搜索资源列表
SPECTRUM_LMS
- 1、文件夹中包含了经典功率谱估计和自适应均衡算法两个实验的所有程序。 2、R.m、LMS.m、LMSmain.m为自适应均衡算法的程序： R.m用来计算输入信号的自相关矩阵及其特征值； LMS.m为时域LMS算法，用统计的方法仿真得出不同信道参数和不同步长下的学习曲线； LMSmain.m为实验主程序，按照实验要求中的具体数据得到实验结果和曲线。 3、functionx.m、fzhouqitu.m、spectrum.m、bt.m、bart_lett.m、welch.m、SPE
correlmx
- 计算信号的自相关矩阵的matlab程序，主要用于信号的实时分析。
LMS
- 最小均方（LMS）自适应算法就是一中已期望响应和滤波输出信号之间误差的均方值最小为准的，依据输入信号在迭代过程中估计梯度矢量，并更新权系数以达到最优的自适应迭代算法。LMS算法是一种梯度最速下降方法，其显著的特点是它的简单性。这算法不需要计算相应的相关函数，也不需要进行矩阵运算。
NLMS
- 若不希望用与估计输入信号矢量有关的相关矩阵来加快LMS算法的收敛速度，那么可用变步长方法来缩短其自适应收敛过程，其中一个主要的方法是归一化LMS算法（NLMS算法），变步长 的更新公式可写成 W（n+1）=w（n）+ e（n）x（n） =w（n）+ （3.1） 式中， = e（n）x（n）表示滤波权矢量迭代更新的调整量。为了达到快速收敛的目的，必须合适的选择变步长 的值，一个可能策略是尽可能多地减少瞬时平方误差，即用瞬时平方误差作为均方误差的MSE简单估计，这也是LMS算法的基本思想
LMS
- LMS算法实现自适应滤波 clear close all clc N=10000 设置仿真长度 信号产生参数设定 a1=-0.195 a1=-1.5955 a2=0.95 R0=[1,a1,a2 a1,1+a2,0 a2,a1,1] p=[1,0,0] r=inv(R0)*p 计算理论自相关函数 R=[r(1),r(2) r(2),r(1)] 生成理论自相关矩阵 p1=[r(2),r(3)] 生成互相关 h=inv(R)
MUSIC
- 求一个复正弦加白噪声随机过程的信号： xn=exp(j*pi*n-j*pi)+exp(j*w0*n-j*0.7*pi)+v v(n)为零均值白噪声。S/N=10dB。取P=3，构造4阶的自相关矩阵R的基于MUSIC算法的功率谱估计的MATLAB程序-For a complex sinusoid plus white noise of the signal random process: xn = exp (j* pi* nj* pi)+ exp (j* w0* nj* 0.7* pi)+ v
adaptive_filter
- 最小均方自适应滤波器（LMS）是由Widrow和Hoff在1960年始创，它是以横向（即抽头延时线）结构为基础构建的。其最基本的形式设计简单，性能也高度高效。这两个特性使得LMS滤波器在各种应用中非常流行。递归最小二乘自适应滤波器（RLS）由于可提供快收敛速率而且对输入信号相关矩阵特征值扩散度变化不敏感，从而突破了LMS族的某些实际限制；其代价是增加了计算的复杂度。-the LMS algorithm of adaptive filter
MUSIC-algorithm
- matlab实现MUSIC算法,信号样本数1000，估计自相关矩阵为八阶。-matlab to realize music algorithm
MUSIC
- 基于自相关矩阵特征值Vk的多信号分类（Multipe Signal Classification，MUSIC）法-Multipe Signal Classification，MUSIC
64
- 在简单介绍WH-800型离心机基本结构及工作原理的基础上, 介绍了基于重构吸引子轨迹矩阵的奇异值分解技术,并引入自相关函数对现有奇异值分解技术加以改进. 通过对现场实测故障信号的分析,表 明改进的奇异值分解技术具有很好的降噪效果,能在强噪声背景环境下准确提取设备的故障特征信号, 为离心机的故障诊断提供了一种新的思路.-After a brief introduction WH-800 centrifuge basic structure and working principle, base
autocovmtx
- 求信号自相关矩阵的函数，输入为信号，输出为信号的自相关矩阵。-The autocorrelation matrix for the signal function, input signal, the output signal autocorrelation matrix.
