nwsuaf_huasir-CSDN博客

原创 AD9854+STM32正弦波信号发生器

https://pan.baidu.com/s/1oBLHT23-HahRMiAKpZWaZQAD9854使用20M晶振，MCU为STM32F103ZET6，该程序可以在百度网盘免费下载。

2018-06-12 23:16:11 9385 9

原创 matlabR2013B许可证到期激活问题

我安装的Matlab R2013b在使用了不到两个月之后，一直提示要激活。本来想重新安装一个，后来找到了解决办法。在Matlab根目录的license文件夹里，下载以下链接的license.lic文件，替换原来的license.lic文件，重启Matlab即可。R2013a亲测有效。链接: https://pan.baidu.com/s/1mixMy84 密码: 3g59

2018-01-04 17:59:42 2597 1

原创顺序存储结构的队列（C语言）

队列是一种特殊的线性表，它的特殊性体现在，它只能够从一段进，从另一端出，遵循先入先出的原则。这种独特的规则，可以运用在程序设计中的很多地方，非常的巧妙。下面，我用C语言来实现了循环队列。/*******************************************************************///描述：队列的顺序存储结构，该队列为循环队列，队列的创建，插入，

2018-01-03 17:29:43 543

三条曲线应该是用plot函数绘制的，而target哪个绿色的圆圈，我的理解是用stem函数绘制的。它只是1个点，并且没有竖线，stem绘制的默认的是茎叶图，既有线又有标记，像图中这个它就是只有标记。如果自己随便画一个图，那么直接使用语法2，其参数都采用默认参数，如果要自己控制参数，可以采用语法4。值得注意的是，使用plot函数的时候，这些参数的设置方法是和stem函数一样的。它可以分别控制线条、标记的各自的参数，具体可以查阅matlab官方的资料。它设定的线型是点划线，标记是圆圈，颜色是红色。

2024-01-25 16:42:44 966

原创 matlab窗函数-hann窗和hamming窗函数

汉明窗（hamming）和海宁窗（hann）类似，汉明窗的时域波形两端不能到零，而海宁窗时域信号两端是零。简单点说，hann窗比较稳，短期长期发挥稳定，hamming窗比较激进，短期发挥水平高，长期就没劲了。这些窗函数通常在时域上是有限的宽度，并且具有对称性，如矩形窗、汉宁窗、汉明窗和布莱克曼窗等。例如，汉明窗是一种对称窗函数，它可以用来平滑信号，减少频谱能量的泄漏，从而提高傅里叶变换后的频率分辨率和精度。hann窗的matlab函数为hann，使用方法和hamming是相同的，这两种窗有些差异。

2024-01-24 17:45:20 1848

原创 matlab抽取与插值

我们假设一个数字信号xnn12Nxnn12...N共有NNN个点，抽取就是每个几个点抽1个点，比如2倍抽取，那么抽取后的信号为yny1x1y2x3y3x5yN2xN−1yny1x1y2x3y3x5...yN/2xN−1，可以看到抽取之后信号的长度变短了。插值和抽取相反，插值之后信号会变得越来越密集，注意绝对时间长度是不变的。例如数字信号xnn12Nxnn12...N。

2024-01-20 16:03:49 1121

原创线性调频信号的解线调(dechirp，去斜)处理matlab仿真

去斜处理的主要原理为用发射副本信号与回波混频得到基带信号，再用傅里叶变换提取基带信号频率，通过时域到频域的转换将时域脉冲信号压缩为频域上的一个峰。匹配滤波和解线调其实都是一个sinc函数乘以一个复指数项的形式，两者的sinc函数一个位于快时间域一个位于距离频率域。去斜处理在一些特殊场合，不仅运算简单，而且可以简化设备，已经广泛应用于SAR和ISAR中作脉冲压缩。

2024-01-14 17:36:59 2048 1

原创雷达线性调频信号的脉冲压缩及距离分辨率

除此之外，还有一种脉冲压缩的方法叫做去斜处理，是用一个参考信号在时域上和雷达回波进行相乘，相乘之后，线性调频信号就变成了一个点频信号。点频信号的频域图上的峰值的位置对应目标的距离。由于主瓣半宽为1/B，因此两个目标为了能完全错开，那么第二个目标的峰值至少在第一个目标回波的第一零点处，此时两者相差距离为。线性调频信号的带宽为2MHz，采样频率为16MHz，我们可以计算出来，其主瓣宽度为1ms，对应的采样点就是16个。可以看到，sinc函数有一个很高的主瓣，最大值为1，还有很多小的副瓣。

2024-01-11 16:42:28 1070

原创雷达信号处理——恒虚警检测（CFAR）

上图展示的是同时在距离维和多普勒维进行恒虚警检测的原理，如果只是在距离维或多普勒维做CFAR，检测单元的左右两侧均有设定好数量的保护单元和参考单元。不同的CFAR检测器适用于不同的场景，CA-CFAR算法适用于均匀环境中的单目标或彼此相距较远的多目标环境，在邻近多目标环境会发生目标的遮蔽效应，在杂波边缘会发生杂波边缘效应。从图中也可以看到，根据阈值的选择不同，有不同的检测器，其中CA-CFAR是取的参考单元的均值，SO-CFAR取的是参考单元的最小值，而GO-CFAR是取的参考单元的最大值。

2024-01-11 11:49:55 2849

原创 WinEdt打开.tex文件显示error reading错误

在WinEdt中，【File】-【Open】（或使用快捷键Ctrl+O），在弹出的打开对话框中，右下角【文件名】右侧有一个打开扩展名方式，默认是default(是因为.tex文件中包含了utf-8字符，而在打开的时候并没有指明utf-8打开方式。再选择相应的.tex文件打开即可。)形式，点击下三角号，选择UTF-8(

2023-11-27 10:00:46 1325

原创短时傅里叶变换编程实现-首尾补零

在信号处理中，我们经常听到海明窗（hamming window）、汉宁窗（hanning window）之类的名字，这是什么意思呢？简单来说，窗就是一个函数，它的形状像窗，所以类似的函数都叫窗。例如我们处理的语音信号一般在10ms到30ms之间，我们可以把它看成是平稳的。为了处理语音信号，我们要对语音信号进行加窗，也就是一次仅处理窗中的数据。因为实际的语音信号是很长的，我们不能也不必对非常长的数据进行一次性处理。明智的解决办法就是每次取一段数据，进行分析，然后再取下一段数据，再进行分析。

2023-11-25 18:44:11 931

原创希尔伯特变换-matlab仿真

在信号处理中我们常见的有傅里叶变换，用来分析频域信息，还有拉普拉斯变换和z变换，用于系统分析系统响应。短时傅里叶分析和小波分析用于时频分析。希尔伯特变换似乎听到的比较少。我因为最近在做信号幅度提取的时候看到可以用希尔伯特变换来提取包络，所以才了解到了希尔伯特变换，网上的资料很多，对它的介绍也很多，我对它的了解有限，只是知道它可以做IQ调制，也可以提取信号分包络。我觉得作为工科生，就应该本着实用主义的原则，很多公式和定理的证明是数学家的事情，我们只需要懂怎么用，把这些已有的信号处理的工具用好就行了。

