转动轴承的缺陷检测、分类源代码，且怪异有word版大报告。
图文并茂详尽做的内容是：针对于转动轴承这种非平稳振动信号付与的小波包剖析的方式来检测缺陷的存在，使用神经收集来实现缺陷的分类，还松散D-S实际领悟了多个传感器的诊断下场，普及了缺陷诊断的准确性并经由试验仿真证实。
图文并茂详尽做的内容是：针对于转动轴承这种非平稳振动信号付与的小波包剖析的方式来检测缺陷的存在，使用神经收集来实现缺陷的分类，还松散D-S实际领悟了多个传感器的诊断下场，普及了缺陷诊断的准确性并经由试验仿真证实。
2023/5/12 14:26:27
776KB
1
外形空间模子来源于平稳功夫序列阐发。
当用于非平稳功夫序列阐发时需要将非平稳功夫序列剖析为随机游走成份(趋向)以及弱平稳成份两个部份分别建模。
本文件为外形空间模子货物箱的MATLAB源码
当用于非平稳功夫序列阐发时需要将非平稳功夫序列剖析为随机游走成份(趋向)以及弱平稳成份两个部份分别建模。
本文件为外形空间模子货物箱的MATLAB源码
2023/5/2 10:55:56
401KB
1
采用小波阈值法对齿轮箱毛病信号进行去噪预处理,将经验模式分解(EMD)和快速傅立叶变换(FFT)相结合对齿轮箱毛病信号进行特征提取,这种方法适用于非线性非平稳信号的自适应状态分析。
利用EMD方法将去噪后的信号就行经验模态分解,得到一定数量的固有模态函数(IMF)分量,选取具有特定意义的IMF进行FFT,就可以得到相应的功率谱,从而提取齿轮箱毛病特征频率。
利用EMD方法将去噪后的信号就行经验模态分解,得到一定数量的固有模态函数(IMF)分量,选取具有特定意义的IMF进行FFT,就可以得到相应的功率谱,从而提取齿轮箱毛病特征频率。
2023/3/12 6:18:46
250KB
1
本书较为系统地介绍了数字信号处理的理论、相应的算法及这些算法的软件与硬件实现。
全书共14章,内容包括离散时间信号与离散时间系统的基本概念、Z变换及离散时间系统分析、离散时间信号的傅里叶变换及DFT、其它常用的信号变换(DCT、DST、DWT及Hilbert变换)、傅里叶变换的快速算法、离散时间系统的相位、结构与状态变量描述、数字滤波器设计(IIR、FIR及特殊方式的滤波器)、平稳随机信号的基本概念、经典功率谱估计、参数模型功率谱估计、非平稳信号的时-频分布及数字信号处理的硬件实现等内容。
本书阐述了基础理论与概念,同时尽量反映数字信号处理在近20年来的新进展;在叙述方法上,努力做到说理详细、论证清楚及便于自学。
本书绝大部分章节都配有例题、习题及上机练习题,所附的40个子程序不但有利于读者学习书中的内容,而且也有利于将所学的内容用于实际。
本书可作为理工科研究生及大学本科高年级学生的教材及参考书,也可作为工程技术人员的自学参考书。
图
全书共14章,内容包括离散时间信号与离散时间系统的基本概念、Z变换及离散时间系统分析、离散时间信号的傅里叶变换及DFT、其它常用的信号变换(DCT、DST、DWT及Hilbert变换)、傅里叶变换的快速算法、离散时间系统的相位、结构与状态变量描述、数字滤波器设计(IIR、FIR及特殊方式的滤波器)、平稳随机信号的基本概念、经典功率谱估计、参数模型功率谱估计、非平稳信号的时-频分布及数字信号处理的硬件实现等内容。
本书阐述了基础理论与概念,同时尽量反映数字信号处理在近20年来的新进展;在叙述方法上,努力做到说理详细、论证清楚及便于自学。
本书绝大部分章节都配有例题、习题及上机练习题,所附的40个子程序不但有利于读者学习书中的内容,而且也有利于将所学的内容用于实际。
本书可作为理工科研究生及大学本科高年级学生的教材及参考书,也可作为工程技术人员的自学参考书。
图
2020/8/10 15:06:07
3.19MB
1
Chirp信号的简介Chirp信号是一个典型的非平稳信号，在通信、声纳、雷达等领域具有广泛的使用。
这是一个matlab对chirp信号的仿真实验
这是一个matlab对chirp信号的仿真实验
2019/2/13 19:13:34
354B
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
2019/7/26 21:18:43
206KB
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平
2019/7/26 21:18:43
206KB
1
时频分析时频分析（JTFA）即时频联合域分析（JointTime-FrequencyAnalysis）的简称，作为分析时变非平稳信号的有力工具，成为现代信号处理研究的一个热点，它作为一种新兴的信号处理方法，近年来遭到越来越多的重视。
时频分析方法提供了时间域与频率域的联合分布信息，清楚地描述了信号频率随时间变化的关系。
时频分析方法提供了时间域与频率域的联合分布信息，清楚地描述了信号频率随时间变化的关系。
2018/9/5 13:54:48
5.03MB
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