dsp
- 随机过程： ，其中 是均值为零、方差为1的白噪声， 、 是相互独立并在 上服从均匀分布的随机相位。采用AIC和MDL准则估计信号源个数，并且画出相应的MUSIC频率估计谱线。 要求：信号样本数为1000，估计的自相关矩阵为8阶。 -Stochastic process: where is zero mean and variance 1 white noise, are independent and uniformly distributed on a random phase. Es
MUSIC
- 负正弦加白噪声随机过程下使用MUSIC方法进行信号频率估计仿真，信号样本数去1000，估计的自相关矩阵为8阶，分别采用AIC和MDL准则估计信号源个数，并画出相应的MUSIC频率估计谱线。-Negative sine plus white noise random process method using MUSIC frequency estimation simulation, signal samples to 1000, the estimated autocorrelation mat
mvdrB
- 除去接受信号中期望信号的mvdr 自适应波束形成算法（自相关矩阵估计）-Remove accepts signals desired signal mvdr adaptive beamforming algorithm (autocorrelation matrix estimation)
AIC
- 1. 随机过程： ，其中 是均值为零、方差为1的白噪声， 、 是相互独立并在 上服从均匀分布的随机相位。采用AIC和MDL准则估计信号源个数，并且画出相应的MUSIC频率估计谱线。 要求：信号样本数为1000，估计的自相关矩阵为8阶。 分析：利用AIC准则和MDL准则算出信号源个数，然后根据算出的信号源个数计算出MUSIC谱。 -AIC criteria and guidelines for the use of MDL calculates the number of signal
K-L
- K-L变换算法 以矢量信号X的协方差矩阵Ф的归一化正交特征矢量q所构成的正交矩阵Q，来对该矢量信号X做正交变换Y=QX，则称此变换为K-L变换（K-LT或KLT），K-LT是Karhunen-Loève Transform的简称，有的文献资料也写作KLT。可见，要实现KLT，首先要从信号求出其协方差矩阵Ф，再由Ф求出正交矩阵Q。Ф的求法与自相关矩阵求法类似。-K- L
tuvqjzre
- 粒子图像分割及匹配均为自行编制的子例程，最终的权值矩阵就是滤波器的系数，isodata 迭代自组织的数据分析，主同步信号PSS在时域上的相关仿真，matlab小波分析程序，包括 MUSIC算法，ESPRIT算法 ROOT-MUSIC算法。- Particle image segmentation and matching subroutines themselves are prepared, The final weight matrix is ??the filter coefficient
RLS
- 基于RLS算法的数据预测与MATLAB实现—— 递归最小二乘（RLS)算法是一种典型的数据处理方法，递归最小二乘（RLS)算法在信号自适应滤波分析中广泛应用，递归最小二乘（RLS)算法收敛速度快，且对自相关矩阵特征值的分散性不敏感，然而其计算量较大。-RLS algorithm based on forecast data and MATLAB realization Recursive Least Squares (RLS) algorithm is a typical method
信号处理第三章
- 用AR 模型的自相关法估计信号的功率谱，用AR 模型的Burg 算法估计信号的功率谱，最大熵功率谱估计，用自相关矩阵分解的MUSIC 算法估计信号的功率谱(The power spectrum of the signal is estimated using the AR model autocorrelation method. The power spectrum of the signal is estimated using the Burg model of the AR model.
pca 轴承故障诊断程序
- 最小均方算法，借助于最速下降算法发展起来的，通过维纳滤波所求维纳解，已知输入信号与期望信号的先验统计信息，以及再对输入信号的自相关矩阵进行求逆运算的情况下才能得以确定，计算复杂程度低，收敛性好(Least mean square algorithm, with the help of the steepest descent algorithm is developed, using wiener filtering for wiener solution of known prior stat