2023-11-25 17:06:40 1233

原创短时傅里叶变换函数编写

2023-11-22 15:13:21 999

原创单脉冲测角-和差比幅法-方向图传播因子-函数编写

中详细介绍了，我们在实际仿真的时候，往往需要在给定来波方向下方向图转化因子（directional pattern propagation fac-tor ，DPPF）的输出，它的输入是来波方向，输出即波束形成之后的系数——方向图转化因子，它表示阵列下经过各阵元加权求和后对某一个来波方向的信号的影响。由拟合曲线得到的角度为1.92°，与2°相差不大。这里的差波束是由两个波束相减得到的，这两个波束指向的角度位于和波束两侧，一左一右，一般而言，这两个角度得位于主瓣内，关于主瓣的计算方式可以参考博文。

2023-11-20 17:30:45 501

原创科研者好用的网站

网站https://keyanxiazi.bepass.cn/硕博必备的科研工具进行集成网站https://www.deepl.com/translator非常好用的润色及翻译网站，适合英文水平low但又不得不发英文文章的科研狗。http://int.turnitincn.com/sci论文查重网站，投稿之前必须查重。知云翻译左边选定段落或者全文，就可一键翻译。多种翻译引擎任君挑选。…持续更新中

2023-11-17 17:28:50 100

原创单脉冲测角-和差比幅法

在一些文献中看到有人说可以通过查表得方法，我个人觉得也是可行的，首先我们仿真出来大量的点，例如上图中，不同的角度对应不同的比值，取得点越多，角度分辨率越高，得到的表格也越大。在了解单脉冲测向之前，首先要知道普通波束形成，普通波束形成就是设计一组权值，使得对各个阵元接收到的信号进行加权求和之后，形成一种空间滤波，选择性的接收期望方向的信号而抑制其他方向的信号。比幅测向顾名思义，就是以差波束和和波束的幅度比作为单脉冲比，实际上利用了左右波束的对称性，而不局限于阵列本身几何结构的特殊性，因此可以用于共形阵。

2023-11-16 21:03:08 2715 7

原创波束形成中的主瓣宽度

对于均匀线阵，俯仰角θ\thetaθ的定义域通常为θ∈(−90∘,90∘)\theta \in (-90^{\circ},90^{\circ})θ∈(−90∘,90∘)。设阵列参考点为ο\omicronο，即左起第一个阵元。由几何关系我们可以知道，第mmm个阵元相对于参考点的波程差为(m−1)dsinθ(m-1)d\rm{sin}\theta(m−1)dsinθ，因此我们可以得到第mmm个阵元相对于参考点的时延τm\tau_mτm。τm=(m−1)dsinθc\tau_m=\frac{(m-1)d\r

2023-11-16 11:53:00 1405

原创单脉冲测角-半阵法

通常情况下，单脉冲测角需要在阵列的输出端分别形成和波束和差波束，其中和波束要求在波束指向处形成主瓣增益，而差波束则要求在波束指向处形成零陷。在了解单脉冲测向之前，首先要知道确知波束形成，确知波束形成就是设计一组权值，使得对各个阵元接收到的信号进行加权求和之后，形成一种空间滤波，选择性的接收期望方向的信号而抑制其他方向的信号。值得注意的是，本文是针对一维均匀线阵做的仿真，对于二维均匀线阵，分别有和波束、俯仰差、方位差，原理与此相同。较为接近时，MRC的线性度较好，而在远离波束指向的地方，MRC的线性度较差。

2023-11-03 16:58:15 733

原创 C语言中的typedef struct用法

在学习数据结构的时候，我经常遇到typedef struct，刚开始感觉很别扭，查阅资料之后才真真理解了。有没有觉得很麻烦，我们隐隐约约察觉到，多写一个struct很费劲，因此才有了下面的typedef。如果要定义一个该结构体变量，就需要:struct Student st1;有没有觉得很省事，的确是这样。那么我们定义该结构体变量的时候，就可以使用。就可以直接使用 Stu st1;我们也可以直接省略掉。

2023-09-26 20:08:49 322

原创线性约束最小方差准则(LCMV)波束形成算法仿真

常规波束形成仅能使得主波束对准目标方向，从而在噪声环境下检测到目标，但无法对复杂多变的干扰做出响应，所以不能称之为真正意义上的自适应滤波。自适应阵列处理指的是采用自适应算法对空间阵列接收的混合信号进行处理，又可称为自适应波束形成技术，该技术可以有效提取目标信号的参数信息并抑制干扰，尤其对于时域上分不开但空域中能分开的一类干扰有较好的抑制作用。自适应波束形成本质上是一种最优滤波，而最优波束形成作为理论分析的工具，为实现自适应波束形成打下了基础。可以看到，在-20°和20°分别形成了零陷。

2023-09-26 19:48:33 775

原创 matlab产生指定功率的噪声信号、固定SNR的信号

仿真的时候，我们先固定噪声功率，默认输出功率为1的噪声信号，然后再产生指定信噪比的有用信号。randn：产生均值为0，方差σ^2 = 1，标准差σ = 1的正态分布的随机数或矩阵的函数。matlab中randn函数用法，产生正态分布的随机数或矩阵的函数。例如下面的代码就是产生1个噪声信号，它的幅度和功率都是1。在matlab中计算信号的能量，可以通过以下公式，长度为。可以看出，计算出来的功率和指定的功率基本是吻合的。首先要理解信号的幅度和功率，例如信号的幅度为。知道了功率，只要开根号就可以知道信号的幅度。

2023-09-26 19:06:55 2668 1

原创确知波束形成matlab仿真

假设一均匀线性阵列，有N个阵元组成，满足：远场、窄带假设。假设信源发射信号，来波方向为θ\thetaθ，第一个阵元接收到的信号为x(t)x(t)x(t)，则第nnn个阵元接收的信号可以表示为X=x(t)ej2π∗(n−1)dsinθλX=x(t)e^{j2\pi*(n-1)\frac{dsin\theta}{\lambda}}X=x(t)ej2π∗(n−1)λdsinθ，可以得到阵列对信号的响应，即导向矢量（steering vector）：a(θ)=[1,ej2π∗dsinθλ,ej2π∗2∗dsi

2023-09-24 21:29:54 270

原创线性调频雷达回波仿真+脉冲压缩仿真

该函数用于产生线性调频信号，以及雷达的目标反射回波，仅产生单个回波% Input :% * bandWidth: 信号带宽，参考值：2.0e6 表示2MHz% * pulseDuration：脉冲持续时间，参考值：40.0e-6 表示40ms% * PRTDuration：脉冲重复周期，参考值：240ms% * samplingFrequency：采样频率，参考值：2倍的信号带宽% * signalPower：信号能量，参考值：1。

2023-09-21 14:53:28 862

原创 FastICA算法原理与仿真

根据目标函数的不同，实现ICA算法的常用方法有最大非高斯性法、极大似然估计法及最小互信息法等；Chang-Chein以负熵作为衡量非高斯性的指标，提出了一种基于定点迭代的算法，称为FastICA算法，该算法具有神经网络的大部分优点：并行的、分布的、简单方便、收敛速度快及稳定性好等。在主程序中，首先是读取语音文件，语音文件由以下链接给出，当然也可以自己生成源信号。下，只根据源信号和混合系统的一些基本假设，由观测混合信号来分离出未知独立的源信号。数学的角度来看，ICA是对多维观测信号寻找一。

2023-09-20 11:27:18 224

原创 JADE盲分离算法仿真

JADE 算法首先通过去均值预白化等预处理过程得到解相关的混合信号，预处理后的信号构建的协方差矩阵变为单位阵，为后续的联合对角化奠定基础；最后，通过特征矩阵联合对角化和Givens 旋转得到酉矩阵U，从而获得盲源分离算法中混合矩阵A 的有效估计，进而分离出需要的目标信号。由下图可以看出，分离后的信号的幅度和真实信号有所不同，并且排序也不同，这是盲分离算法本身的局限性：即幅度模糊性和排序模糊性。然后对其进行混合，混合后调用JADE函数进行解混合，最后对解混合的信号进行绘制并进行读取。

