%========================開始提取加噪信號的各類特征值================================
for n=1:1:50;
m=n*Ns;
x=(n-1)*Ns;
for i=x+1:m; %提取加噪信號'signal_with_noise=y+noise'的前256個元素，抽取50次
y0(i)=signal_with_noise(i);
end
Y=fft(y0); %對調制信號進行快速傅里葉算法（離散）
y1=hilbert(y0) ; %調制信號實部的解析式
factor=0; %開始求零中心歸一化瞬時幅度譜密度的最大值gamma_max
for i=x+1:m;
factor=factor+y0(i);
end
ms=factor/(m-x);
an_i=y0./ms;
acn_i=an_i-1;
end
gamma_max=max(fft(acn_i.*acn_i))/Ns
該書的作者是來自 Y Combinator Research 的研究員 Michael
Nielsen，他也是一位量子物理學家、科學作家、計算機編程研究人員。他的個人主頁是：Neural networks and deep
learningneuralnetworksanddeeplearning.com書籍介紹 這是我個人以為目前最好的神經網絡與機器學習入門資料之一。內容非常淺顯易懂，很多數學密集的區域作者都有提示。全書貫穿的是 MNIST 手寫數字的識別問題，每個模型和改進都有詳細注釋的代碼。非常適合用來入門神經網絡和深度學習！ 全書共分為六章，目錄如下： 第一章：使用神經網絡識別手寫數字 第二章：反向傳播算法如何工作 第三章：改進神經網絡的學習方法 第四章：神經網絡可以計算任何函數的可視化證明 第五章：深度神經網絡為何很難訓練 第六章：深度學習 《Neural Network and Deep
Learning》這本書的目的是幫助讀者掌握神經網絡的核心概念，包括現代技術的深度學習。在完成這本書的學習之后，你將使用神經網絡和深度學習來解決復雜模式識別問題。你將為使用神經網絡和深度學習打下基礎，來攻堅你自己設計中碰到的問題。 本書一個堅定的信念，是讓讀者更好地去深刻理解神經網絡和深度學習，如果你很好理解了核心理念，你就可以很快地理解其他新的推論。這就意味著這本書的重點不是作為一個如何使用一些特定神經網絡庫的教程。僅僅學會如何使用庫，雖然這也許能很快解決你的問題，但是，如果你想理解神經網絡中究竟發生了什么，如果你想要了解今后幾年都不會過時的原理，那么只是學習些熱?的程序庫是不夠的。你需要領悟讓神經網絡工作的原理。
