搜索资源列表
Bayes
- 使用matlab对基于最小错误率的Bayes分类器进行仿真，编写了相应的程序，分为协方差相等和不相等两种情况，最后画出了三类的分界线-Using matlab to the smallest error rate based on the Bayes classifier to carry out simulation, the preparation of the corresponding procedures, divided into equal covariance and unequ
programme
- 有关最大比合并、等增益合并的增益性能及误码率的描述。-The maximal-ratio combining, equal gain combined gain of performance and bit error rate descr iption.
matlab
- 仿真程序：首先需要用一个随机发生器产生（0.1）内的均匀随机数，然后再将该序列映射到对应的幅度电平｛Am｝。然后将这个范围再分成4个相等的区间，这些子区间分别对应于4个信号比特的符号00，01，10，11。检测器观察到r=Am+n，并且计算r和4种可能传输的信号幅度之间的距离，它的输出Bm就是相应于最小距离的信号电平。Bm与真正的的传输信号幅度比较，差错计数器用来对检测器产生的差错计数。-Simulation program: first need to use a random genera
Comparison-of-Bayesian-and-fisher
- 训练错误率和交叉验证错误率相等，在样本比较大时，这个结果是可以预期的；训练错误率一般低于测试错误率，但是当样本数据比较少时，实验也出现了意外，样本多的那组测试错误率比样本少的训练错误率还要小；在本实验中，同组数据的交叉验证错误率比独立测试错误率高，这个反常现象是因为样本的原因所致，交叉验证的样本小，而独立测试时所用训练样本数目大，因而出现这种情况。分类线上，fisher准则是一条直线，而贝叶斯分类器实际上是一个类似椭圆的封闭曲线；很明显，贝叶斯分类器比fisher分类器要好。-Training
EGCBER
- 该程序计算了接收分集中等增益合并的误码率，并有理论值和仿真值的比较-The program calculates the bit error rate of receive diversity and equal gain combining, and the theoretical values and simulation values
BER-of-MIMO-channel-with-MRC-and-SC-and-EGC
- bti error rate of MIMO channel with maximum ratio combining and seclecting cimbining and equal gain
rakereceive_kron
- 本程序仿真了AWGN信道下，采用DS扩频对bpsk信号的影响，扩频码采用walsh码，扩频因子16； 接收端进行rake接收，然后分集合并，比较了三种分集方式对误码率的影响 从图像可以看出在扩频因子较高的情况下，最大比值合并与等增益合并性能相近-This program simulates the AWGN channel, using DS spread spectrum signal for bpsk influence spreading code using walsh code
three different combining methods: MRC, equal gain combining, and selection combining
- a Matlab code that produces a plot of probability of bit error rate for QPSK versus SNR for three receive antennas, and three different combining methods: MRC, equal gain combining, and selection combining.generate the plot using Monte Carlo simulati
adaboost
- AdaBoost元算法属于boosting系统融合方法中最流行的一种，说白了就是一种串行训练并且最后加权累加的系统融合方法。 具体的流程是：每一个训练样例都赋予相同的权重，并且权重满足归一化，经过第一个分类器分类之后， 计算第一个分类器的权重alpha值，并且更新每一个训练样例的权重，然后再进行第二个分类器的训练，相同的方法....... 直到错误率为0或者达到指定的训练轮数，其中最后预测的标签计算是各系统*alpha的加权和，然后sign（预测值）。 可以看出，训练流程是串行的