2023-09-19 18:30:18 975 2

原创如何在matlab绘图的标题中添加变量？变量的格式化字符串输出浅析

Matlab格式化输出是一项非常实用的技能。通过控制符和转义符等技巧，我们可以轻松地实现各种复杂的输出格式。学会正确使用Matlab的输出函数，将可以极大地提高代码的可读性和易用性。

2023-09-14 19:29:54 3829

原创单脉冲测角和差波束法原理

则波束1和波束2收到的信号的强度完全相等，两者的差信号的振幅为0。当信号不是从等信号轴方向入射时，波束1和波束2收到的信号强度必然不同，即目标的角误差。我们可以通过比较两个波束回波的强弱来判断目标偏离等信号轴的方向，目标偏离等信号轴的角度可以通过查表法进行估计。设阵元数为11的一维均匀等距线阵，以等信号轴为法线方向，两个波束的指向分别为-3°和3°，波长为。为等信号轴，如果目标从等信号轴方向入射，此时两个波束测得的信号强度的差值为0，即目标的角误差为。为常数，波束1和波束2接收信号的和为和波束。

2023-05-09 14:15:49 8397 2

原创 MUSIC算法仿真

MUSIC(multiple signal classification algorithm)算法是一种基于矩阵特征空间分解的方法。从几何角度讲，信号处理的观测空间可以分解为信号子空间和噪声子空间，显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成，噪声子空间则由协方差矩阵中所有最小特征值（噪声方差）对应的特征向量组成。

2023-04-26 10:51:42 1912 4

原创动目标显示、动目标检测MATLAB仿真

-------------------------产生目标回波串-----------------------------------------------------------------------------------------%coeff=conj(fliplr(Chirp));% %-------------------------产生第4个目标的回波串-------%%-------------------------产生前3个目标的回波串-------%TimeWidth);

2023-04-21 12:30:18 1163

原创 matlab三维图绘制meshgrid函数+mesh函数

查看x、y和z，都是5*5的矩阵。例如我们要绘制sin(x+y)

2023-04-12 15:21:58 1174

原创关于EndNote 中文GB/T7144文献页码及括号不全的解决方法

今天使用Endnote插参考文献的时候，发现参考文献的页码显示不全，它自动省略了前面相同的位数，例如下图：

2022-11-01 15:49:43 25059 5

原创 FastICA盲源分离算法语音信号处理

链接：https://pan.baidu.com/s/18rWQgNKO7_79WvwmAx_KrA。其中的音频文件的素材和仿真程序产生的混合及解混合的音频都可以在以下链接下载。这个例程展示了采用FastICA算法进行两个语音信号的解混合。

2022-10-20 15:40:23 534

原创 matlab音频处理相关函数的用法：sound、wavwrite、audiowrite

Name，Value指名称-值对组参数（官网上的称呼），具体来说是给其定义具体细节的参数，看例子吧。‘BitsPerSample’,24指每个样本点用24为数（数据的长短决定了文件的质量和大小）y指要写入的音频数据，比如有一个序列data，就可以把y的位置写成data。当然后面还有‘title’，‘artist’之类的，一般用不上。wavwrite函数的功能是将数据保存为wav格式的音频文件。Fs为取样率，一般音频信号的取样率为8000Hz。sound函数是将数据（矩阵）变成声音播放。

2022-10-20 14:55:44 1644

原创 Yoga 14S 无法自动锁屏、关闭屏幕、睡眠、屏保无效的解决方法

不知道有没有朋友跟我一样，Yoga14s刚买的没多久，就出现无法自动进入锁屏或者睡眠状态，明明设置好了3分钟锁屏结果屏幕亮了一天，小毛病不能忍，下面是我找到的解决办法。

2022-08-20 14:40:58 2519

原创学位论文的引用

今天在读英文文献的时候，看到他的参考文献有一篇学位论文，还是第一次看到，一般我们很少引用学位论文，觉得挺有意思的，记录下来：这篇学位论文是：作者在英文文献中的引用是：你以为作者只是引用了一篇学位论文吗？最炸的是，他还引用了一个美国专利：这还不够，为了彰显国人魅力，他又引用了一本国内出版的专著：就是下面这本出版于2001年的书：这篇论文就是：这篇论文是北京理工大学某学者发表于2017年的，他的参考文献就是这么的生猛。...

2022-06-23 17:10:49 416

原创我国第一部机载脉冲火控雷达研制历程

作者：朱克昕，杨春（转自互联网，侵删，向老一辈科研工作者致敬！）1963年毕业后，我被分配到南京十院十四所，这是我国成立最早、实力最雄厚、对国家贡献最大的雷达研究所。我在三室航空雷达组任组长。主任安排我们收集消化机载雷达的资料，于是我们针对PD火控雷达这种有应用前景的新体制机载雷达来开展我们的工作。我们掌握了机载PD雷达的发展动态，也学习了PD雷达的一些原理知识。1965年夏天，所领导派我组去洛阳参加美国机载火控雷达的分析。我在测距组，被指定为组长。以前，我了解苏式PП-5雷达，现在又分析了美式APQ-72

2022-06-15 16:46:19 2493

原创卷积神经网络对抗过拟合的主要方法

过拟合不只是出现在卷积神经网络中，但凡是机器学习，都会存在此类问题。他是我们不想看到的一种现象，“拟合”是说，模型能够对训练集进行良好的预测，但是对预测集/测试集预测的效果比较差，这种现象也被称之为“泛化能力差”。引起过拟合的原因有很多种，最重要的一种就是样本不足，或者训练集样本不具备代表性。为缓和过拟合问题，有以下几种方法：由于过拟合问题本质上是数据规模无法满足网络模型训练的要求。因此，数据集扩充是从源头解决过拟合问题的方法，也是解决过拟合问题最有效的方法。具体而言，就是通过一定规则的变换方法获取更多的有

2022-06-14 17:21:34 1951 1

原创雷达的分类

雷达，即无线电定探测和测距，主要用于目标检测，位置、速度探测，雷达是利用电磁波探测目标的电子设备。雷达发射电磁波对目标进行照射并接收其回波，由此获得目标至电磁波发射点的距离、距离变化率（径向速度）、方位、高度等信息。雷达的种类繁多，根据不同的分类方法可以将雷达分为如下几种：火控雷达的探测范围小，但是探测精度高，能够引导武器进行攻击。而预警雷达的体积比较大，搜索范围广泛，但是精度小，仅用于目标的发现。......

