搜索资源列表
GM(1_1)
- GM(1,1)模型1-4 1：GM(1,1)模拟模型，在matlab中的输入方法为gm1（x），x指要模拟的序列。 2：GM(1,1)预测模型，在matlab中的输入方法为gm2（x，K），x指要模拟的序列，K指从以后序列第一个数据算起的第k个待预测数据。 3：GM(1,1)群模拟模型，在matlab中的输入方法为gm3（x），x指要模拟的序列。 4：GM(1,1)群预测模型，在matlab中的输入方法为gm4（x，K），x指要模拟的序列，K指从以后序列第一个数据算起的第k个待预
svdexp2
- SVD去噪，构造的矩阵方法为对数据进行均匀分段，并对去噪前后的信噪比，均方差进行了对比。
elm
- 神经网络的ELM算法，比传统的BP和SVM都快，而且效果也很精确。运行平台是matlab，本人已经对原始ELM做了修改，可以适应多种函数，而且在数据处理方面自动产生分类矩阵。
yaoweijuanjima
- 基于matlab的咬尾卷积码，对数据进行编码，再利用维特比译码的方式进行解码，大学课程设计内容。-Based on matlab tail biting convolutional codes, to encode the data, and then use the Viterbi decoding the way to decode the University curriculum content.
smartjam
- 灵巧干扰对直接序列扩频信号发射机和接收机的干扰仿真程序，包括通信发射机电路、接收机捕获电路、码跟踪电路、载波捕获电路、防假捕电路、信噪比估计电路和数据解调电路-Smart interference on direct sequence spread spectrum signal transmitter and receiver interference simulation program, including communications transmitter circuit, recei
QPSK.simulation
- 高级信道ＱＰＳＫ的设计与仿真，改善了信道性能，对仿真数据可有效汇总，输出理想比现实比较曲线-Advanced Channel Design and Simulation of QPSK, the channel to improve performance, the simulation data can effectively aggregate, more than reality curve of the ideal output
gaussian_filter
- 详细说明：1． 利用自相关函数法和周期图法实现随机信号的功率谱估计。 2． 观察数据长度、自相关序列长度、信噪比、窗函数、平均次数等对谱估计的分辨率、稳定性、主瓣宽度和旁瓣效应的影响。 --1. The use of auto-correlation function method and cycle map Method random signal power spectrum estimation. 2. Observation data length, the length of auto
matlabdsp
- matlab dsp(1． 利用自相关函数法和周期图法实现随机信号的功率谱估计。 2． 观察数据长度、自相关序列长度、信噪比、窗函数、平均次数等对谱估计的分辨率、稳定性、主瓣宽度和旁瓣效应的影响
information-fusion-algorithm
- 本文利用模糊理论中的高斯隶属 度函数来获得模糊观测下具有概率特性的似然函数，并且由此似然函数得到每个传感器提供信息的可信度；再将各传感器的可 信度转化成基本概率赋值函数即mass 函数；最后利用证据理论对多传感器信息进行融合。对目标识别的仿真试验表明该方法获 得的结果比直接结果具有更高的精度和可靠性。-The method uses fuzzy theory in the Gaussian fuzzy membership function to obtain a probabl
SPWM-voltage-invertor
- ：SPWM调制技术是通过改变输出方波的占空比来改变等效的输出电压，其调制波为正弦波，脉冲宽度间占空 比按正弦规率排列， 这样输出波形经过适当的滤波可以做到正弦波输出。它广泛的用于支流交流逆变器。本次实 验使用Matlab/Simulink对SPWM技术进行仿真并分析数据。-: SPWM modulation by changing the duty cycle square wave output to change the equivalent output voltage, the
Wiener
- 设计一维纳滤波器 (1). 产生三组观测数据：首先根据S(n)=aS(n-1)+w(n)产生信号S(n)，将其加噪声(信噪比分别为20db，10db，6db)，得到观测数据X1(n)，X2(n)，X3(n)。. (2). 估计Xi(n)，i=1，2，3的AR模型参数。假设信号长度为L，AR模型阶数为N，分析实验结果，并讨论改变L，N对实验结果的影响。-Design a Wiener filter (1) produces three sets of observations: Fi
gm2
- gm2对上下变动的数据，预测效果比gm1好，但对趋势较好的数据，预测精度没有gm1高。-gm2 on the up and down movements of the data to predict better than gm1 good, but better data on trends, forecast accuracy not gm1 high
flower
- 对花卉的数据集分别通过“五折法”、随机产生训练样本、欧式平方距离、绝对值距离、契比雪夫距离和马氏距离进行数据集的识别。-Data sets, respectively, for flowers through the " half of Law" , randomly generated training samples, European squared distance, absolute distance, Chebyshev distance and Mahalanobi
gravity
- 对自由落体运动进行仿真，并将仿真出来的数据与理论分析数据进行比对。-On the free fall simulation, and simulation and theoretical analysis of the data out of the data for comparison.
Wiener
- 设计一维纳滤波器 (1)产生三组观测数据：首先根据s(n)=a s(n-1)+w(n)产生信号s(n)，将其加噪（信噪比分别为20dB,10 dB，6 dB），得到观测数据x1(n), x2(n), x31(n). (2)估计xi(n)，i=1,2,3的AR模型参数。假设信号长度为L，AR模型阶数为N，分析实验结果，并讨论改变L,N对实验结果的影响。 -A Wiener filter design (1) to produce three sets of observations:
getCOT
- 阶比分析文件。特别适合对数据进行处理，特别别是信号处理。-Order analysis files. Particularly suitable for data processing, signal processing is not particularly.
fir_test
- 对输入的原始数据qqqq4444，qqqq4444数据需自己手动输入，进行低通滤波，然后进行快速傅里叶变换，最后算出距离(For input raw data, qqqq4444, qqqq4444 data need to be manually input, low-pass filtering, and then fast Fourier transform, and finally calculate the distance)
人脸识别
- 基于ssm框架搭建的，前端通过获取video标签?调用本地的摄像头(获取用户媒体对象,流媒体数据base64)，将流媒体数据画到convas画布上去?,后台调用百度API人脸识别接口，进入百度大脑搜索人脸识别即可获取官网的Secret Key，将前端获取的人脸信息的base64信息和你本地数据库里的人脸信息传到百度人脸识别的接口进行人脸比对，返回一个json数据，result参数 带别人脸相似度, result可自己定义，从而实现人脸识别登录(Based on the SSM framework
数据拟合
- 进行数据的拟合，将预测与实际数据进行比对(Fitting the data and comparing the forecast with the actual data.)
t_tide_v1.1
- 计算潮汐调和常数，潮汐预测,潮流的预测，能够绘制各种预测图与原始图，两者可以进行比对从而得出观测站数据的结论(Computation of tidal harmonic constants, tidal predictions, tidal current predictions, the ability to plot various prediction maps and original maps, and the two can be compared to derive observa