精华内容
下载资源
问答
  • 我有两个数据集,我试图互相关联.它们看起来类似于arctan函数,所以我一直用它作为模型来研究如何进行信号处理.x = ...我认为这就像在f1和f2的互相关函数中找到最大值一样简单,我大致遵循这里建议:How to co...

    我有两个数据集,我试图互相关联.它们看起来类似于arctan函数,所以我一直用它作为模型来研究如何进行信号处理.

    x = linspace(-15,15,2**13)

    f1 = arctan(x)

    f2 = arctan(x + 2)

    我需要回答的问题是,我需要移动绿色信号以使其(大部分)与蓝色信号重叠多少?我认为这就像在f1和f2的互相关函数中找到最大值一样简单,我大致遵循这里的建议:How to correlate two time series with gaps and different time bases?.这就是我一直在尝试的

    c = correlate(f1,f2,"full")

    s = arange(1-2**13,2**13)

    dx = 30/2**13

    shift = s[c.argmax()]*dx

    我希望转变或多或少恰好等于2,但事实上它只有0.234.这对我没有任何意义;我发现互相关的最大x坐标,应该在两个信号最大重叠的地方找到.

    关于如何计算这种功能的数量的任何想法?

    编辑:我应该补充一点,对于我的真实数据,所有值都将介于0和1之间

    编辑编辑:以下功能实际上更像我的真实数据:

    x = linspace(-15,400)

    f1 = (arctan(-x) + pi/2) / pi

    f2 = (arctan(-x + 2) + pi/2) / pi

    def xcorr(x,y);

    mx = x.mean()

    my = y.mean()

    sx = x.std()

    sy = y.std()

    r = zeros(2*len(x))

    for d in range(-len(x),len(x)):

    csum = 0

    for i in range(0,len(x):

    yindx = i - d

    if i - d < 0:

    yval = 1

    elif i - d >= len(x):

    yval = 0

    else:

    yval = y[yindx]

    csum += (x[i] - mx) * (yval - my)

    r[d + len(x)] = csum / (sx * sy)

    return r

    有了这个功能,我现在可以做到

    c = xcorr(f1,f2)

    s = arange(-400,400)

    dx = 30/400

    shift = s[c.argmax()] * dx

    这是2.025,这个精度可以达到2.所以看起来Jamie是正确的,问题在于信号的填充如何与numpy相关.

    所以,显然我的xcorr功能非常缓慢.现在的问题是,有没有办法让NumPy做类似的事情,或者我应该继续使用ctypes在C中编写我的算法?

    展开全文
  • 我有两个数据集,我试图互相关联.它们看起来类似于arctan函数,所以我一直用它作为模型来研究如何进行信号处理.x = ...我认为这就像在f1和f2的互相关函数中找到最大值一样简单,我大致遵循这里建议:How to co...

    我有两个数据集,我试图互相关联.它们看起来类似于arctan函数,所以我一直用它作为模型来研究如何进行信号处理.

    x = linspace(-15,15,2**13)

    f1 = arctan(x)

    f2 = arctan(x + 2)

    我需要回答的问题是,我需要移动绿色信号以使其(大部分)与蓝色信号重叠多少?我认为这就像在f1和f2的互相关函数中找到最大值一样简单,我大致遵循这里的建议:How to correlate two time series with gaps and different time bases?.这就是我一直在尝试的

    c = correlate(f1,f2,'full')

    s = arange(1-2**13,2**13)

    dx = 30/2**13

    shift = s[c.argmax()]*dx

    我希望转变或多或少恰好等于2,但事实上它只有0.234.这对我没有任何意义;我发现互相关的最大x坐标,应该在两个信号最大重叠的地方找到.

    关于如何计算这种功能的数量的任何想法?

