搜索资源列表
selfCorrelationInRandomization
- 产生零均值单位方差高斯白噪声的1000个样点,估计随机过程的自相关序列-units have zero mean Gaussian white noise variance to the 1,000-point, it is estimated that the random process autocorrelation sequence
imageprocessing2
- 1.灰度变换：选择一幅对比度不足的图像，对该图像进行灰度变换,增强对比度，显示增强前、后的图像以及它们的灰度直方图。 2.直方图均衡：选择一幅灰度直方图不均匀的图像，对该图像进行直方图均衡处理，显示处理前、后的图像以及它们的灰度直方图。 3.选择一幅边缘较模糊的图像，利用高通滤波器（选择或自己设计）对该图像进行边缘增强，观察增强的效果。 4.选择一幅图像，叠加零均值高斯噪声，分别利用低通滤波器、维纳滤波器和中值滤波器对该有噪
chaonim
- 仿真函数 （1），函数形式为： 其中， 是零均值单位方差的高斯噪声。输入 服从[0，1] 均匀分布，且相互独立。样本长度为1000组，将其分为三组，自由选择200组作为模型训练数据，自由选择100组作为检验数据，其余的作为长期检验数据。 （2） 其中x1~x4相互独立， ， 为白噪声
kalman
- KALMAN滤波源程序，已知条件是给出状态方程和量测方程，过程噪声和量测噪声都是零均值的高斯白噪声
matlabdesigning1
- 产生一均匀分布的白噪声信产生均匀分布的白噪信号，使均值为0，功率为p号u(n),画出其波形，并检验其分布情况，产生零均值功率0.1且服从高斯分布的白噪声，sinc信号，chirp信号，线性卷积
小波分析--黄变换程序
- 首先，找出 上所有的极值点，然后用三次样条函数曲线循序连接所有的极大值点，得到信号 的上包络线 ，采用同样的方法连接所有的极小值点，得到 的下包络线 。循序连接上、下两条包络线的均值可得到一条均值线 ： （7－1） 再用 减去 得到 ： （7－2） 如果 满足IMF的两个
selfCorrelationInRandomization
- 产生零均值单位方差高斯白噪声的1000个样点,估计随机过程的自相关序列-units have zero mean Gaussian white noise variance to the 1,000-point, it is estimated that the random process autocorrelation sequence
imageprocessing2
- 1.灰度变换：选择一幅对比度不足的图像，对该图像进行灰度变换,增强对比度，显示增强前、后的图像以及它们的灰度直方图。 2.直方图均衡：选择一幅灰度直方图不均匀的图像，对该图像进行直方图均衡处理，显示处理前、后的图像以及它们的灰度直方图。 3.选择一幅边缘较模糊的图像，利用高通滤波器（选择或自己设计）对该图像进行边缘增强，观察增强的效果。 4.选择一幅图像，叠加零均值高斯噪声，分别利用低通滤波器、维纳滤波器和中值滤波器对该有噪
chaonim
- 仿真函数 （1），函数形式为： 其中， 是零均值单位方差的高斯噪声。输入 服从[0，1] 均匀分布，且相互独立。样本长度为1000组，将其分为三组，自由选择200组作为模型训练数据，自由选择100组作为检验数据，其余的作为长期检验数据。 （2） 其中x1~x4相互独立， ， 为白噪声 -Simulation function (1), function of the form: which is th
kalman
- KALMAN滤波源程序，已知条件是给出状态方程和量测方程，过程噪声和量测噪声都是零均值的高斯白噪声-Kalman filtering source, known condition is given equation of state and measurement equations, the process noise and measurement noise are zero mean Gaussian white noise
matlabdesigning1
- 产生一均匀分布的白噪声信产生均匀分布的白噪信号，使均值为0，功率为p号u(n),画出其波形，并检验其分布情况，产生零均值功率0.1且服从高斯分布的白噪声，sinc信号，chirp信号，线性卷积-Generate uniformly distributed one letter of the white noise generated uniformly distributed white noise signal, so that th
zaixianjianmonew
- ANC 在控制滤波器的输出 附加一个与参考信号 不相关的零均值高斯白噪声对次级通道在线建模 -active noise control algorithm with secondary path identification
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
3
- 典型时间序列模型分析 设有ARMA(2,2)模型， X（n）+0.3X(n-1)-0.2X(n-2)=W(n)+0.5W（n-1）-0.2W(n-2) W(n)是零均值正态白噪声，方差为4 （1）用MATLAB模型产生X（n）的500观测点的样本函数，并会出波形； （2）用你产生的500个观测点估计X（n）的均值和方差； （3）画出理论的功率谱 （4）估计X（n）的相关函数和功率谱 -Analysis
zishiyingxindaojunhengqi
- 使用下面的参数设计信道均衡器，其中使用两个独立的随机数发生器，一个用x(n)来表示，用来测试信道；另一个用v(n)来表示，用来模拟接收器中的加性白噪声的影响。序列x(n)是x(n)=±1的伯努利序列，随机变量x(n)具有零均值和单位方差。第二个序列v(n)具有零均值，其方差由信噪比决定。均衡器有11个抽头。-Use the following parameter design of channel equalizer, which us
window
- 分别用非参数化谱估计中的直接法，间接法和加窗法对离散随机过程的已零均值化的N个数据样本估计了离散信号的谱密度。-Were non-parametric spectral estimation of the direct method, indirect method and windowing method, discrete stochastic process has zero mean the data of the N-samp
lms_adaptive
- 实现基于变步长LMS算法的自适应均衡器,滤波器阶数为2，输入信号为零均值，方差为1的高斯白噪声-implement an adaptive equlization basing on the changed_step LMS algorith
gngauss
- 高斯噪声随机变量发生器，这些随机变量有一个零均值，方差D。-Gaussian random variable generator，These random variables have a zero mean and variance D.
Autocorrelation
- 编写MATLAB程序，产生协方差函数为C(τ)=9??^(?10|??| )的零均值平稳高斯过程，产生一条样本函数.测量所产生样本的时间自相关函数，将结果与理论值比较。(Procedures for the preparation of MATLAB produced C covariance function (tau) =9^ (- 10||) zero mean stationary Gauss process to produc
2.9零均值高斯白噪声通过低通带通滤波器前后特性
- 用matlab仿真零均值高斯白噪声通过低通带通滤波器前后特性，程序完善，结果与理论值非常接近(The zero mean white Gauss noise is simulated by MATLAB, and the program is perfect through the low pass bandpass filter. The result is very close to the theoretical value.)