本书译自国际著名信号处理大师、IEEE信号处理协会技术成就奖获得者PetreStoica教授2005年编写的教材《SpectralAnalysisofSignals》。
该书介绍了经典谱分析和现代谱分析的基本理论和方法，主要内容包括谱估计的基本概念（自相关，能量谱和功率谱），非参数化谱分析（周期图和相关图，加窗技术），有理谱分析（自回归，滑动平均以及自回归滑动平均方法），线谱分析（最小二乘估计，Yule-Walker和子空间方法），滤波器组方法（改进的滤波器组方法，Capon方法，APES方法），阵列信号处理（波束形成，Capon方法，参数化波达方向估计），有关矩阵分析、Cramer-Rao理论和模型阶数选取的主要结论。
书中每章包含了大量反映谱分析最新研究成果和当前研究热点的补充内容，提供了大量有助于读者深入了解各种谱分析方法功能与实现、反映当前研究热点的分析习题和上机习题。
该书内容丰富新颖、论述严谨，是一本信号谱分析领域的高水平教材。
该书介绍了经典谱分析和现代谱分析的基本理论和方法，主要内容包括谱估计的基本概念（自相关，能量谱和功率谱），非参数化谱分析（周期图和相关图，加窗技术），有理谱分析（自回归，滑动平均以及自回归滑动平均方法），线谱分析（最小二乘估计，Yule-Walker和子空间方法），滤波器组方法（改进的滤波器组方法，Capon方法，APES方法），阵列信号处理（波束形成，Capon方法，参数化波达方向估计），有关矩阵分析、Cramer-Rao理论和模型阶数选取的主要结论。
书中每章包含了大量反映谱分析最新研究成果和当前研究热点的补充内容，提供了大量有助于读者深入了解各种谱分析方法功能与实现、反映当前研究热点的分析习题和上机习题。
该书内容丰富新颖、论述严谨，是一本信号谱分析领域的高水平教材。
2020/2/5 6:04:32
15.45MB
1
本来代码是关于LPP算法的matlab编程，流形算法的次要思想是能够学习高维空间中样本的局部邻域结构，并寻找一种子空间能够保留这种流行结构，使得样本在投影到低维空间后，得到比较好的局部近邻关系。
2020/5/16 14:32:37
9KB
1
由于多径效应，常规子空间分解类DOA估计算法失效，基于双向平滑的解相干算法可以无效恢复协方差矩阵的秩，进行相干信号源的DOA估计。
2016/5/12 17:08:10
3KB
1
针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点，在综合各种数据降维方法的基础上，提出一种基于最佳波段组合的高光谱遥感影像分类方法。
以美国印第安纳州地区的AVIＲIS数据为例，分析各波段信息量和相邻波段的相关性，利用子空间划分、分段波段指数选择法，进行特征波段的选择;并针对难区分地物类别，应用J－M距离模型对其可分性进行判别，获得最佳波段组合。
最初采用支持向量机分类器进行分类。
实验结果表明，采用最佳波段组合方法，可以有效地提高高光谱的分类精度。
以美国印第安纳州地区的AVIＲIS数据为例，分析各波段信息量和相邻波段的相关性，利用子空间划分、分段波段指数选择法，进行特征波段的选择;并针对难区分地物类别，应用J－M距离模型对其可分性进行判别，获得最佳波段组合。
最初采用支持向量机分类器进行分类。
实验结果表明，采用最佳波段组合方法，可以有效地提高高光谱的分类精度。
2019/5/1 5:13:11
253KB
1
L型声矢量传感器阵列角度平滑根MUSIC算法功能分析，徐友根，刘志文，基于子空间分解的波达方向(DOA)估计算法，如多重信号分类法(MUSIC)、根MUSIC、旋转不变参数估计技术(ESPRIT)等，往往无法适用于入射信号��
2018/4/2 16:43:08
393KB
1
顶点成分分析算法是一种非监督的端元提取算法。
顶点成分分析法假设纯净像元存在，根据凸面几何原理，认为端元都位于单形体的顶点。
VCA算法通过将数据投影到一个正交的子空间方向计算投影距离值最大的像元，它就是要寻找的端元。
要不断进行迭代计算，直到所有的端元都被找到。
VCA的计算步骤为:①对图像数据进行降维处理，设定一个信噪比门限值SNRth，根据图像的信噪比与门限值对比大小分别采用主成分分析法(PCA)或者奇异值分解法(SVD)对图像数据进行降维;②利用随机生成的正态分布矩阵计算初始向量，将所有的像元点向初始向量方向投影，找到投影值最大的作为端元;③继续计算新的投影向量方向并进行迭代计算直到找出所有的端元，本资源实现了VCA算法来非监督提取端元,希望对研讨端元提取的朋友有用
顶点成分分析法假设纯净像元存在，根据凸面几何原理，认为端元都位于单形体的顶点。
VCA算法通过将数据投影到一个正交的子空间方向计算投影距离值最大的像元，它就是要寻找的端元。
要不断进行迭代计算，直到所有的端元都被找到。
VCA的计算步骤为:①对图像数据进行降维处理，设定一个信噪比门限值SNRth，根据图像的信噪比与门限值对比大小分别采用主成分分析法(PCA)或者奇异值分解法(SVD)对图像数据进行降维;②利用随机生成的正态分布矩阵计算初始向量，将所有的像元点向初始向量方向投影，找到投影值最大的作为端元;③继续计算新的投影向量方向并进行迭代计算直到找出所有的端元，本资源实现了VCA算法来非监督提取端元,希望对研讨端元提取的朋友有用
2022/9/4 20:45:10
9.29MB
1
特征脸方法是从主成分分析(PCA)导出的一种人脸识别和描述技术。
它将包含人脸的图像区域看作一随机向量，采用K-L变换得到正交K-L基，对应其中较大特征值的基具有与人脸相似的形状，因而又被称为特征脸。
利用这些基的线性组合可以描述、表达和逼近人脸图像，所以可进行人脸识别与合成。
识别过程就是将人脸图像映射到由特征脸组成的子空间上，并比较其在特征脸空间中的位置，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是选择各种距离函数来进行度量分类实现人脸识别。
它将包含人脸的图像区域看作一随机向量，采用K-L变换得到正交K-L基，对应其中较大特征值的基具有与人脸相似的形状，因而又被称为特征脸。
利用这些基的线性组合可以描述、表达和逼近人脸图像，所以可进行人脸识别与合成。
识别过程就是将人脸图像映射到由特征脸组成的子空间上，并比较其在特征脸空间中的位置，然后利用对图像的这种投影间的某种度量来确定图像间的相似度，最常见的就是选择各种距离函数来进行度量分类实现人脸识别。
2015/9/9 18:58:16
2.55MB
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