    编辑:我应该补充一点,对于我的真实数据,所有值都将介于0和1之间

    编辑编辑:以下功能实际上更像我的真实数据:

    x = linspace(-15,400)

    f1 = (arctan(-x) + pi/2) / pi

    f2 = (arctan(-x + 2) + pi/2) / pi

    def xcorr(x,y);

    mx = x.mean()

    my = y.mean()

    sx = x.std()

    sy = y.std()

    r = zeros(2*len(x))

    for d in range(-len(x),len(x)):

    csum = 0

    for i in range(0,len(x):

    yindx = i - d

    if i - d < 0:

    yval = 1

    elif i - d >= len(x):

    yval = 0

    else:

    yval = y[yindx]

    csum += (x[i] - mx) * (yval - my)

    r[d + len(x)] = csum / (sx * sy)

    return r

    有了这个功能,我现在可以做到

    c = xcorr(f1,f2)

    s = arange(-400,400)

    dx = 30/400

    shift = s[c.argmax()] * dx

    这是2.025,这个精度可以达到2.所以看起来Jamie是正确的,问题在于信号的填充如何与numpy相关.

    所以,显然我的xcorr功能非常缓慢.现在的问题是,有没有办法让NumPy做类似的事情,或者我应该继续使用ctypes在C中编写我的算法?

    展开全文
  • 自相关函数自相关函数是信号在时域中特性的平均度量,它用来描述随机信号x(t)在任意两个不同时刻s,t的取值之间的相关程度,其定义式为:自相关函数的主要性质:(1)自相关函数为偶函数,其图形对称于纵轴。...

    相关函数

    相关函数描述了两个信号之间的相似性,其相关性大小有相关系数衡量。

    1.自相关函数

    自相关函数是信号在时域中特性的平均度量,它用来描述随机信号x(t)在任意两个不同时刻s,t的

    取值之间的相关程度,其定义式为:

    自相关函数的主要性质:

    (1)自相关函数为偶函数,其图形对称于纵轴。

    (2)当s=t 时,自相关函数具有最大值,且等于信号的均方值,即

    (3)周期信号的自相关函数仍为同频率的周期信号。

    2.互相关函数

    互相关函数是描述随机信号X(s),Y(t)在任意两个不同时刻s,t的取值之间的相关程度。

    互相关函数的应用

    互相关函数的上述性质在工程中具有重要的应用价值。

    (1) 在混有周期成分的信号中提取特定的频率成分。

    (2) 线性定位和相关测速。

    在某些领域,自相关函数等同于自协方差。

    matlab中提供了xcorr这个相关函数以供调用。但这个函数在使用中比较麻烦,本文将介绍这个函数的具体用法。

    本文将详细介绍对应每个注释项Matlab是如何计算的,当然本文考虑输入的是一个简单一维序列

    x=[2,3,4],序列中数据对应的序号依次为1,2,3。

    第一:缺省注释项,[a,b]=xcorr(x),通过该命令计算的结果为:a=8 18 29 18 8; b=-2 -1 0 1 2。

    下面介绍一下,该过程计算机是如何计算的,首先讲b的计算,设一维序列的长度为N,则序列中任意两个数据序号相减,最小值为1-N,最大值为N-1,且能取遍两者之间的所有整数,将这些数从小到大排列得到的就是b;然后讲a的计算,在缺省注释项的情况下,a的计算是这样的,a的每一项是对应b的每一项的

    1、当b(1)=-2时,计算a(1)时只用到一组数据——(2,4)注意顺序,只有这两个数据的序号相减(后面数据的序号减去前面的)满足b=-2,因此a(1)的计算公式为:2*4=8

    2、当b(2)=-1时,计算a(2)时用到两组数据——(2,3)和(3,4),这两组数据的序号相减(后面数据的序号减去前面的)满足b=-1,因此a(2)的计算公式为:2*3+3*4=18

    3、当b(3)=0时,计算a(3)时用到三组数据——(2,2)、(3,3)、(4,4),这三组数据的序号相减(后面数据的序号减去前面的)满足b=0,因此a(3)的计算公式为:2*2+3*3+4*4=29

    其它类推。

    第二:注释项为‘unbiased’,[a,b]=xcorr(x,‘unbiased’),通过该命令计算的结果为:

    a=8.0000 9.0000 9.6667 9.0000 8.0000;b=-2 -1 0 1 2。

    1、当b(1)=-2时,计算a(1)时只用到一组数据(记N=1)——(2,4)注意顺序,只有这两个数据的序号相减(后面数据的序号减去前面的)满足b=-2,因此a(1)的计算公式为:(2*4)/1=8

