搜索资源列表
sample3
- 两个噪声信号及噪声信号和含噪声周期信号的互功率谱。 采用多窗口法估计含有周期信号的功率谱。-The two noise signal and noise signal and noise periodic signal containing the cross-power spectrum. Multi-window method is estimated to contain periodic signal power spectrum.
music1
- 求加随机白噪声的实正弦信号的MUSIC算法的功率谱参数估计-Plus a random white noise for the real sinusoidal signal of the power spectrum of MUSIC algorithm for parameter estimation
bt_sw
- 用BT法估计功率谱，原始信号为三个复正弦叠加一个复高斯白噪声-By BT power spectrum estimation
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
whytls
- 加有高斯白噪声的两个正弦信号的的观测数据，分别用最小二乘法和总体最小二乘法估计其功率谱，并对两种方法的谱分析进行了比较-Plus a Gaussian white noise of the two sinusoidal signals of observational data, were used least squares and total least squares method to estimate the power spectrum, and spectral analysis
gonglvpu
- 设信号为x(n)=sin(2πf1n)+2cos(2πf2n)+w(n)，n=1,2,....,N，其中f1=0.05，f2=0.12，w(n)为正态白噪声，试在N=356 和1024 点时，分别产生随机序列x(n)、画出x(n)的波形并估计x(n)的相关函数和功率谱
baizaosheng
- 按如下模型产生一组随机序列： x(n)=0.8x(n-1)+w(n) 其中w(n)为均值为1，方差为4 的正态分布白噪声序列。估计过程的自相关函数与功率谱。
SVD-TLS-LS
- SVD-TLS和LS方法估计AR模型功率谱,假定仿真的观测数据由 产生，其中w(n)是一高斯白噪声，其均值为0，方差为1，并取n=1,…..,128，这里分别用LS方法和SVD-TLS方法估计观测数据的AR模型参数。-SVD-TLS and the LS method to estimate AR model for power spectrum, assuming that the simulation produced by the observed data, where w (n) is
random3
- 设信号为 ，其中， ， ， 为正态白噪声，试在N=256和1024点时，分别产生随机序列 ，画出 的波形并估计 的相关函数和功率谱。 -Set signal, which, for the normal white noise test in the N = 256 and 1024 points, respectively, random sequence, draw the waveforms and to estimate the correlation function an
Blind-identification
- 利用现代谱估计中的AR 模型求取仿真噪声信号和真实噪声信号的模型参数，然后利用这些参数求得信号的功率谱图，通过功率谱图定性地描述主噪声源和次噪声源。在利用信号功率谱图定性描述噪声源后，进一步地利用曲线相似度和曲线关联度定量的识别主噪声源和次噪声源-Use of modern spectral estimation of AR model to strike a realistic simulation of the noise signal and noise model parameters,
sys
- 本实验隶属现代数字信号处理，涉及到谱估计和谱分解，对学习数字信号的现代处理方法帮组很大。系统辨识实验实现：输入为功率为1（方差为1）的白噪声信号，通过一个线性移不变（LSI）系统，采用功率谱分析方法实现系统辨识对一个LSI系统进行辨识,并比较最后辨识出的系统与原系统的差别，分别显示出来。 -Experimental realization of system identification: input power of 1 (variance 1) of the white noise si
signal
- 产生一个随机信号和两个不同频率但频率间隔很小的正弦信号，要求对两信号之和进行如下分析： （1） 求该随机信号的自相关性系数、自相关函数，画出对应的图形； （2） 利用不同的参数建模方法求出两个随机信号的功率谱； （3） 利用极大似然估计、递推最小二乘法等常用的参数估计方法估计所建模型，包括AR模型、MA模型和ARMA模型的的参数，阶次自定；并与Matlab工具箱里的一些建模函数的运算结果进行比较； （4） 利用陷波滤波和MUSIC滤波方法对该信号的频谱进行估计； （5） 利
zongtizuixiaoercheng
- 本程序具体介绍了利用总体二乘算法对含有两个正弦信号和高斯白噪声信号的AR参数估计和其功率谱的估计。-This procedure introduced by overall two multiplication algorithm for containing two sinusoidal signal and the Gauss white noise signal AR parameter estimation and its power spectrum estimation.
matlab
- 根据伪随机序列理论，由混合同余法产生均匀分布的随机数，进而根据中心极限定理来产生高斯噪声。 分析所产生的均匀分布和高斯分布随机信号的均值、方差、自相关等数字特征，估计其概率密度函数并进行分析，估计其功率谱密度并进行分析。说明该高斯噪声是否符合白噪声特性。 对该高斯噪声进行FIR低通滤波，估计输出低通型限带白噪声的功率谱、相关时间等，并结合白噪声通过线性系统相关理论来进行分析。 -According to the theory of pseudo-random sequence, a
source
- 输入信号为方波信号+高斯白噪声，方波信号基 频为1kHz，幅值为1，高斯白噪声方差为0.2， 均值为0，采样频率为20kHz。试用周期图法和 ARMA谱估计法(SVD-TLS)估计此信号的功率 谱，并分析比较其结果-The input signal is a square wave signal+ Gaussian white noise, square wave signal fundamental frequency 1kHz, amplitude is a Gaussian white n
source
- 输入信号为方波信号+高斯白噪声，方波信号基 频为1kHz，幅值为1，高斯白噪声方差为0.2， 均值为0，采样频率为20kHz。试用最大熵估计 法估计此信号的AR模型及其功率谱，并分析结 果-The input signal is a square wave signal+ Gaussian white noise, square wave signal fundamental frequency 1kHz, amplitude is a Gaussian white noise variance
e29
- 利用最小方差方法估计复正弦加白噪声得平稳信号的功率谱-After using the method of minimum variance estimate sine smooth white noise to the signal power spectrum
signal_procesing
- 数字信号处理基于matlab 文件内容 /conv(卷积部分) dupconv 重叠保留法 freqcirconv 频域圆周卷积 freqconv 频域卷积 timecirconv 时域圆周卷积 timeconv 时域卷积 /fft(频域分析部分) d2fft 基2FFT dft DFT最简化程序 dtft DTFT演示 /fir(fir滤波器设计) fir 得到fir滤波器hn getwindow 得到fir滤波器窗函数wn idealfilter 理想滤波器(低通,高通,带通)hdn
signal_procesing2014
- 数字信号处理基于matlab 文件内容 /conv(卷积部分) dupconv 重叠保留法 freqcirconv 频域圆周卷积 freqconv 频域卷积 timecirconv 时域圆周卷积 timeconv 时域卷积 /fft(频域分析部分) d2fft 基2FFT dft DFT最简化程序 dtft DTFT演示 /fir(fir滤波器设计) fir 得到fir滤波器hn getwindow 得到fir滤波器窗函数wn idealfilter 理想滤波器(低通,高通,带通)hdn
RF3D_v1p00
- 一个共同的视频被空间相关去噪的框架随机噪声和空间相关的固定模式噪声。首先，在每一卷的空间和时间上的相关性，利用sparsify数据在三维时空的变换域，然后3D体积的频谱系数的自适应阈值萎缩三维阵列。这样的阵列取决于特定的运动轨迹的体积，单个功率谱密度的随机和固定的模式噪声，以及噪声方差，自适应地估计在变换域。-The video was a common fixed pattern noise spatial correlation denoising framework random nois