均值为0，方差为1的白噪声。根据模型生成数据，采用递推最小二乘法对模型参数进行辨识，要求绘出各参数随时间的变化曲线。 -"System identification" computer test 。Consider the following model Z (k) to 1.5 of z (k- 1)+ 0.7 z (k- 2) = u (k-
ADSP
- 设x(n) = x1(n) + x2(n)，x1(n)是窄带信号，定义为x1(n) = sin(0.05πn +φ)，φ是在[0, 2π)区间上均匀分布的随机相位。x2(n)是宽带信号，它由一个零均值、方差为1的白噪声信号e(n)激励一个线性滤波器而产生，其差分方程为x2(n) = e(n) + 2e(n-1) + e(n-2)。 (1)计算x1(n)和x2(n)各自的自相关函数，并画出其函数图形。据此选择合适的延时，以实现谱线增强。 (2)产生一个x(n)序列。选择合适的μ
DSPII_USTC_01
- 传统的宽带信号中抑制正弦干扰的方法是采用陷波器(notch filter),为此需要精确知道干扰正弦的频率.然而当干扰正弦频率是缓慢变化时,且选频率特性要求十分尖锐时,则最好采用自适应噪声抵消的方法.下图是用一个二阶FIR的LMS自适应滤波器消除正弦干扰的一个方案。该代码实现了以下功能： 1) 借助MATLAB画出了滤波器的误差性能曲面和误差性能曲面的等值曲线； 2） 给出了最陡下降法以及LMS算法的计算公式； 3） 用MATLAB产生了方差为0.05, 均值为0白噪音S(n)，并
DSP
- 任务： 1） 借助MATLAB画出误差性能曲面和误差性能曲面的等值曲线（参考PPT2.1第17页的两幅图）； 2） 写出最陡下降法以及LMS算法的计算公式（取 ）； 3） 用MATLAB产生方差为0.05, 均值为0白噪音S(n)，并画出某次采样得到的波形（即产生任意一个噪声随机序列）； 4） 根据 2）中的公式，并利用 3）中产生的S(n)，在 1）中的误差性能曲面的等值曲线上叠加画出采用最陡下降法以及LMS法时H(n)的在叠代过程中的轨迹曲线（参考PPT2.1第17页的右下图
3.1
- 对分别添加了椒盐噪声（密度为0.03）和高斯白噪声（均值为0，方差为0.02）的图像，利用三种方法进行去噪，显示原始图像、加噪图像和去噪图像并对实验结果进行分析。-Were added to the salt and pepper noise (density 0.03) and Gaussian white noise (zero mean and variance 0.02) images, using three methods noising, shows the original im
P84li3.1
- 通过给出的随机过程，该随机过程是由3个实正弦信号组成，归一化频率分别为0.1,0.25,0.27，其中相位是相互独立在【0,2*pi】上分布的随机相位；噪声是均值为0、方差为1的实高斯白噪声，信噪比为30db,30db,27db,观测样本数为N，通过bartlett法，Welch法，周期图法计算随机过程的概率谱-Given by stochastic process, the stochastic process is composed of three real sine signal, th
新建 Microsoft Word 文档
- 现有某高度的测量误差均值为0，方差为1的高斯白噪声随机序列，通过卡尔曼滤波原理求该物体的初始高度和速度。(A Gauss white noise random sequence with a mean measurement error of 0 and a variance of 1 is obtained. The initial height and velocity of the object are calculated by the Calman filtering principl
打包
- 两种不同的假设： H1 ： 0 xn A fn wn ( ) cos(2 ) ( ) = ++ π θ n=1,2,…,N，f0 为规一化频率 H0 ： xn wn () () = n=1,2,…,N 其中 w[n]是均值为 0，方差为 2 σ n 的高斯白噪声，A 已知，样本间相互 独立，信号与噪声相互独立; 相位θ 是随机变量，它服从均匀分布 1 0 2 ( ) 20 p θ π θ π ?? ≤ ≤ = ??? 其它 1）改变输入信噪比（改变 A 或噪声方差均可），给
最大似然
- 两种不同的假设： H1 ： 0 xn A fn wn ( ) cos(2 ) ( ) = ++ π θ n=1,2,…,N，f0 为规一化频率 H0 ： xn wn () () = n=1,2,…,N 其中 w[n]是均值为 0，方差为 2 σ n 的高斯白噪声，A 已知，样本间相互 独立，信号与噪声相互独立; 相位θ 是随机变量，它服从均匀分布 1 0 2 ( ) 20 p θ π θ π ?? ≤ ≤ = ??? 其它 1）改变输入信噪比（改变 A 或噪声方差均可），给