基于MATLAB的卷积演示零碎，可以直接拿去用，动态演示

用matlab实现离散时间傅里叶变换DTFT和离散傅里叶变换DFT。
实验目的：1、深刻理解离散时间信号傅里叶变换（DTFT）的定义，与连续傅里叶变换之间的关系；
2、深刻理解序列频谱的性质（连续的、周期的等）；
3、能用MATLAB编程实现序列的DTFT，并能显示频谱幅频、相频曲线；
4、深刻理解DFT的定义、DFT谱的物理意义、DFT与DTFT之间的关系；
5、能用MATLAB编程实现无限长序列的DFT；
6、熟悉循环卷积的过程，能用MATLAB编程实现循环卷积运算

随机产生10位的0,1序列作为原始信息比特序列，去控制载波产生相位为0和Π的正弦波作为BPSK调制信号。
经过MATLAB软件中AWGN函数仿真高斯加性噪声进行高斯信道建模，并画出高斯信道分布特性以及功率谱特性。
将BPSK调制信号经过高斯信道传输，接收方接受后利用带通滤波器滤除噪声，然后进行BPSK解调出原始信号。
此外，采用卷积码的方式进行差错控制传输，并与未进行信道编码进行码率曲线对比分析.

接上文，本文介绍了CNN-LSTM模型实现单、多变量多时间步预测的家庭用电量预测任务。
文章目录1.CNN-LSTM1.1CNN模型1.2完整代码1.CNN-LSTM1.1CNN模型卷积神经网络（CNN）可用作编码器-解码器结构中的编码器。
CNN不直接支持序列输入；
相反，一维CNN能够读取序列输入并自动学习显着特征。
然后可以由LSTM解码器解释这些内容。
CNN和LSTM的混合模型称为CNN-LSTM模型，在编码器-解码器结构中一起使用。
CNN希望输入的数据具有与LSTM模型相同的3D结构，虽然将多个特征作为不同的通道读取，但效果相同。
为简化示例，重点放在具有单变量输

图像配准。
matlab代码。
利用SIFT算法提取特征点并进行描绘，找到两幅图像中对应的特征点对，利用RANSAC算法剔除不正确的特征点对并计算单应性矩阵（投影变换参数），利用立方卷积插值得到配准之后的图像。
显示结果中包含棋盘格显示。

matlab数字信号处理函数matlab实现数字信号处理的一些经典理论内涵：滤波器的设计，模拟与数字采样定律Z变换与s域映射卷积原因截断效应各种变换如：DFSDFTIDFT具体的如下：%离散信号和系统%conv_m-改进的线性卷积子程序(第22页)%conv_tp-用Toeplitz矩阵计算的线性卷积(第34页)%evenodd-将实信号分解为偶和奇两部分(第15页)%impseq-产生脉冲序列(第6页)%sigadd-信号相加运算(第8页)%sigfold-信号折叠运算(第10页)%sigmult-信号乘法运算(第9页)%sigshift-信号时移运算(第9页)%stepseq-产生阶跃序列(第6页)%离散时间付利叶变换(第z变换)%pfe2rfz-在z域由部分分式展开为有理函数(第四章)%rf2pfez-在z域由有理函数展开为部分分式(第四章)%离散付利叶变换%circevod-实信号分解为循环偶分量和循环奇分量(第132页)%circonvt-时域中的循环卷积(第139页)%cirshftt-时域中的循环移位(第146页)%dfs-计算离散付利叶系数(第109页)%dft-计算离散付利叶变换(第120页)%hsolpsav-采用FFT高速分段卷积的重叠保留法(第157页)%idfs-计算逆离散付利叶级数(第110页)%idft-计算逆离散付利叶变换(第121页)%mod-计算m=nmodN(第119页)%ovrlpsav-分段卷积的重叠保留法(第147页)%数字滤波器结构%cas2dir-级联到直接的方式转换(第173页)%casfiltr-IIR和FIR滤波器的级联实现(第172页)%cplxcomp-比较两个复数对(第176页)%dir2cas-直接到级联的型式转换(第171页)%dir2fs-直接方式到频率采样型的转换(第187页)%dir2ladr-IIR直接方式极__零点到格型/梯形的转换(第199页)%dir2latc-FIR直接方式到全零点格型方式的转换(第193页)%dir2par-直接到并联方式的转换(第175页)%dir2paro-直接到并联方式的转换(用于旧版信号处理工具箱)%ladr2dir-格型/梯形方式到IIR直接方式的转换(第199页)%ladrfilt-格型/梯形方式的IIR滤波器实现(第200页)%latc2dir-全零点格型方式到FIR直接方式的转换(第194页)%latcfilt-FIR滤波器的格型方式的实现(第194页)%par2dir-并联方式到直接方式的转换(第177页)%parfiltr-IIR滤波器的并联方式的实现(第177页)%FIR滤波器设计% ampl_res -由FIR滤波器脉冲响应求其幅频特性(第271页)%blackman-布莱克曼窗函数(第230页)%freqz_m-改进型的freqz子程序(第233页)%Hr_Type1-计算1型FIR低通滤波器(第215页)%Hr_Type2-计算2型FIR低通滤波器(第216页)%H

基于训练卷积神经网络alexnet的人脸识别设计，并采用级联目标检测技术对裁剪人脸进行识别。
使用函数capturefacesfromvideo.m从视频获取训练数据，并存储人脸图像。
使用函数cropface.m从训练数据的图像中裁剪人脸。
经过改变各层的数量来训练卷积神经网络alexnet。
使用训练后的newnet实现人脸识别。

近年来，目睹了卷积神经网络（CNN）在各种计算机视觉和人工智能应用中的广泛普及。
然而，功能的提高是以大量密集的计算复杂性为代价的，这阻碍了它在诸如移动或嵌入式设备之类的资源受限的应用中的使用。
尽管人们越来越关注内部网络结构的加速，但很少考虑视觉输入的冗余性。
在本文中，我们首次尝试直接从视觉输入中减少CNN加速的空间和通道冗余。
所提出的方法称为ESPACE（消除空间和信道冗余），它通过以下三个步骤起作用：首先，通过一组低秩的卷积滤波器降低卷积层的3D通道冗余度。
其次，提出了一种新颖的基于掩模的选择性处理方案，该方案通过跳过视觉输入的不显着空间位置来进一步加快卷积操作。
第三，通过反向传播使用训练数据对加速网络进行微调。
在ImageNet2012上评估了提出的方法，并在两个广泛采用的CNN（即AlexNet和GoogLeNet）上实现了该方法。
与CNN加速的几种最新方法相比，该方案已证明在AlexNet和GoogLeNet上分别以5.48倍和4.12倍的加速比提供了最新的加速功能，而分类精度的下降却最小。

c#实理想数和复数的常用矩阵运算（矩阵乘、数乘、求逆、卷积、产生服从正态分布的随机数）

卷积码软判决硬判决误码率的分析及其法式代码

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。