2022-06-10 16:24:53 2006

原创雷达有源干扰——噪声乘积干扰

噪声卷积干扰原理噪声乘积干扰是一种新型的有源压制干扰。其原理是将雷达信号和噪声信号进行乘积。假设线性调频雷达的复包络为s(t)s(t)s(t)，则干扰信号为：J(t)=s(t)n(t)(1)J(t)=s(t) n(t) \tag{1}J(t)=s(t)n(t)(1)其中n(t)n(t)n(t)为白噪声。噪声卷积干扰信号经过匹配滤波之后为：y(t)=(s(t)n(t))⊗h(t)(2)y(t)=(s(t)n(t))\otimes h(t) \tag{2}y(t)=(s(t)n(t))⊗h(t

2022-05-31 16:58:14 1011

原创雷达有源干扰——噪声卷积干扰

噪声卷积干扰原理噪声卷积干扰是一种新型的有源压制干扰。其原理是将雷达信号和噪声信号进行卷积。假设线性调频雷达的复包络为s(t)s(t)s(t)，则干扰信号为：J(t)=s(t)⊗n(t)(1)J(t)=s(t)\otimes n(t) \tag{1}J(t)=s(t)⊗n(t)(1)其中n(t)n(t)n(t)为白噪声，⊗\otimes⊗符号表示卷积。噪声卷积干扰信号经过匹配滤波之后为：y(t)=s(t)⊗n(t)⊗h(t)(2)y(t)=s(t)\otimes n(t)\otimes h(

2022-05-31 14:58:50 1989 1

自组织神经网络+深度学习+机器学习+学习案例+基于Kohonen网络的入侵聚类+源代码

Kohonen网络是自组织竞争型神经网络的一种,该网络为无监督学习网络,能够识别环境特征并自动聚类。Kohonen神经网络是芬兰赫尔辛基大学教授Teuvo Kohonen 提出的,该网络通过自组织特征映射调整网络权值,使神经网络收敛于一种表示形态。在这一形态中，一个神经元只对某种输人模式特别匹配或特别敏感。Kohonen网络的学习是无监督的自组织学习过程,神经元通过无监督竞争学习使不同的神经元对不同的输人模式敏感,从而特定的神经元在模式识别中可以充当某一输入模式的检测器。网络训练后神经元被划分为不同区域，各区域对输入模型具有不同的响应特征。 Kohonen神经网络结构为包含输入层和竞争层两层前馈神经网络:第1层为输入层,输入层神经元个数同输入样本向量维数一致,取输人层节点数为m;第2层为竞争层,也称输出层,竞争层节点呈二维阵列分布,取竞争层节点数为n。输入节点和输出节点之间以可变权值全连接,连接权值为wij(i=1，2,…,m;j=1,2,……,n)。Kohonen 网络拓扑结构Kohonen神经网络算法工作机理为:网络学习过程中,当样

2024-02-01

机器学习+样本+动物姿态数据+数据集

数据集，又称为资料集、数据集合或资料集合，是一种由数据所组成的集合。 Data set（或dataset）是一个数据的集合，通常以表格形式出现。每一列代表一个特定变量。每一行都对应于某一成员的数据集的问题。它列出的价值观为每一个变量，如身高和体重的一个物体或价值的随机数。每个数值被称为数据资料。对应于行数，该数据集的数据可能包括一个或多个成员。从历史上看，这个术语起源于大型机领域，在那里它有一个明确界定的意义，非常接近现代的计算机档案。这个主题是不包括在这里的。最简单的情况下，只有一个变量，然后在数据集由一列列的数值组成，往往被描述为一个列表。尽管名称，这样一个单数据集不是一套通常的数学意义，因为某一个指定数值，可能会出现多次。通常的顺序并不重要，然后这样数值的集合可能被视为多重集，而不是（顺序）列表。值可能是数字，例如真正的数字或整数，例如代表一个人的身高多少厘米，但也可能是象征性的数据（即不包括数字），例如代表一个人的种族问题。更一般的说，价值可以是任何类型描述为某种程度的测量。对于每一个变量，通常所有的值都是同类。但是也可能是“遗漏值”，其中需要指出的某种方式。数据集可以分

2024-02-01

python爬虫+简单爬取信息内容+网页资料爬取

学习和练习使用，简单爬取信息内容。经过对taobao url链接的分析，比如：我们搜索“耳机”就会看到这样的url：https://s.taobao.com/search?q=%E8%80%B3%E6%9C%BA&imgfile=&commend=all&ssid=s5-e&search_type=item&sourceId=tb.index&spm=a21bo.2017.201856-taobao-item.1&ie=utf8&initiative_id=tbindexz_20170306 斜体加粗部分是我们检索的商品名字。再看看第2页，会发现url最后面以‘&s=44’结束，第三页则是‘&s=88’......依次类推，每一页显示44个商品。内容存入指定目录txt文件中。爬虫是什么爬虫简单的来说就是用程序获取网络上数据这个过程的一种名称。爬虫的原理如果要获取网络上数据，我们要给爬虫一个网址（程序中通常叫URL），爬虫发送一个HTTP请求给目标网页的服务器，服务器返回数据给客户端（也就是我们的爬虫），爬

2024-01-30

NLP资源+小波神经网络预测+源代码+matlab代码

小波神经网络（Wavelet Neural Network， WNN）是在小波分析研究获得突破的基础上提出的一种人工神经网络。它是基于小波分析理论以及小波变换所构造的一种分层的、多分辨率的新型人工神经网络模型。即用非线性小波基取代了通常的非线性Sigmoid 函数，其信号表述是通过将所选取的小波基进行线性叠加来表现的。它避免了BP 神经网络结构设计的盲目性和局部最优等非线性优化问题，大大简化了训练，具有较强的函数学习能力和推广能力及广阔的应用前景。 “小波神经网络”的应用： 1、在影像处理方面，可以用于影像压缩、分类、识别与诊断，去污等。在医学成像方面的减少B超、CT、核磁共振成像的时间，提高解析度等。 2、在信号分析中的应用也十分广泛。它可以用于边界的处理与滤波、时频分析、信噪分离与提取弱信号、求分形指数、信号的识别与诊断以及多尺度边缘侦测等。 3、在工程技术等方面的应用。包括电脑视觉、电脑图形学、曲线设计、湍流、远端宇宙的研究与生物医学方面。小波神经网络这方面的早期工作大约开始于1992 年，主要研究者是Zhan

2024-01-30

python基础资料+教程+简明教程+学习资料

Python基础教程，Python入门教程（超详细）”是一份基于Python编程语言的入门教程。教程包括了Python语言的基础语法、基本数据类型、控制结构、函数、模块、面向对象编程等方面的内容，可以帮助读者初步掌握Python的编程技能。在学习本教程之前，你需要具备一些基本的编程知识。例如，对于编程的概念、语言和程序有基本的了解。不过，如果你没有任何编程基础，也不必担心，因为本教程将从基础知识开始讲起，循序渐进，帮助读者掌握Python编程基本技能。第一步：安装Python编译器在开始学习Python编程之前，你需要安装Python编译器。Python编译器有多种，可供选择的有：官网下载：https://www.python.org/downloads/ Anaconda：https://www.anaconda.com/ PyCharm：https://www.jetbrains.com/pycharm/ 第二步：学习Python基础语法 Python基础语法是学习Python编程的关键。下面，我们将介绍Python中的一些基本语法：第三步：深入学习Python编程除了学

2024-01-29

毕业设计+神经网络+模糊神经网络的嘉陵江水质评价+matlab代码

系统的复杂性与所要求的精确性之间存在尖锐矛盾，为此，通过模拟人类学习和自适应能力，人们提出了智能控制的思想。控制理论专家Austrom(1991)在IFAC 大会上指出：模糊逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验上，并非建立在工业过程所产生的操作数据上，且一般复杂系统所具有的不精确性、不确定性就算领域专家也很难把握，这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种典型的智能控制方法，各有优缺，模糊逻辑与神经网络的融合———模糊神经网络(Fuzzy Neural Network)由于吸取了模糊逻辑和神经网络的优点, 部分避免了两者的缺点, 已经成为当今智能控制研究的热点之一。 [1] 模糊逻辑(FL)、神经网络理论(NN)、遗传算法(GA)、随机推理(PR)，以及置信网络、混沌理论和部分学习理论相融合，形成了一种协作体，这种融合并非杂乱无章地将模糊逻辑、神经网络和遗传算法等进行拼凑，而是通过各种方法解决本领域的问题并相互取长补短，从而形成了各种方法的协作.从这个意义上讲，各种方法是互补的, 而不是竞争的。在协作体中, 各种方法起着不同的作

