| 共 10 篇文章 |
|
Matlab中窗函数的简单使用一、摘要。这里主要是对窗函数的简单应用做些介绍，是在已知滤波器阶数的情况下，设计滤波器。三、基于窗函数的 FIR 滤波器设计。利用 MATLAB 提供的函数 fir1来实现。调用格式：fir1(n,Wn,’ftype’,Window)，n 为阶数、Wn 是截止频率（如果输入是形如[W1 W2]的矢量时，本函数将设计带通/带阻滤波器。 阅1383 转0 评0 公众公开 15-01-29 16:07 |
紧支集正交小波(DbN)、近似对称的紧支集双正交小波(SymN)、Coifmant小波(CoifN)、双正交样条小波(BiorN)、快速傅里叶变换(FFT)5、快速傅里叶变换基、FFT基、快速傅里叶变换(FFT)、Fourier变换、Fourier系数、傅里叶基、局部傅里叶基。这里的变换矩阵WN的列向量不是单位向量，因此变换矩阵WN不是正交矩阵（正交阵是自身与自身的转置相乘等于单位... 阅2232 转9 评0 公众公开 15-01-28 11:12 |
总的来说，就是我们希望用一个简单有效的方法，能达到这样一个效果：在你乘车的时候，当你的手机随便放在身上哪里，或者是座位上哪里，我们都能把手机感知到的汽车移动信息，和手机载体（比如包，口袋，或者车座位）移动导致的移动信息分开。这是小波变换一个非常合适的应用，因为由汽车突然移动或者人突然移动导致的速度变化，加速度变化等，... 阅1150 转10 评0 公众公开 15-01-15 22:25 |
到现在，已经讲了关于scaling function的基本理论知识，知道了信号空间可以分为不同精细度的子空间，这些子空间的basis集合就是scaling function或者频率变换之后的scaling function，如下图所示：这样，我们终于可以解释了wavelet function和scaling function背后的物理意义了：wavelet function等同于对信号做高通滤波保留变化细节，而scalin... 阅3122 转39 评0 公众公开 15-01-15 22:24 |
(1)小波变换 完美通俗解读。事实上，对于傅立叶变换以及大部分的信号变换系统，他们的函数基都是固定的，那么变换后的结果只能按部就班被分析推导出来，没有任何灵活性，比如你如果决定使用傅立叶变换了，那basisfunction就是正弦波，你不管怎么scale，它都是正弦波，即使你举出余弦波，它还是移相后的正弦波。总结来说，傅立叶变换适合周期性... 阅721 转20 评0 公众公开 15-01-15 22:04 |
具有非线性相位的等波纹FIR滤波器设计。基于窗函数的FIR滤波器——标准响应。基于窗函数的FIR滤波器——任意响应。构建最小平方滤波器，用于多通道滤波器组。构建最小平方滤波器，用于线性相位FIR低通或高通滤波器。FIR高斯滤波器滤波器设计。插值FIR滤波器设计。计算Parks-McClellan用以优化FIR滤波器设计。Parks-McClellan优化FIR滤波器阶次... 阅1001 转2 评0 公众公开 15-01-04 18:58 |
RR=toeplitz(rxy)/n;%RR is a (2*n-1)*(2*n-1) matrixRxy=RR(1:m,n:n+m);Rxy=rx''*ry;还有Rxy=Ryx''，也就是说要求Ryx，只需要计算Rxy即可。另外，自相关阵Rxx是一个主对角线绝对占优阵，也就是说，主对角线的值远大于其它对角线这样svd(Rxx)得到的奇异值和eig(Rxx)得到的特征值几乎相同，这也是为什么有的用svd方法求主分量，... 阅1124 转4 评0 公众公开 15-01-04 15:51 |
中国通信网－通信资信号是信息的载体，实际的信号总是实的，但在实际应用中采用复信号却可以带来很大好处，由于实信号具有共轭对称的频谱，从信息的角度来看，其负频谱部分是冗余的，将实信号的负频谱部分去掉，只保留正频谱部分的信号，其频谱不存在共轭对称性，所对应的时域信号应为复信号。复信号也一样，必须用实部和虚部两路信号来表示它... 阅4119 转18 评0 公众公开 14-12-21 11:09 |
数据挖掘---lasso模型 使用数理统计模型从海量数据中有效挖掘信息越来越受到业界关注。通过最终确定一些指标的系数为零，LASSO算法实现了指标集合精简的目的。R统计软件的Lars算法的软件包提供了Lasso算法。根据模型改进的需要，数据挖掘工作者可以借助于Lasso算法，利用AIC准则和BIC准则精炼简化统计模型的变量集合，达到降维的目的。因... 阅641 转5 评0 公众公开 14-12-02 14:54 |
Matlab代码示例：clear;Fs=1000; %采样频率n=0:1/Fs:1;%产生含有噪声的序列xn=cos(2*pi*40*n)+3*cos(2*pi*100*n)+randn(size(n));nfft=1024;cxn=xcorr(xn,''unbiased''); %计算序列的自相关函数CXk=fft(cxn,nfft);Pxx=abs(CXk);index=0:round(nfft/2-1);k=index*Fs/nfft;plot_Pxx=10*log10(Pxx(index+1));plot(k,plot_Pxx);fig... 阅41 转1 评0 公众公开 14-11-18 14:26 |
