Matlab功率谱估计的详尽分析——绝对原创功率谱估计是信息学科中的研究热点,在过去的30多年里取得了飞速的发展。
现代谱估计主要是针对经典谱估计(周期图和自相关法)的分辨率低和方差性能不好的问题而提出的。
其内容极其丰富,涉及的学科和领域也相当广泛,按是否有参数大致可分为参数模型估计和非参数模型估计,前者有AR模型、MA模型、ARMA模型、PRONY指数模型等;后者有最小方差方法、多分量的MUSIC方法等。
ARMA谱估计叫做自回归移动平均谱估计,它是一种模型化方法。
由于具有广泛的代表性和实用性,ARMA谱估计在近十几年是现代谱估计中最活跃和最重要的研究方向之一。
二：AR参数估计及其SVD—TLS算法。
谱分析方法要求ARMA模型的阶数和参数以及噪声的方差已知.然而这类要求在实际中是不可能提供的,即除了一组样本值x(1),x(2),…,x(T)以供利用(有时会有一定的先验知识)外,再没有其它可用的数据.因此必须估计有关的阶数和参数,以便获得谱密度的估计.在ARMA定阶和参数之估计中,近年来提出了一些新算法，如本文介绍的SVD—TLS算法便是其中之一。
三：实验结果分析和展望1，样本数多少对估计误差的影响。
（A=[1,0.8,-0.68,-0.46]）图1上部分为N=1000；
下部分为取相同数据的前N=50个数据产生的结果。
图1N数不同：子图一N=1000,子图二N=200，子图三N=50由图可知，样本数在的多少，在对功率谱估计的效果上有巨大的作用，特别在功率谱密度函数变化剧烈的地方，必须有足够多的数据才能完整的还原原始功率谱密度函数。
2，阶数大小对估计误差的影响。
A=[1,-0.9,0.76]A=[1,-0.9,0.76,-0.776]图二阶数为二阶和三阶功率密度函数图A=[1,-0.9,0.86,-0.96,0.7]A=[1,-0.9,0.86,-0.96,0.7,-0.74]图三阶数为三阶和四阶功率密度函数图如图所示，阶数相差不是很大时，并不能对结果产生较大的影响。
但是阶数太低，如图二中二阶反而不能很好的估计出原始值。
3，样本点分布对估计误差对于相同的A=[1,-0.9,0.86,-0.96,0.7]；
样本的不同，在估计时的误差是不可避免的。
因此，我们在取得样本时，应该尽可能的减少不必要的误差。
图四：不同的样本得到不同的估计值4，奇异值的阈值判定范围不同对结果的影响。
上图是取奇异值的阈值大于等于0.02，而下图是取阈值大于等于0.06，显然在同种数据下，阈值的选取和最终结果有密切关系。
由于系数矩阵和其真实值的逼近的精确度取决于被置零的那些奇异值的平方和。
所以选取太小，导致阶数增大，选取太大会淘汰掉真实的系数。
根据经验值，一般取0.05左右为最佳。

新手的STM32最小系统

研制了一套人眼安全的全光纤相干多普勒激光测风雷达系统。
系统采用1550nm全光纤单频保偏激光器作为激光发射光源，激光器单脉冲能量0.2mJ，重复频率10kHz，脉冲半高全宽400ns，线宽小于1MHz。
激光雷达接收望远镜和扫描器口径100mm，采用速度方位显示(VAD)扫描模式对不同方位的视线风速进行测量，使用平衡探测器接收回波相干信号，通过1G/s的模拟数字(AD)采集卡对相干探测信号进行采集，在现场可编程门阵列(FPGA)数字信号处理器中进行1024点快速傅里叶变换(FFT)得到不同距离门回波信号功率谱信息。
对于获得的各方位视线风速，研究采用非线性最小二乘法对激光雷达测量的风速剖面矢量进行反演。
激光雷达与风廓线雷达测量的风速进行了对比，两者测量的水平风速，风向和竖直风速相关系数分别为0.988，0.941和0.966。

本人翻遍了CSDN都找不到一个正确的TOA定位算法程序，唯一找到的一个是用最小二乘解的（参考文献N.Patwari,J.N.Ash,S.Kyperountas,A.O.Hero,R.L.Moses,andN.S.Correal,"Locatingthenodes:cooperativelocalizationinwirelesssensornetworks,"IEEESignalProcessingMagazine,vol.22,no.4,pp.54-69,2005.），性能无法达到克拉美罗界。
因此本人自己重新写了一个程序，参考该领域著名学者K.C.Ho的文章（参考文献Z.MaandK.C.Ho,"TOAlocalizationinthepresenceofrandomsensorpositionerrors,"in2011IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP),2011,pp.2468-2471.）。
该算法适用于传感器位置有误差/无误差的情况，算法性能能够达到克拉美罗界。
示例程序中给出了CRLB的程序，场景为传感器有误差的情况。
程序运行结果与参考文献一致。
（搞不懂现在的人都是要什么50积分，多分享下不好吗？）******特别提示******：本代码多处使用了Matlab2016a以后支持的新语法，旧版本无法正常运行的，请自行修改代码或更新Matlab版本！！！

TMS320F28335DSP最小系统ad设计原理图+PCB布局+封装文件,ad设计的工程文件，包括原理图及PCB印制板图，可以用AltiumDesigner(AD)软件打开或修改，可作为你产品设计的参考。

关于构建最小生成树的实验报告，里面是C代码，有详细的过程描述，PRIM算法

最近自己做基于LabView的振动信号采集，修改的最小的采集程序，里面是一些参数的基本配置。
虽然简单，但是对于刚入门采集信号很有用处。

该项目是通过。
可用脚本在项目目录中，可以运行：npmstart在开发模式下运行应用程序。
打开在浏览器中查看它。
如果进行编辑，页面将重新加载。
您还将在控制台中看到任何棉绒错误。
npmtest在交互式监视模式下启动测试运行程序。
有关更多信息，请参见关于的部分。
npmrunbuild构建生产到应用程序build文件夹。
它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。
最小化构建，文件名包含哈希。
您的应用已准备好进行部署！有关更多信息，请参见有关的部分。
npmruneject注意：这是单向操作。
eject，您将无法返回！如果您对构建工具和配置选择不满意，则可以随时eject。
此命令将从项目中删除单个构建依赖项。
而是将所有配置文件和传递依赖项（Webpack，Babel，ESLint等）直接复制到您的项目中，

为方差0.1的百噪声信号，设计最小方差自校正调节器并仿真运行系统；

matlab禁忌搜索算法求解tsp问题用matlab模拟禁忌搜索算法，TSP问题为假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。
路径的选择目标是要求得的路径路程为所有路径之中的最小值。

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。