搜索资源列表
Fnn_pid
- 基于神经网络的PID控制不是用神经网络来整定PID的参数，而是用神经网络直接作为控制器，通过训练神经网络的权系数间接地调整PID参数。-based on neural network PID control is not using neural networks to PID parameters, Rather, as a neural network controller directly, through the trainin
DS_uwbprogram
- 关于simu1: 在simlink运行之前的初始化过程中，完成了信道时延和幅度的估计，多径合成权系数估计 多径合成采用可选EG/MR/MMSE合成 信道可选白噪声信道AWGN和IEEE80.215.3a UWB标准信道模型(CM1-CM4)但为了简化， 这里采用了IEEE80.215.3a给出了信道模型中的仿真数据包(如果你是作超宽带的，信道模型程序和数据可从IEEE80.215.3a网站获取) 和大部分仿真一样，模
laolu___step2lms
- 本源码将横向自适应滤波器和格型自适应滤波器的LMS算法综合在一起,对起权系数跟踪性能可以做较好的比较.
4_1
- 改进的单神经元自适应pid控制，权系数的在线修正不完全是根据神经网络学习原理，而是参考实际经验制定。
RAKE
- ：首先介绍了DS--UWB系统的的发射与接收模型，然后分析了利用滑动相关法对信道进行估讣，并巾此给出 了不同RAKE接收机RAKE合成权系数选取方案。对接收机采用最大比(MRC)、最小均方误差(MM SE)及带均衡 器的(MRC)合并系数选取的误码性能进行了仿真和对比。结果表明了带均衡器的MRC—RAKE只用较少的分支 就可以达到接收性能明显优于MMSE—RAKE的程度。尤其在信噪比比较大时。这种优势更加明显。
UWB
- ：首先介绍了DS--UWB系统的的发射与接收模型，然后分析了利用滑动相关法对信道进行估讣，并巾此给出 了不同RAKE接收机RAKE合成权系数选取方案。对接收机采用最大比(MRC)、最小均方误差(MM SE)及带均衡 器的(MRC)合并系数选取的误码性能进行了仿真和对比。结果表明了带均衡器的MRC—RAKE只用较少的分支 就可以达到接收性能明显优于MMSE—RAKE的程度。尤其在信噪比比较大时。这种优势更加明显。
jiyun
- ：首先介绍了DS--UWB系统的的发射与接收模型，然后分析了利用滑动相关法对信道进行估讣，并巾此给出 了不同RAKE接收机RAKE合成权系数选取方案。对接收机采用最大比(MRC)、最小均方误差(MM SE)及带均衡 器的(MRC)合并系数选取的误码性能进行了仿真和对比。结果表明了带均衡器的MRC—RAKE只用较少的分支 就可以达到接收性能明显优于MMSE—RAKE的程度。尤其在信噪比比较大时。这种优势更加明显。
decode
- ：首先介绍了DS--UWB系统的的发射与接收模型，然后分析了利用滑动相关法对信道进行估讣，并巾此给出 了不同RAKE接收机RAKE合成权系数选取方案。对接收机采用最大比(MRC)、最小均方误差(MM SE)及带均衡 器的(MRC)合并系数选取的误码性能进行了仿真和对比。结果表明了带均衡器的MRC—RAKE只用较少的分支 就可以达到接收性能明显优于MMSE—RAKE的程度。尤其在信噪比比较大时。这种优势更加明显。
fsm8051
- ：首先介绍了DS--UWB系统的的发射与接收模型，然后分析了利用滑动相关法对信道进行估讣，并巾此给出 了不同RAKE接收机RAKE合成权系数选取方案。对接收机采用最大比(MRC)、最小均方误差(MM SE)及带均衡 器的(MRC)合并系数选取的误码性能进行了仿真和对比。结果表明了带均衡器的MRC—RAKE只用较少的分支 就可以达到接收性能明显优于MMSE—RAKE的程度。尤其在信噪比比较大时。这种优势更加明显。
oc8051_defines
- ：首先介绍了DS--UWB系统的的发射与接收模型，然后分析了利用滑动相关法对信道进行估讣，并巾此给出 了不同RAKE接收机RAKE合成权系数选取方案。对接收机采用最大比(MRC)、最小均方误差(MM SE)及带均衡 器的(MRC)合并系数选取的误码性能进行了仿真和对比。结果表明了带均衡器的MRC—RAKE只用较少的分支 就可以达到接收性能明显优于MMSE—RAKE的程度。尤其在信噪比比较大时。这种优势更加明显。
pc
- ：首先介绍了DS--UWB系统的的发射与接收模型，然后分析了利用滑动相关法对信道进行估讣，并巾此给出 了不同RAKE接收机RAKE合成权系数选取方案。对接收机采用最大比(MRC)、最小均方误差(MM SE)及带均衡 器的(MRC)合并系数选取的误码性能进行了仿真和对比。结果表明了带均衡器的MRC—RAKE只用较少的分支 就可以达到接收性能明显优于MMSE—RAKE的程度。尤其在信噪比比较大时。这种优势更加明显。
AHP_code
- AHP层次分析法计算判断矩阵的最大特征值、权系数向量及权重总排序，简便实用。
Matlab_LMS3
- 自适应线性预测编码问题，利用白噪声序列生成信号序列，进而进行LMS迭代，计算滤波器权系数的轨迹曲线和衰减曲线
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。
Fnn_pid
- 基于神经网络的PID控制不是用神经网络来整定PID的参数，而是用神经网络直接作为控制器，通过训练神经网络的权系数间接地调整PID参数。-based on neural network PID control is not using neural networks to PID parameters, Rather, as a neural network controller directly, through the trainin
DS_uwbprogram
- 关于simu1: 在simlink运行之前的初始化过程中，完成了信道时延和幅度的估计，多径合成权系数估计 多径合成采用可选EG/MR/MMSE合成 信道可选白噪声信道AWGN和IEEE80.215.3a UWB标准信道模型(CM1-CM4)但为了简化， 这里采用了IEEE80.215.3a给出了信道模型中的仿真数据包(如果你是作超宽带的，信道模型程序和数据可从IEEE80.215.3a网站获取) 和大部分仿真一样，模
laolu___step2lms
- 本源码将横向自适应滤波器和格型自适应滤波器的LMS算法综合在一起,对起权系数跟踪性能可以做较好的比较.-源 虢?应 瞬 透 应 瞬 LMS惴ㄛ?一, 权 蔚 芸 虾 玫谋 冉.
4_1
- 改进的单神经元自适应pid控制，权系数的在线修正不完全是根据神经网络学习原理，而是参考实际经验制定。-Improved single neuron adaptive pid control, the right to rectify the non-line factor is based entirely on the principle of neural network learning, but the light of ope
bp
- 利用BP算法实现加权系数的优化，实现误差最小-BP algorithm using the weighted coefficient is optimized to achieve the smallest error
53607934MATLAB_LMS1
- LMs算法，用于线性最优滤波器设计，权系数的递归算法-LMs algorithm for linear optimal filter design, the weight coefficient of the recursive algorithm