EWT（empiricalwavelettransform）是由Gilles在2013年将小波变换的科学性与EMD的自适应优势结合起来而提出的一种用于信号自适应的分析方法，该方法不仅可以对信号进行傅里叶频谱分析，同时通过特定方法确定信号的边界值，而且可以根据小波变换的理论基础。
类似的定义经验小波变换的公式，自适应的组建满足信号的正交及紧支撑要求的小波基，通过Hilbert变换，就能获取所有分信号的频谱特征，且比EMD分解的过程，更快更精确。
类似的定义经验小波变换的公式，自适应的组建满足信号的正交及紧支撑要求的小波基，通过Hilbert变换，就能获取所有分信号的频谱特征，且比EMD分解的过程，更快更精确。
2024/1/26 19:14:13
2.45MB
1
使用Matlab7.3开发的使用整数小波变换对图像进行3级分解和重构的程序，具有详细的实验报告，和演示结果截图，目录下包含程序中用到的图像等所有文件。
2024/1/25 15:56:44
4.17MB
1
NSCT方法是由传统的contourlet变化改进而来，contourlet变化是用轮廓段的基结构来对图像的直线奇异和曲线奇异进行逼近检测，但其融合后的图像不具有平移不变性，没有很好的消除混频现象以及吉布斯现象。
而本文提出的NSCT不但保留了contourlet变化的多尺度，多方向，各向异性等优点，在图像分解时采用来非下采样形式剪切波变换能够很好的避免图像由于分解与重构带来的细节丢失，更重要的是分解后的图像与原图像大小相同，因此能够更好的完整描述图像的方向性和特征。
而本文提出的NSCT不但保留了contourlet变化的多尺度，多方向，各向异性等优点，在图像分解时采用来非下采样形式剪切波变换能够很好的避免图像由于分解与重构带来的细节丢失，更重要的是分解后的图像与原图像大小相同，因此能够更好的完整描述图像的方向性和特征。
2024/1/22 22:43:34
95KB
1
对分布式网络数据包优先级传输模型进行优化，可以提高分布式网络中资源调度和信息传输性能。
传统方法采用时频耦合尺度分解算法，在大量的冗余数据干扰下，降低了数据的优先级识别精度和传输性能。
建立一种基于自适应加权量化特征分解和冗余数据滤除的分布式网络数据包优先级传输模型。
首先构建分布式网络数据包优先级传输的信道结构模型，采用级联滤波算法对数据包中冗余数据进行滤波预处理，对数据库中的信息传输流进行自适应加权量化特征分解后，通过特征提取实现优先级的自适应识别，实现传输模型改进。
仿真实验结果表明，采用改进模型进行分布式网络数据包优先级传输，数据传输的吞吐性能较好，执行时间较短，展示了较好的应用性能。
传统方法采用时频耦合尺度分解算法，在大量的冗余数据干扰下，降低了数据的优先级识别精度和传输性能。
建立一种基于自适应加权量化特征分解和冗余数据滤除的分布式网络数据包优先级传输模型。
首先构建分布式网络数据包优先级传输的信道结构模型，采用级联滤波算法对数据包中冗余数据进行滤波预处理，对数据库中的信息传输流进行自适应加权量化特征分解后，通过特征提取实现优先级的自适应识别，实现传输模型改进。
仿真实验结果表明，采用改进模型进行分布式网络数据包优先级传输，数据传输的吞吐性能较好，执行时间较短，展示了较好的应用性能。
2024/1/17 9:41:06
1.07MB
1
利用小波变换，在HSV域图像的V或S通道的二次小波分解的LH子带加数字水印并进行还原和攻击，给出了几种常见攻击方式的水印效果图
2024/1/10 20:19:36
892KB
1
高等电力网络节点导纳矩阵LDU分解MATLAB实现代码，该代码简洁清晰，可以适用于任何形式的节点导纳矩阵和节点阻抗矩阵的LDU分解，为下一步的前代回代求解做好数学准备。
2023/12/29 7:31:29
565B
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