2024-01-29

机器人编程+硬件模块驱动+AD9854驱动程序+硬件资料

AD9854数字合成器是高集成度的器件，它采用先进的DDS技术，片内整合了两路高速、高性能正交D/A转换器通过数字化编程可以输出I、Q两路合成信号。在高稳定度时钟的驱动下，AD9854将产生一高稳定的频率、相位、幅度可编程的正弦和余弦信号，作为本振用于通信，雷达等方面。AD9854的DDS核具有48位的频率分辨率（在300M系统时钟下，频率分辨率可达1uHZ）。输出17位相位截断保证了良好的无杂散动态范围指标。AD9854允许输出的信号频率高达150MHZ，而数字调制输出频率可达100MHZ。通过内部高速比较器正弦波转换为方波输出，可用作方便的时钟发生器。器件有两个14位相位寄存器和一个用作BPSK操作的引脚。对于高阶的PSK调制，可通过I/O接口改变相位控制字实现。具有改进DDS结构的12位I和Q通道D/A转换器可以提供较大的带宽并有较好的窄带无杂散动态范围（SFDR）。如果不使用Q通道的正交功能，它还可以通过配置，由用户编程控制D/A转换。当配置高速比较器时，12位D/A输出的方波可以用来做时钟发生器。它还有两个12位数字正交可编程幅度调制器，和通断整形键控功能，并有一个非常好的可

2024-01-27

基于Kohonen网络的网络入侵聚类+神经网络+matlab代码+机器学习

Kohonen网络是自组织竞争型神经网络的一种,该网络为无监督学习网络,能够识别环境特征并自动聚类。Kohonen神经网络是芬兰赫尔辛基大学教授Teuvo Kohonen 提出的,该网络通过自组织特征映射调整网络权值,使神经网络收敛于一种表示形态。在这一形态中，一个神经元只对某种输人模式特别匹配或特别敏感。Kohonen网络的学习是无监督的自组织学习过程,神经元通过无监督竞争学习使不同的神经元对不同的输人模式敏感,从而特定的神经元在模式识别中可以充当某一输入模式的检测器。网络训练后神经元被划分为不同区域，各区域对输入模型具有不同的响应特征。 Kohonen神经网络结构为包含输入层和竞争层两层前馈神经网络:第1层为输入层,输入层神经元个数同输入样本向量维数一致,取输人层节点数为m;第2层为竞争层,也称输出层,竞争层节点呈二维阵列分布,取竞争层节点数为n。输入节点和输出节点之间以可变权值全连接,连接权值为wij(i=1，2,…,m;j=1,2,……,n)。Kohonen 网络拓扑结构， Kohonen神经网络算法工作机理为:网络学习过程中,当样本输入网络时,竞争层上的神

2024-01-27

anaconda安装+安装教程+步骤+详细说明

anaconda安装很多新同学问用什么软件来编写Python代码？我当然首推 Anaconda。它是目前国内外高校教学Python最流行的软件平台，包含了Python的环境管理、代码编辑器、包管理等，一键安装方便快捷。进入官网 Anaconda.com，这就是首页。点击 Products，找到 individual edition ，也就是个人版本，这是免费的。点击进入之后，你就可以往下拖，拖到最下面。看到这里提供了不同版本的安装程序，你可以根据自己的版本去选择。是Windows，苹果电脑，还是Linux。前两个肯定是很多同学会选择的，后面一个可能用得少一点。这里你看Windows是64位还是32位，绝大多数都是64位。下载好之后，我们就要进行安装了。我这里是以 Windows 电脑为例。这是一个安装的程序，你可以右键点击安装，选择管理员身份来进行安装。接下来你会进入到这样的界面，那说明你已经开始进行安装了，你在选择MAC的时候多半就选择 Graphical 图形化的安装就好，这样比较方便一点。文件还是比较大的，500多兆。如果你网速比较差的话，会下载得慢一点。

2024-01-27

ACM代码程序资源+基于GA优化的非线性函数拟合+matlab代码

遗传算法 GA 是一种生物智能优化算法。它实质上是一种全局搜索寻找最优值的技术。遗传算法针对对随机产生的可能结果，在这些结果中选择一定量的可能解作为一个种群，根据相应的规则，即自然遗传学的选择及交叉变异等方法，通过种群的迭代，得到最优解。在种群迭代的过程中，需要对个体适应度的大小进行比较，按照优胜劣汰以及适者生存的原理，逐渐搜索得到一个最优解，最终得到一个新的解集的群体。这个解集即需要解决的问题的最理想的解。实际的数据拟合问题研究中一般分为线性数据拟合和非线性数据拟合。其中，线性数据拟合通常是采用一组简单的、线性无关的基函数来逼近试验数据。而对于非线性数据拟合问题，通常分为两种情形进行处理，一种是利用变量代换，将其转为线性问题再求解。另一种是不能线性化的问题，处理起来比较麻烦，可以用MATLAB等程序来实现。在科学技术的各领域中，不同变量之间的相互关系通常用函数描述。有些函数关系可由经典理论分析推导得出，不仅为进一步的分析研究工作提供理论基础，也可以方便的解决实际工程问题。但是，很多工程问题难以直接推导出变量之间的函数表达式，或者即使能得出表达式，公式也十分复杂，不利于进一步的分析与

2024-01-26

蓝桥杯往年试题+练习题+神经网络实现图像压缩+BP网络+matlab代码

常见的文件压缩软件如WinZip、WinRAR等采用的是无损压缩，能够完全恢复原文件内容。多媒体信息具有信息量大、冗余信息多的特点，往往采用有损压缩技术。根据大面积着色原理，图像必须在一定面积内存在相同或相似的颜色，对于人眼的观察来说才有意义，否则看到的只是杂乱无章的雪花。因此，图像中相邻象素间存在相似性，这样就产生了图像的预测编码。由于存在视觉的掩盖效应，因此人眼对于颜色细节往往并不敏感。图像信息上的微小损失往往是无法感知或可以接受的，这样就提供了广阔的压缩空间数据都存在统计上的冗余，如在某一幅描绘海洋的图像中，蓝颜色出现的频率可能远高于红颜色，通过去除统计上的冗余同样可以实现压缩。二、BP神经网络实现图像压缩原理 BP神经网络用于压缩：只采用一个隐含层，因此整体构成了一个三层的网络。把一组输入模式通过少量的隐含层单元映射到一组输出模式，并使输出模式尽可能等于输入模式。因此，隐含层神经元的值和相应的权值向量可以输出一个与原输入模式相同的向量。当隐含层的神经元个数较少时，就意味着隐含层能用更少的数来表现输入模式，而这实际上就是压缩。 ————————————————

2024-01-26

RBF网络+神经网络+水位预测+备赛案例+matlab代码+程序

径向基函数网络（Radial basis function network，缩写:RBF network）是一种人工神经网络，它使用了径向基函数作为激活函数。RBF可以看作是高维空间中的曲面拟合问题，其本质思想是利用反向传播学习算法和递归技术在高维空间中寻找一个能够最佳匹配训练数据的曲面。在这个过程中，RBF网络的学习目标是找到一组径向基函数，这些函数能够在输入模式下扩展并构建出一个任意的“基”，从而在隐空间中进行非线性变换。RBF网络的结构由输入层、隐层和输出层三部分组成，类似于其他类型的神经网络。988年，Broomhead、Lowe以及Moody和Darken最早将径向基函数用于神经网络设计。径向基函数神经网络（Radial Basis Function Neural Network，RBF神经网络）是一类常用的三层前馈网络，既可用于函数逼近，也可用于模式分类。与其他类型的人工神经网络相比，RBF网络有生理学基础，结构简单，学习速度快，优良的逼近性能和泛化能力等特点。简单说明一下为什么RBF网络收敛得比较快。当网络中的一个或多个可调参数（权值或阈值）对任何一个输出都有影

2024-01-26

优化算法+机器学习+神经网络+遗传算法+matlab编程

对于未知的非线性函数，仅仅通过函数的输入和输出数据难以寻找函数极值，这一类问题可以通过神经网络结合遗传算法求解，利用神经网络的非线性拟合能力和遗传算法的非线性寻优能力寻找函数极值。神经网络训练拟合根据寻优函数的特点构建合适的BP神经网络，用非线性函数的输入输出数据训练BP神经网络，训练后的BP神经网络就可以预测函数输出。遗传算法极值寻优将训练后的BP神经网络预测结果作为个体适应度值，通过选择、交叉、变异操作寻找函数的全局最优值及对应输入值。确定BP神经网络的模型结构为2-5-1，取函数的4000组输入输出数据，从中随机选择3500组数据训练神经网络，100组数据测试神经网络性能，网络训练好后用于预测非线性函数输出。遗传算法中个体采用实数编码，由于寻优函数只有两个输入参数，所以个体长度为2。个体适应度值为BP神经网络预测值，适应度值越小，个体越优。设置交叉概率为0.4，变异概率为0.2。神经网络训练拟合根据寻优函数的特点构建合适的BP神经网络，用非线性函数的输出数据训练BP网络，训练后的BP神经网络就可以预测函数输出。遗传算法极值寻优把训练后的BP神

2024-01-26

数学建模案例+PNN实现故障诊断+数据分析+matlab程序+数据集合

这是一个采用PNN实现故障诊断的案例，包含有完整的程序和数据集，代码亲测好用，注释详细。PNN（Product-based Neural Network）是在2016年提出的用于计算CTR问题的深度神经网络模型，PNN的网络结构对传统的FNN（Feedforward Neural Network）网络结构做了一些优化，使得其能够更适合处理CTR问题。在PNN网络模型中，主要的优化点为：通过Embedding层处理离散特征。Embedding层现在已经成为DNN模型处理CTR问题的标配；增加Product层，在Product Layer中，通过显式构造特征交叉，在不同的特征域之间进行特征组合，在实际的实施过程中，会有不同的product计算方法，在参考文献[1]中，提到了两种不同的product计算方法，分别为inner producr和outer product。 PNN网络结构在传统的DNN中增加了Product层，从而实现了特征的交叉，在具体的实现过程中，提出了两种Product的计算，分别为Inner Product和Outer Product。在具体的数据中，两种Prod

2024-01-25

AD8302幅相检测器资料+AD8302驱动程序+硬件开发资料+智能车竞赛备赛资料+智能车控制器单片机资料

AD8302是一款完全集成式系统，用于测量多种接收、发射和仪器仪表应用中的增益/损耗和相位。它只需极少的外部元件，采用2.7 V至5.5 V单电源供电。在50 Ω系统中，交流耦合输入信号范围为–60 dBm至0 dBm，低频高达2.7 GHz。这些输出在±30 dB的范围内提供精确的增益或损耗测量，调整比例为30 mV/dB，相位范围为0°–180°，调整比例为10 mV/度。两个子系统都具有30 MHz的输出带宽，可通过增加外部滤波器电容来降低该带宽。AD8302可在控制器模式下使用，驱动信号链的增益和相位达到预定设定点。 AD8302包括一对紧密匹配的解调对数放大器，每个放大器具有60 dB测量范围。通过提取其输出之差，可测量两个输入信号之间的幅值比或增益。这些信号甚至处于不同的频率下，以便测量转换增益或损耗。通过在一个输入上施加未知信号并在另一个输入上施加校准的交流基准信号，AD8302可用于确定绝对信号电平。通过禁用输出级反馈连接，可使用设定点引脚MSET和PSET实现比较器，从而设置阈值。信号输入采用单端模式，可将其直接匹配并连接到定向耦合器。在低频下，其输入阻抗为3

2024-01-25

TLC5615驱动程序+10位DA模块+电子设计竞赛资料+硬件资料+嵌入式程序+单片机

TLC5615 为美国德州仪器公司 1999 年推出的产品，是具有串行接口的数模转换器，其输出为电压型，最大输出电压是基准电压值的两倍。带有上电复位功能，即把 DAC 寄存器复位至全零。性能比早期电流型输出的 DAC 要好。只需要通过 3 根串行总线就可以完成 10 位数据的串行输入，易于和工业标准的微处理器或微控制器(单片机) 接口, 适用于电池供电的测试仪表、移动电话,也适用于数字失调与增益调整以及工业控制场合。两种工作方式：（A）从图可以看出，16 位移位寄存器分为高 4 位虚拟位、低两位填充位以及 10位有效位。在单片 TLC5615 工作时,只需要向 16 位移位寄存器按先后输入 10位有效位和低 2 位填充位， 2 位填充位数据任意,这是第一种方式,即 12 位数据序列。（B）第二种方式为级联方式, 即 16 位数据列,可以将本片的 DOU T 接到下一片的 DIN , 需要向 16 位移位寄存器按先后输入高 4 位虚拟位、10 位有效位和低 2 位填充位, 由于增加了高 4 位虚拟位, 所以需要 16 个时钟脉冲。TLC5615 的内部功能框图如《TLC5615功能

2024-01-25

模拟退火算法+java实现+优化问题

模拟退火算法的爬山法是一种贪婪的方法，对于一个优化问题，其目标是要找到函数的最大值，若初始化时，初始点的位置在C CC处，则会寻找到附近的局部最大值A AA点处，由于A AA点出是一个局部最大值点，故对于爬山法来讲，该算法无法跳出局部最大值点。若初始点选择在D DD处，根据爬山法，则会找到全部最大值点B BB。这一点也说明了这样基于贪婪的爬山法是否能够取得全局最优解与初始值的选取由很大的关系。模拟退火算法(Simulated Annealing, SA)的思想借鉴于固体的退火原理，当固体的温度很高的时候，内能比较大，固体的内部粒子处于快速无序运动，当温度慢慢降低的过程中，固体的内能减小，粒子的慢慢趋于有序，最终，当固体处于常温时，内能达到最小，此时，粒子最为稳定。模拟退火算法便是基于这样的原理设计而成。模拟退火算法从某一较高的温度出发，这个温度称为初始温度，伴随着温度参数的不断下降，算法中的解趋于稳定，但是，可能这样的稳定解是一个局部最优解，此时，模拟退火算法中会以一定的概率跳出这样的局部最优解，以寻找目标函数的全局最优解。如上图中所示，若此时寻找到了A AA点处的解，模拟退火

2024-01-25

电子信息工程毕业答辩PPT+本科毕设+答辩PPT+智能快递箱的设计

无论什么专业的同学，在毕业前都需要要过的一关就是做毕业设计，而不同专业的毕业设计依据其专业的特点需要不同的要求，本篇文章就不同专业的毕业设计的不同要求进行简要介绍，致力于为马上做毕业设计的毕业生提供一定参考。 1．理工类理工类毕业设计（论文）可以分为下述几种类型：工程设计、理论研究、实验研究、软件开发等。结合学校情况，分别对这几种类型的毕业设计（论文）提出以下具体要求。（1）工程设计类。各学院可根据不同专业的特点，对学生工程设计工作量提出要求。学生应根据要求独立绘制一定量的工程设计图纸，并撰写一份7000-15000字左右的设计说明书。（2）理论研究类。学生应对选题的目的、意义、本课题国内外的研究现状进行综述，提出理论的基本依据，通过分析提出自己的方案，并进行建模、仿真和设计、计算等。论文字数应在1万～1.2万字。（3）实验研究类。学生应在阐明实验研究目的的基础上，从制订实验方案开始，独立完成一个完整的实验。应取得足够的实验数据，并对其进行分析和相应的处理，给出必要的实验曲线、图表，得出实验结论。论文字数应在1万字以上。（4）软件开发类。学生应独立

2024-01-24

Java基础程序+计算机编程+实例+入门程序

编写一个Java应用程序，用户从键盘输入十名学生的信息，至少包括姓名、年龄、出生年月日、java课程实验成绩，成绩使用浮点数，年龄使用整型，程序将输出年龄、java课程实验成绩的平均值。

2024-01-24

人脸识别数据库+人脸朝向识别+机器学习+深度学习

人脸识别是一个复杂的模式识别问题，人脸识别是人脸应用研究中非常重要的一步。由于人脸形状不规则、光线和背景条件多样，导致人脸检测精度受限。实际应用中，大量图像和视频源中人脸的位置、朝向、朝向角度都不是固定的，极大化的增加了人脸识别的难度。目前研究中，大多数研究是希望人脸识别过程中去除人脸水平旋转对识别过程的不良影响。但实际应用时往往比较复杂

2024-01-24

自组织映射(Self-organizing map, SOM)matlab代码+机器学习+人工智能

自组织映射(Self-organizing map, SOM)通过学习输入空间中的数据，生成一个低维、离散的映射(Map)，从某种程度上也可看成一种降维算法。 SOM是一种无监督的人工神经网络。不同于一般神经网络基于损失函数的反向传递来训练，它运用竞争学习(competitive learning)策略,依靠神经元之间互相竞争逐步优化网络。且使用近邻关系函数(neighborhood function)来维持输入空间的拓扑结构。维持输入空间的拓扑结构：意味着二维映射包含了数据点之间的相对距离。输入空间中相邻的样本会被映射到相邻的输出神经元。由于基于无监督学习,这意味着训练阶段不需要人工介入(即不需要样本标签)，我们可以在不知道类别的情况下，对数据进行聚类；可以识别针对某问题具有内在关联的特征。

2024-01-23

机器学习+matlab+SVM支持向量机

支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。 SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一

2024-01-23

手写体数字图片数据集+人工智能+深度学习+机器学习

人工智能、机器学习所需的数据集，该数据集是由0到9的数字图像构成的，一共有1000张，每个数字有100张，0-9共10个数字。这个数据集都会被用作深度学习的入门样例。

2024-01-23

IET期刊投稿模板+latex模板

本文档提供了使用Wiley NJDv5 LaTeX模板准备LaTeX文件的分步说明。它的创建是为了帮助作者为新期刊设计(NJD)格式的期刊准备LaTeX手稿，这是Wiley的标准文章布局。请参阅Wiley的作者服务网站上的LaTeX页面(该模板托管在该网站上)，了解有关使用NJD的期刊及其字体、列数和参考样式的详细信息，供希望使用LaTeX模拟这些内容的作者使用。如果您要提交稿件的期刊没有使用NJD，请与该期刊的编辑部联系，询问他们是否有自己的期刊专用LaTeX模板。它可以用于不使用NJD的期刊，即使它看起来不像最终排版的文章。这个LaTeX模板提供了标准编码，Wiley的供应商可以成功地将其转换为用于排版的XML。(请注意，无论LaTeX稿件中选择的参考文献、字体和列号格式如何，稿件文件将由我们的排版工人转换为期刊对排版文章的最终规范。)这个NJDv5 LaTeX模板的创建是为了(1)提供适当的指导来简化过程，(2)模拟文章发表后的大致外观，(3)减少将提交的LaTeX手稿转换为期刊最终出版规范的生产过程中的时间和人工干预。模板是基于标准文章的。CLS类文件，并支持该类文件的几乎

2023-11-27

阵列信号处理-雷达信号处理-单脉冲测角-和差比幅法

传统的单脉冲测向方法主要有3种，分别是半阵法、加权法和和差比幅法。其实这3种方法都需要形成和波束和差波束，只是波束形成的方法不同，进一步来说，就是和波束、差波束的权值计算的方法不同。有关半阵法的原理及仿真可以参考博文链接: 单脉冲测角-半阵法。在了解单脉冲测向之前，首先要知道普通波束形成，普通波束形成就是设计一组权值，使得对各个阵元接收到的信号进行加权求和之后，形成一种空间滤波，选择性的接收期望方向的信号而抑制其他方向的信号。在实际情况中，前端处理得到的波束指向角不一定等于，但真实角度一般出于波束的3dB带宽以内。因此我们就需要一种方法在已知确知波束指向角的情况下测量期望信号的真实方向。单脉冲测角就是用于解决该问题。通常情况下，单脉冲测角需要在阵列的输出端分别形成和波束和差波束，其中和波束要求在波束指向处形成主瓣增益，而差波束则要求在波束指向处形成零陷。然后利用单脉冲比即和差比估计出期望信号方向与波束指向间的插值半阵法和加权法最大的局限性在于，它们

2023-11-17

单脉冲测角-雷达信号处理-半阵法测角-matlab仿真

传统的单脉冲测向方法主要有3种，分别是半阵法、加权法和和差比幅法。在了解单脉冲测向之前，首先要知道确知波束形成，确知波束形成就是设计一组权值，使得对各个阵元接收到的信号进行加权求和之后，形成一种空间滤波，选择性的接收期望方向的信号而抑制其他方向的信号。在实际情况中，前端处理得到的波束指向角不一定等于，但真实角度一般出于波束的3dB带宽以内。因此我们就需要一种方法在已知确知波束指向角的情况下测量期望信号的真实方向。单脉冲测角就是用于解决该问题。通常情况下，单脉冲测角需要在阵列的输出端分别形成和波束和差波束，其中和波束要求在波束指向处形成主瓣增益，而差波束则要求在波束指向处形成零陷。

2023-11-03

阵列信号处理+波束形成+matlab仿真

数字波束形成（Digital Beam Forming，DBF）技术，是针对阵列天线,利用阵列天线的孔径，通过数字信号处理在期望的方向形成接收波束。DBF的物理意义是：虽然单个天线的方向图是全向的，但对阵列多个接收通道的信号，利用数字处理方法，对某一方向的入射信号，补偿由于传感器在空间位置不同而引起的传播波程差导致的相位差，实现同相叠加，从而实现该方向的最大能量接收，完成该方向上的波束形成，来接收有用的期望信号，这种把阵列接收的方向增益聚集在一个指定的方向上，相当于形成了一个“波束”。可以通过改变权值,使得波束指向不同的方向，并实现波束的扫描。通过多通道的并行处理也可以同时形成多个波束，还可以选择合适的窗函数来降低副瓣电平。

2023-09-24

雷达信号处理+线性调频信号+目标回波仿真+matlab仿真

主要内容：线性调频信号的生成、雷达回波的模拟、脉冲压缩 % Author:huasir 2023.9.21 @Beijing % Input : % * bandWidth: 信号带宽，参考值：2.0e6 表示2MHz % * pulseDuration：脉冲持续时间，参考值：40.0e-6 表示40ms % * PRTDuration：脉冲重复周期，参考值：240ms % * samplingFrequency：采样频率，参考值：2倍的信号带宽 % * signalPower：信号能量，参考值：1 % * targetDistece：目标距离，最大无模糊距离由脉冲重复周期决定。计算公式：1/2*PRTDuration*光速 % * plotEnableHigh：绘图控制符，1：打开绘图，0：关闭绘图 % Output : % * LFMPulse：线性调频信号 % * targetEchoPRT：目标反射回波 % * matchedFilterCoeff：匹配滤波器系数 % * pulseNumber：当前采样率下线性

2023-09-21

盲源分离+JADE算法仿真+matlab仿真+语音信号分离+亲测好用

JADE 算法首先通过去均值预白化等预处理过程得到解相关的混合信号，预处理后的信号构建的协方差矩阵变为单位阵，为后续的联合对角化奠定基础；其次，通过建立四阶累积量矩阵，利用高阶累积量的统计独立性等性质从白化后的传感器混合(观测)信号中得到待分解的特征矩阵；最后，通过特征矩阵联合对角化和Givens 旋转得到酉矩阵U，从而获得盲源分离算法中混合矩阵A 的有效估计，进而分离出需要的目标信号。代码亲测好用，在matlab2016平台上运行毫无问题。

2023-09-20

信号处理+盲源分离+FastICA算法仿真

独立成分分析（ICA）是由盲源分离发展而来的一种多维信号处理技术。盲源分离技术是指在不知道源信号和信道传输参数先验知识的条件下，只根据源信号和混合系统的一些基本假设，由观测混合信号来分离出未知独立的源信号。从数学的角度来看，ICA是对多维观测信号寻找一个恰当的线性变换，使得变换后的各成分相互统计独立。根据目标函数的不同，实现ICA算法的常用方法有最大非高斯性法、极大似然估计法及最小互信息法等；Chang-Chein以负熵作为衡量非高斯性的指标，提出了一种基于定点迭代的算法，称为FastICA算法，该算法具有神经网络的大部分优点：并行的、分布的、简单方便、收敛速度快及稳定性好等。

2023-09-20

雷达信号处理+DRFM间歇采样干扰仿真

间歇采样干扰是指DRFM干扰机对雷达发射信号以特定的周期进行截获采样，采样后立即转发采样片段，直至下一个采样时刻到来，重复此工作直至脉冲结束。间歇采样干扰信号不需要截获存储整个脉冲信号，干扰效率更高。目前，间歇采样干扰最常见的两种转发方式为直接转发和重复转发。直接转发是指干扰机对雷达信号的采样片段仅转发一次，而重复转发对雷达采样片段转发多次，直到下一个采样时刻到来。本代码仿真了间歇采样干扰的重复转发干扰。

2023-09-13

压缩采样之随机解调的matlab仿真

随机解调是压缩感知理论的一种实际应用，它针对的是多频点信号，例如调幅信号AM，压缩感知系统中采用m序列来对点频信号进行频谱的搬移，m序列，即伪随机序列，它由随机的1、-1构成，伪随机序列的频谱杂乱无章且均匀分布在整个频率轴上，它与输入信号x(t)时域相乘，频域表现为卷积，进过卷积后，x(t)的频谱被均匀涂抹在了整个频率轴，这就给了我们低速采样后在低频段恢复信号的可能。

2023-05-26

该程序完成16个脉冲信号的【脉压、动目标显示/动目标检测（MTI/MTD）】

2023-04-13

稀疏采样-FRI有限新息率仿真matlab-Dirac脉冲流的时延和幅度FRI采样及重构

有限新息率DIRAC脉冲流信号的采样及重构

2023-04-11

JADE盲源分离算法原理以及MATLAB程序

盲信号分离最早由Herault和Jutten在1985年提出，指的是从多个观测到的混合信号中分析出没有观测的原始信号。通常观测到的混合信号来自多个传感器的输出，并且传感器的输出信号独立性（线性不相关）。盲信号的“盲”字强调了两点：1)原始信号并不知道；2)对于信号混合的方法也不知道。 JADE是一种盲源分离算法，可用于语音信号处理，最常用的是信号四阶累积量，也有人用信号的三阶累积量来分离信号。这类算法除了要求源信号具有统计独立性外，源信号中最多只能有一个高斯信号，即利用源信号的非高斯性。而对于源信号的非白特性及非平稳特性没有做任何考虑。因此可以说，HOS算法可以用来分离任何统计独立的非高斯信号或准确地说，不多于一个高斯信号。

2023-03-23

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

自组织神经网络+深度学习+机器学习+学习案例+基于Kohonen网络的入侵聚类+源代码

机器学习+样本+动物姿态数据+数据集

python爬虫+简单爬取信息内容+网页资料爬取

NLP资源+小波神经网络预测+源代码+matlab代码

python基础资料+教程+简明教程+学习资料

毕业设计+神经网络+模糊神经网络的嘉陵江水质评价+matlab代码

机器人编程+硬件模块驱动+AD9854驱动程序+硬件资料

基于Kohonen网络的网络入侵聚类+神经网络+matlab代码+机器学习

anaconda安装+安装教程+步骤+详细说明

ACM代码程序资源+基于GA优化的非线性函数拟合+matlab代码

蓝桥杯往年试题+练习题+神经网络实现图像压缩+BP网络+matlab代码

RBF网络+神经网络+水位预测+备赛案例+matlab代码+程序

优化算法+机器学习+神经网络+遗传算法+matlab编程

数学建模案例+PNN实现故障诊断+数据分析+matlab程序+数据集合

AD8302幅相检测器资料+AD8302驱动程序+硬件开发资料+智能车竞赛备赛资料+智能车控制器单片机资料

TLC5615驱动程序+10位DA模块+电子设计竞赛资料+硬件资料+嵌入式程序+单片机

模拟退火算法+java实现+优化问题

电子信息工程毕业答辩PPT+本科毕设+答辩PPT+智能快递箱的设计

Java基础程序+计算机编程+实例+入门程序

人脸识别数据库+人脸朝向识别+机器学习+深度学习

自组织映射(Self-organizing map, SOM)matlab代码+机器学习+人工智能

机器学习+matlab+SVM支持向量机

手写体数字图片数据集+人工智能+深度学习+机器学习

IET期刊投稿模板+latex模板

阵列信号处理-雷达信号处理-单脉冲测角-和差比幅法

单脉冲测角-雷达信号处理-半阵法测角-matlab仿真

阵列信号处理+波束形成+matlab仿真

雷达信号处理+线性调频信号+目标回波仿真+matlab仿真

盲源分离+JADE算法仿真+matlab仿真+语音信号分离+亲测好用

信号处理+盲源分离+FastICA算法仿真

雷达信号处理+DRFM间歇采样干扰仿真

压缩采样之随机解调的matlab仿真

该程序完成16个脉冲信号的【脉压、动目标显示/动目标检测（MTI/MTD）】

稀疏采样-FRI有限新息率仿真matlab-Dirac脉冲流的时延和幅度FRI采样及重构

JADE盲源分离算法原理以及MATLAB程序

中医-《黄帝内经阴阳应象大论》中说“怒伤肝”

阵列信号处理+波束形成+matlab仿真

Elsevier旗下的Signal Processing期刊的LaTex模板

数学-矩阵分析-线性代数-矩阵分解

线性规划的单纯形法算法介绍及仿真

空空如也