優(yōu)點：1.對于信噪比高的信號濾波效果好； ％ 2.對于邊沿的保護(hù)強(qiáng)過閾值濾波，不會產(chǎn)生閾值濾波情況下的過于平滑與Gibbs現(xiàn)象。 ％缺點：1.由于對邊沿信號沒做任何處理，所以邊沿可能會有脈沖噪聲保留下來； ％ 2.計算相關(guān)系數(shù)中，如果計算出來的小波系數(shù)點位置偏差大，則相關(guān)系數(shù)計算受影響； ％ 3.需要迭代運(yùn)算，迭代的噪聲能量閾值選取很重要，這里以開始段無信號處估計噪聲； ％ 4.需要迭代運(yùn)算，所以運(yùn)算量比閾值法大； ％ 5.受分解層次影響，在大尺度上小波系數(shù)點位置偏差更大，相關(guān)系數(shù)計算不準(zhǔn)確。 ％需要具體調(diào)整的地方：1.分解的尺度；
上傳時間： 2013-12-26
上傳用戶：wlcaption
小波閾值去噪，比較了軟閾值，硬閾值及當(dāng)今各種閾值計算方法和閾值函數(shù)處理方法的性能，通過信噪比及均方差的比較，得出各種的算法的優(yōu)劣。
上傳時間： 2016-05-30
上傳用戶：qiaoyue
老外寫的小波變換的工具箱，基于MATLAB環(huán)境；壓縮包內(nèi)有詳細(xì)的說明和相關(guān)Demo，參考價值較高。
上傳時間： 2016-06-16
上傳用戶：JasonC
height、width為水印圖像的高和寬，picHeight、picWidth為原始圖像的高和寬，picData存儲原始圖像３層小波變換后的小波系數(shù)的數(shù)據(jù)，wmData存儲原始圖像３層小波變換后的小波系數(shù)，Out存儲提取的水印分辨率層信息。
上傳時間： 2016-06-18
上傳用戶：gyq
用過采樣和求均值提高ADC分辨率 很多應(yīng)用需要使用模/數(shù)轉(zhuǎn)換器 ADC 進(jìn)行測量 這些應(yīng)用所需要的分辨率取決于信號的動 態(tài)范圍 必須測量的參數(shù)的最小變化和信噪比 SNR 因此 很多系統(tǒng)使用較高分辨率的片外ADC 然而也可以通過使用一些技術(shù)來達(dá)到較高的分辨率和SNR 本應(yīng)用筆記介紹用過采樣和求均值的方 法來提高模數(shù)轉(zhuǎn)換的分辨率和SNR 過采樣和求均值技術(shù)可以在不使用昂貴的片外ADC的情況下提 高測量分辨率 本應(yīng)用筆記討論如何使用過采樣和求均值的方法來提高模/數(shù)轉(zhuǎn)換 ADC 測量的分辨率 另 外 本文最后的附錄A B和C分別給出了對ADC噪聲的深入分析 最適合過采樣技術(shù)的ADC噪聲 類型和使用過采樣和求均值技術(shù)的示例代碼
上傳時間： 2016-06-21
上傳用戶：hanli8870
提出了一種基于小波神經(jīng)網(wǎng)絡(luò)整定的PID 控制方法。由于小波變換具有良 好的時頻局部特性,神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力,自學(xué)習(xí)、自適應(yīng)等優(yōu)勢,采用規(guī) 范正交的小波函數(shù)作為神經(jīng)網(wǎng)絡(luò)的基函數(shù)構(gòu)成小波神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)兼有小波函數(shù)的緊 支性、波動性以及神經(jīng)網(wǎng)絡(luò)的非線性映射能力,自學(xué)習(xí)、自適應(yīng)能力等優(yōu)點,滲碳爐控制實 驗結(jié)果表明,用該方法整定的PID 控制系統(tǒng)收斂速度快,逼近精度高,魯棒性好
標(biāo)簽： PID 函數(shù) 神經(jīng)網(wǎng)絡(luò) 小波神經(jīng)網(wǎng)絡(luò)
上傳時間： 2014-01-15
上傳用戶：yzy6007
應(yīng)用自適應(yīng)的干擾對消法去除高斯白噪聲，程序中給出兩種相關(guān)噪聲產(chǎn)生的方法，第一種只有一個噪聲是隨機(jī)產(chǎn)生的，第二種兩個噪聲都是隨機(jī)產(chǎn)生的。程序中給出了去噪后信噪比和均方差的增益。
上傳時間： 2013-11-30
上傳用戶：cazjing
K-MEANS算法: k-means 算法接受輸入量 k ；然后將n個數(shù)據(jù)對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進(jìn)行計算的。 k-means 算法的工作過程說明如下：首先從n個數(shù)據(jù)對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復(fù)這一過程直到標(biāo)準(zhǔn)測度函數(shù)開始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測度函數(shù). k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開
標(biāo)簽： 聚類 K-MEANS k-means 對象
上傳時間： 2016-07-31
上傳用戶：youlongjian0
K-MEANS算法: k-means 算法接受輸入量 k ；然后將n個數(shù)據(jù)對象劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個“中心對象”（引力中心）來進(jìn)行計算的。 k-means 算法的工作過程說明如下：首先從n個數(shù)據(jù)對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據(jù)它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復(fù)這一過程直到標(biāo)準(zhǔn)測度函數(shù)開始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測度函數(shù). k個聚類具有以下特點：各聚類本身盡可能的緊湊，而各聚類之間盡可能的分開
標(biāo)簽： 聚類 K-MEANS k-means 對象
上傳時間： 2013-12-19
上傳用戶：chenlong
已知：信號中心波長為2,天線陣元的間距為1米,快拍數(shù)為2000，空中有四個 源信號,假設(shè)它們的頻率 四個源信號的方向分別為： 求： 1）在不加入噪聲的情況下,觀察并計算協(xié)方差矩陣特征值,并對它的特點 加以說明 2）分別采用MUSIC算法,CAPON算法, ESPRIT算法在下面四種情況下，對 上述四個信號源的波達(dá)方向進(jìn)行估計,并畫出它們的空間譜圖； ①在不加入噪聲的情況下, ②在加入高斯白噪聲的情況下,假設(shè)信噪比為10dB 3）在信噪比變化范圍為-20dB~+20dB時，分別采用MUSIC算法,CAPON算 法, ESPRIT算法，對上述四個信號源的波達(dá)方向進(jìn)行估計,并畫出波達(dá)方 向估計誤差,隨著信噪比變化的曲線圖(即橫軸為信噪比,縱軸為誤差值)
上傳時間： 2014-01-06
上傳用戶：宋桃子
蟲蟲下載站版權(quán)所有 京ICP備2021023401號-1