    2、当b(2)=-1时,计算a(2)时用到两组数据(记N=2)——(2,3)和(3,4),这两组数据的序号相减(后面数据的序号减去前面的)满足b=-1,因此a(2)的计算公式为:(2*3+3*4)/2=9

    即在原结果的基础上除以用到的数据的组数。

    第三:注释项为‘biased’,[a,b]=xcorr(x,‘biased’),通过该命令计算的结果为:a= 2.6667 6.0000 9.6667 6.0000 2.6667,b=-2 -1 0 1 2。下面介绍计算机如何计算该过程,注意到本次计算用到的序列x的长度为3,记为M=3。

    1、当b(1)=-2时,计算a(1)时只用到一组数据——(2,4)注意顺序,只有这两个数据的序号相减(后面数据的序号减去前面的)满足b=-2,因此a(1)的计算公式为:(2*4)/M= 2.6667

    2、当b(2)=-1时,计算a(2)时用到两组数据——(2,3)和(3,4),这两组数据的序号相减(后面数据的序号减去前面的)满足b=-1,因此a(2)的计算公式为:(2*3+3*4)/M=6

    3、当b(3)=0时,a(3)的计算公式为:29/M= 9.6667

    即在原结果的基础上除以序列x的长度。

    第四:注释项为‘coeff’,[a,b]=xcorr(x,‘coeff’),通过该命令计算的结果为:a= 0.2759 0.6207 1.0000 0.6207 0.2759,b=-2 -1 0 1 2,这种情况实际是将第三种情况下得到的结果进行归一化,使得b=0时对应的值为1,a(1)= 2.6667 /9.6667=0.2759;a(2)=6/9.6667= 0.6207 ,

    a(3)=9.6667/9.6667=1。

    互相关情况:

    假设 x=[2,3,4];y=[3,4,5];则语句[a,b] = xcorr(x,y)的运行结果为:

    a =

    10.0000 23.0000 38.0000 25.0000 12.0000

    b =

    -2 -1 0 1 2

    原因是相同的:当b=-2时,只有x里面的元素2和y里面的元素5符合条件,因此b(-2)=10,其它的类推。

    为了对相关函数的作用有一个直观的认识,下面给出一个应用实例:

    n=6000;

    fs=1000;

    t=(0:n-1)/fs;

    f0=5;

    x=sin(2*pi*f0*t);

    z=x+randn(size(x));

    [R,ttt]=xcorr(z,1000,'coeff');

    subplot(2,1,1);

    plot(t(1:1000),z(1:1000));

    xlabel('时间/s');

    ylabel('幅值');

    subplot(2,1,2);

    plot(ttt,R);

    xlabel('滞后');

    ylabel('自相关函数');

    运行结果为:

    4d9013a25c0bc5d1239cb6a0ef19785c.png

    从运行结果可以看出,自相关函数把被噪声污染了的正弦波提取了出来。

    本文作者基于这个思想出发,试图将一段被噪声污染的音频信号恢复出来,但没有成功,恢复的结果是留下了噪音,里面的音乐被去除了,这里给出相应代码,欢迎有兴趣的朋友一起讨论。

    fs=44100;

    [x,fs]=audioread('addnoise.mp3');

    [R,ttt]=xcorr(x,840000);

    filename = 'filterafter.wav';

    audiowrite(filename,R,44100);

    展开全文
  • 杨韬 余文辉 曹申2020-09-30 Wednesday...实际中,是在频域中对两组信号做乘法求最大值,而将时域信号变换为频域信号需要经过FFT变换,本系统引入一种新级联FFT变换,大大提高了计算速度和效率。为了增加系统...
    1b6de6680743d98834da87868eb29ce9.png

    杨韬 余文辉 曹申

    2020-09-30 Wednesday

    1bbd4cef75d32d44ee711352e5767438.png

    针对2020年第十五届全国大学生智能车竞赛信标组关于声音信标的识别,需要采集声音信号和FM信号,通过声音信号和FM信号互相关进行距离检测和通过两组声音信号互相关进行信标方位判断。

    实际中,是在频域中对两组信号做乘法求最大值,而将时域信号变换为频域信号需要经过FFT变换,本系统引入一种新的级联FFT变换,大大提高了计算速度和效率。为了增加系统的抗干扰性,我们使用了广义互相关算法,有效抑制了噪声和混响的干扰。

    关键词:级联FFT;广义互相关;计算速度;

    67ba2c60e0dad231823ac61ad502ac5d.png

    快速傅里叶变换(FFT)本身便是利用了离散傅里叶变换(DFT)中的对称性和周期性,大大缩短了傅里叶变换的时长,这使得FFT成为基本的信号处理算法。

    在2020年第十五届全国智能车竞赛中,信标组的比赛模式发生了很大的变化,从原始的识别一定频率的光信号变为周期性的250~2000Hz的Chirp声音信号和对应的FM调频信号。信标发出的信号的变化导致了信号识别和处理模式的变化,由原来识别光信号使用摄像头,变为接收声音信号的麦克风模块及接收FM信号的FM解调模块,经过不断尝试和选择,麦克风我们使用了9814带自动增益的麦克风模块,FM解调模块使用了RDA5807解调芯片,两者在实际使用中都取得了非常好的效果。

    在信号处理中,一定距离的麦克风接受到的信号进行互相关可以获得声源方位,紧挨着的FM模块和麦克风接受到的信号进行互相关可以得到车身与信标的距离。时域互相关运算计算量是十分庞大,实际上可以看做是两组离散信号的时域卷积运算,因此一般我们会把这种卷积运算转换到频域中,将时域卷积等效为频域相乘,这样会大大简化我们的计算。将时域信号变换到频域一般使用快速傅里叶变换(FFT),但在实际使用中这种速度仍然无法满足高速定位的需求。我们选用了TC264DA芯片的核心板,与普通TC264D芯片不同,TC264DA拥有512K的EMEM内存空间和内置了硬件FFT计算资源,硬件FFT比软件FFT在速度上有质的提升。但其存在的缺点为硬件FFT只能计算整形数据,会造成一定程度的精度丢失,并且硬件FFT最多只能计算1024个点的,这种精度不能满足本次比赛中信标的识别。在本次比赛中至少要使用2048点的FFT,才能在高速下准确定位。为了解决此问题,我们引入了一种新的级联FFT变换,既使用1024点的硬件FFT又能弥补序列长度不够的缺陷,并在此基础上融合入广义互相关,提升互相关的抗干扰性。

    d625574b9a72c85ffebf6d05b7f1072f.png

    级联FFT算法的基本思想是把长序列进行分段,类似于把一维数组变为二维数组,然后对行和列分别进行FFT变换,用一定的计算方法将多个短序列的FFT合成原长序列的FFT结果。

    直接把一段C=M×N点序列信号x(n+mN),n=0,1,2,…,N-1;m=0,1,2,…,M-1;当做一维序列进行FFT变换,运算结果可以表示为:

    c9ec174d3c29389ead33dbe42f3b35fa.png

    把一段C=M×N点序列信号x(n+mN),n=0,1,2,…,N-1;m=0,1,2,…,M-1;当做二维独立序列进行FFT变换,也就是先进行行方向N点的FFT运算,再进行列方向M点的FFT运算,两者序列编号不相关,运算结果可以表示为:

    2c94e459a3a65bd110fd41fa3015e0e3.png

    当把这段序列看做一维序列排列为二维序列时,序列编号将会发生变化,对应的FFT运算公式也会发生变化,运算结果表示为:

    8031074813b0265bd91dc45af544ad86.png

    化简后得:

    7e2b28584e6ec8cb8955b6debe20e79c.png

    可以看出(1-4)和(1-2)只相差e^(-j2πnp/N)^,也就是只要使e^(-j2πnp/N)=1^即可使两者相等,但实际上,e^(-j2πnp/N)^不可能一直等于1。

    f51f247f6a22523282769b62fd0ed104.png

    根据分析,独立的二维序列行和列进行级联FFT运算和一维序列排列成二维序列再进行行和列的级联FFT运算,两者相差一个补偿因子e^(-j2πnp/N)^,在实际中,我们只需在中途乘上补偿因子即可使两者等效。

    由FFT运算的线性性质可以得到,矩阵化后的数据进行FFT运算时,行和列运算顺序不同不会影响最终的结果。将两维的运算顺序调换后,也就是先进行列方向的FFT变换,再进行行方向的FFT运算,运算结果可以表示为:

    691e864f59ce04528ecb06a037854e2e.png

    进行了列变换后,就需要加入补偿因子,运算过程如下:

    e4ec11d182f23035d148719e97761dea.png

    化简后得:

    4d85b0f37c617f6a48f5df2463d5579c.png

    综上,级联FFT具体过程为:首先将一维序列排列为二维序列M行N列,首先对每行进行FFT变换,对每个元素乘以补偿因子e^(-j2πnp/N)^,然后对每列进行FFT变换,最后按列取出即为原一维序列FFT变换后的结果。

    b01ef356b26f5c98736848b9cadbe3b9.png

    在本次竞赛中,我们使用了2048点的声音信号做互相关,并在频域相乘之后进行频域补零,补为4096个点,然后使用级联IFFT变换取最大值,即得到互相关最终结果。

    我们采样了一组FM解调信号进行了一系列仿真实验,通过该信号和该信号的延时信号模拟FM和麦克风的互相关运算。首先是使用普通的FFT进行互相关实验,原始FM信号和延迟的FM信号波形图如图D-1所示,两者的普通的FFT变换波形如图D-2所示,互相关结果如图D-3所示,使用MATLAB求互相关结果最大值,最大值点为第201点,设置的延迟为100点,因为在频域中进行了补零操作,所以互相关结果精度是原始点数的两倍,实验结果正确。

    aec1564d2e6dce9e9c65510370278409.png

    ▲ 普通FFT下FM信号波形和100点延迟的FM信号波形

    292bd5b0d0bdf75c5af99c91c5c4b910.png

    ▲ 普通FFT下的两信号FFT变换

    28f4fc7a1de575a511d7a8ea7a886d85.png

    ▲ 普通FFT下两信号互相关结果

    同理,我们使用级联FFT,首先把2048点放置为两行1024点,先对列进行两点FFT变换,再对所有点数乘以补偿因子,接着对每行进行1024点的FFT变换,最后按列取出即可。然后进行互相关运算,接着把2048点的结果补零为4096。然后把4096点按列排列为4行1024点,进行级联IFFT运算,级联IFFT可以看做级联FFT的逆运算。运算步骤类似这里不进行展开了。MATLAB仿真结果如下,FM信号和FM延时信号如图D-4所示,两者级联FFT变换如图D-5所示,最终互相关结果如图D-6所示,使用MATLAB求最大值点,对应为第201点

    dc97d44d83d69d0032619c23c6f0d153.png

    ▲ 级联FFT下FM信号和100点延时的FM信号波形

    4395bdd41d634642b7849de47d94874f.png

    ▲ 级联FFT下两信号级联FFT变换后的波形

    2d053664e4c01218ba7a931d4b398852.png

    ▲ 级联FFT下两信号互相关结果

    从上面结果可以看出,级联FFT运算结果和普通FFT运算结果完全一致,两者是等效的,然而把级联FFT运用到带有硬件FFT的MCU中就可以节省大量的运算时间,把软件运算转化为硬件计算,大大提高了运算速度和运算效率.

    ed0441b84b58bc4cb1a4f56996b068ff.png

    在实际使用麦克风时,很容易受到轮子噪声,空气中的噪声,以及墙面反射等的影响,这会使接受到的信号产生失真,无论是线性失真还是非线性失真都会给我们的互相关结果带来巨大影响。

    类似于前面所说的基本互相关方法,广义互相关算法估计得到的时延同样对应于两个麦克风接受到的信号之间的相关函取得最大值的位置。

    f8717bb54100fb9ffea108531f7824c9.png
    bd28ac83a33ec8f777b32b1a78eacc85.png
    9dfc9d899eb70cbf1b68acaf310953ff.png

    上面式子中,是两个信号之间的延时,是和的互功率谱。是的傅里叶变换,是的傅里叶变换。

    减弱或消除实际环境中噪声、混响的影响,可以在互功率谱频域中使用加权函数给予一定加权,再经过IFFT变换后得到广义互相关结果,广义互相关函数表达式为:

    1c4d706a7bb34543a6a7036e3c5d320b.png

    为频域加权函数,加权函数不同,实际效果也会有差异,实际应用中,可以针对噪声和混响情况选取不同的加权函数,使相关函数峰值尖锐化,从而使得估计值更加准确。加权函数的选取主要有互功率谱相位(PHAT),ROTH处理器和平滑相干变换(SCOT)。

    1be71600b5d9ca311cb475710a11210d.png

    ▲ 各种加权函数特性分析表格

    上表中, 、分别表示麦克风信号 、 的自功率谱, 表示 和 的互功率谱, 定义为如下形式[2]:

    a25caa9642eb547c00735dee92e892f1.png

    广义互相关原理图如图C-7所示。

    caa89067cdac00bbbf4a39dffc1625fc.png

    ▲ 广义互相关原理图

    由于时间原因,本次备赛中我们只尝试了GCC-PHAT和GCC-ML,其中只有GCC-PHAT试用成功了,GCC-ML还需要进一步研究。使用MATLAB对GCC-PHAT的效果进行仿真验证,FM信号和FM延时100点的信号如图C-8所示,两者级联FFT结果如图C-8所示,在频域相乘时,按照GCC-PHAT的方法要除以互功率谱的模,然后进行级联IFFT,结果如图C-9所示,最后取最大值点,MATLAB比较后最大值点为201。这和前面结果相同,也是符合理论结果的。

    6c7c86067a56be37ee6d3dde315dd03e.png

    ▲ 级联FFT下FM信号的100点延时的FM信号波形

    a0ffc9c653b886c50d2201ae0bd09dd9.png

    ▲ 级联FFT下两信号级联FFT变换波形

    2869e59f45c486bdb06902157fc579a7.png

    ▲ 级联FFT下两信号广义互相关后的结果

    对比图D-6和图D-10,从级联IFFT输出的波形可以看出,相比于普通的互相关,广义互相关的结果最大值以外的波形更加小和平缓,没有很大的尖峰,效果更好,说明广义互相关的确可以减小信号失真的影响。

    fc5d3a06805e8db35e8569d78c2ad9d9.png

    对序列进行级联FFT变换得到的结果和普通FFT变换得到的结果是完全一致的,仿真结果也说明使用级联FFT代替FFT是没有影响的,级联FFT可以用于互相关运算。广义互相关可以减小系统噪声、混响等的影响,通过MATLAB仿真,比较普通互相关和广义互相关的结果,从图像上可以看出广义互相关的效果确实更好。

    因此,在竞赛中,结合TC264DA芯片的硬件FFT运算资源,级联FFT可以大大减少运算时间,加快系统的响应速度;使用广义互相关可以有效抑制噪声、混响的干扰,提高互相关计算的准确度。

    我们始终相信,信号处理好,开环也能跑

    展开全文
  • 相关函数与卷积

    千次阅读 2018-04-12 19:26:57
    0/理解信号的相关函数就是把一个信号沿时间轴平移一段距离后与之间的信号相乘,对乘积求面积,自相关函数可以看作互相关函数的特殊情况。...Rx(0)是自相关函数的最大值。(3)周期信号的自相关函...
  • 当CMI达到最大值时,我们发现当其他输入最大程度地混合时,从单个输入到单个输出残留通道将完全去极化。 但是,我们再次发现此结果并不可靠。 我们还将这些结果中一些扩展到多部分情况和Haar随机纯输入状态...
  • 部分转载自维基百科Feature Selection 最大相关-最小冗余 (mRMR)特征选择 彭等人提出了一种特征选择方法,可以使用信息,相关或距离/...特征集S与类c相关性由各个特征和类c之间所有信息值的平均定义,如...
  • 范数 贝叶斯定理 置信区间 拉格朗日函数 交叉熵和相对熵对比 内积 先验概率 区间估计 KKT条件与对偶函数 各种熵之间关系 向量正交 后验概率 泛化能力 梯度下降法 正交基 似然概率 泛化误差 一阶导数 特征...
  • ccorrelation_copy.m

    2020-12-11 09:13:13
    两路语音信号互相关matlab代码,包括时域互相关和频域互相关,时域互相关用的是matlab自带的xcorr函数,频域互相关是FFT变换到频谱求互相关矩阵然后找出互相关矩阵的最大值。可进行两路语音的对齐和求语音的延时。
  • 针对某大口径离轴三反光学系统730 mm×268 mm 离轴非球面主镜补偿检测,完成了面形图畸变校正,校正前后二值化面形图与二值化镜面图标准化互相关函数最大值从0.925提升至0.985,校正效果明显。
  • GCC-PHAT.zip

    2019-05-15 17:59:27
    基于广义互相关函数的...研究表明麦克风对的GCC-PHAT函数的最大值越大则该对麦克风的接收信号越可靠,也就是接收信号质量越高。 更多说明参见本人博客:https://blog.csdn.net/qq_31556747/article/details/90242097
  • 他是一种算法框架,在每次计算结果之后,逼近统计模型参数的最大似然或最大后验估计。详细介绍链接 Apriori Apriori算法是关联规则挖掘算法,通过连接和剪枝运算挖掘出频繁项集,然后根据频繁项集得到关联规则,...
  • 其中m序列优选对是指在m序列集中,其互相关函数最大值的绝对值最接近或达到互相关值下限(最小值)一对m序列。     产生Gold序列结构形式有两种,一种是串联成级数为2n级线性移位寄存器;另一种是两个n级...
  • 图像增强实现

    2012-06-07 15:42:03
    NB 伪编码的最大值,即编码范围为 0~NB,缺省值 NB=16; OPT 指定了编码的方式(缺省值为 'mat'),即: OPT='row' ,按行编码 OPT='col' ,按列编码 OPT='mat' ,按整个矩阵编码 ABSOL 是函数的控制参数...
  • 相关分析,自相关和互相关函数[5]。发现隐藏周期量,早期故障周期性不强需要相关分析。频域信号处理频谱分析。功率谱和幅值谱,分别表示功率分布和谐波震动分量幅值倒频谱分析[31-34]。较低幅值有较高加权,...
  • 8.15

    2018-08-15 22:03:04
    题目基本上是差不多的,最大的区别感觉是在容斥定理这些集合所代表的含义不同,因此奇数加偶数减的内容也就不同,最基本的有与n“合”的数的个数,再有与n合的数相关的某个函数的值,还有 这些数的可重复全排列 ...
  • 最大的不同是,Hashtable方法是Synchronize,而HashMap不是,在多个线程访问Hashtable时,不需要自己为它方法实现同步,而HashMap 就必须为之提供外同步。 Hashtable和HashMap采用hash/rehash算法都大概...
  • 本文提出以下几个观点: 从教师网络萃取知识不一定只从最后softmax层这一层,还可以从多个层提取。...Gram matrix每个都可以说是代表i通道feature map与通道jfeature map互相关的程度。如下
  • 层次查询相关函数 查看执行计划 第章数据插入、删除和修改 数据插入语句 数据修改语句 数据删除语句 伪列使用 和 自增列使用 自增列定义 属性 第章视图 视图作用 视图定义 视图删除 视图...
  • PT80-NEAT开发指南v1.1

    2014-06-24 18:38:34
    相关文档 ................................................................................................................................................. 1 章节介绍 .....................................
  • C#微软培训教材(高清PDF)

    千次下载 热门讨论 2009-07-30 08:51:17
    10.3 构造函数和析构函数 .119 10.4 小 结 .122 第十一章 方 法 .124 11.1 方法声明.124 11.2 方法中参数.125 11.3 静态和非静态方法.129 11.4 方法重载.130 11.5 操作符重载.134 11.6 小 ...
  • C#微软培训资料

    2014-01-22 14:10:17
    10.3 构造函数和析构函数 .119 10.4 小 结 .122 第十一章 方 法 .124 11.1 方法声明.124 11.2 方法中参数.125 11.3 静态和非静态方法.129 11.4 方法重载.130 11.5 操作符重载.134 11.6 小 ...
  • 实例233 限制调整窗口大小的最大值 实例234 整个窗体铺满图片 8.2 主界面应用实例 实例235 类似超级兔子的程序界面 实例236 类似瑞星的导航主界面 实例237 类似Windows XP的程序界面 实例238 Outlook式主...

空空如也

空空如也

1 2 3
收藏数 50
精华内容 20
关键字:

互相关函数的最大值