程序基于“Fastandreliablestructure-orientedvideonoiseestimation”并做了改进，分为针对CFA图像、灰度图像、RGB三个版本，各子通道方差综合方法可以修正，程序留出了第三个可选参数用于扩展。
程序实现上可进一步优化以提高处理速度（比如记录K个最小值中的最大值位置等），感兴味的朋友可以自己动手改动。
程序实现上可进一步优化以提高处理速度（比如记录K个最小值中的最大值位置等），感兴味的朋友可以自己动手改动。
2017/2/18 3:04:36
3KB
1
信号检测与处理的一个十分重要的内容就是从噪声中提取信号，本文针对chirp信号加入不同强度的噪声的问题，采用了频域非因果的方法实现了维纳滤波。
当伴有信噪比为20的高斯白噪声的chirp信号通过维纳滤波器，它可以对信号作出了精确的估计。
最初，在MATLAB平台仿真结果显示：本文设计的滤波器达到了重现chirp信号的要求。
当伴有信噪比为20的高斯白噪声的chirp信号通过维纳滤波器，它可以对信号作出了精确的估计。
最初，在MATLAB平台仿真结果显示：本文设计的滤波器达到了重现chirp信号的要求。
2015/4/10 15:03:04
285KB
1
基本部分：1）生成单音干扰、多音干扰、宽带噪声干扰、部分频带噪声干扰、宽带梳状谱干扰、线性调频干扰等6种通信干扰信号；
2）选择合适的特征参数，采用决策树法实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
扩展部分：选择合适的特征参数，采用NN或者SVM机器学习实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
实验次要完成了三部分工作。
1.通信干扰信号的生成。
对6种干扰信号进行了仿真。
2.特征参数的提取和讨论。
对时域和频域的参数进行了提取，分析了不同JNR下的参数变化趋势，以及不同干扰信号之间的差异。
3.基于特征参数的分类。
选择合适的特征参数，分别使用决策树法、支持向量机法以及神经网络法对干扰信号进行了分类。
2）选择合适的特征参数，采用决策树法实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
扩展部分：选择合适的特征参数，采用NN或者SVM机器学习实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
实验次要完成了三部分工作。
1.通信干扰信号的生成。
对6种干扰信号进行了仿真。
2.特征参数的提取和讨论。
对时域和频域的参数进行了提取，分析了不同JNR下的参数变化趋势，以及不同干扰信号之间的差异。
3.基于特征参数的分类。
选择合适的特征参数，分别使用决策树法、支持向量机法以及神经网络法对干扰信号进行了分类。
2018/6/7 15:27:17
514KB
1
1、首先，Matlab产生16QAM映射方式的OFDM符号，然后在产生ACO-OFDM信号。
2、在每个ACO-OFDM符号前添加循环前缀，然后编写ACO-OFDM信号发送接收程序。
3、信道运用高斯白噪声（AWGN）信道。
4、Matlab绘出时域ACO-OFDM信号，均衡后的接收信号的星座图。
2、在每个ACO-OFDM符号前添加循环前缀，然后编写ACO-OFDM信号发送接收程序。
3、信道运用高斯白噪声（AWGN）信道。
4、Matlab绘出时域ACO-OFDM信号，均衡后的接收信号的星座图。
2019/6/9 17:31:20
2KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB