精华内容
下载资源
问答
  • 对于具有任意形式的物质Lagrangian的D维非极端黑洞,计算了剪切粘度与熵密度的比率(η/ s),其中时空度量采用特定形式。 结果缩小为5维的标准表达式。 然后,计算耦合到Born-Infeld电动力学的5个维度的高斯-贝纳特...
  • 弦理论和规范对偶对任何物质都提出了剪切粘度与熵密度之比的通用下界。 我们检查了在暗能量存在下流向中心引力物体的粘性积聚流的剪切粘度与熵密度之比。 对于某些光学上稀薄的热积聚流,该比值似乎接近通用下限,...
  • 面电流密度之

    千次阅读 2020-03-02 18:24:38
    电荷面密度:电荷是一个一个独立存在的质点,所以用面上的总电荷数上面积的微分就是单位面积的电荷数,就称为面密度。这个应该很容易理解。 面电流密度:电流不是电荷,人们引入了电流线的概念,在一个电流面上,...

    序:不知道大家在学习电流密度和电荷密度的时候有没有这样的疑问,同样是面密度为什么他们两个的表达式差这么多?在这篇文章我将分享一些浅见。

    电荷面密度
    面电流密度

    电荷面密度:电荷是一个一个独立存在的质点,所以用面上的总电荷数比上面积的微分就是单位面积的电荷数,就称为面密度。这个应该很容易理解。

    面电流密度:电流不是电荷,人们引入了电流线的概念,在一个电流面上,有一条条的电流线,所以用电流除以面积的微分是没有意义的。但是碰巧的是呢,我们可以从平面上截取一条线,这条线的电流可以微分得到单位线元的电流,也就是线密度,而且是有意义的。所以说面电流密度之所以叫面电流密度只是因为电流在一个平面上而已实质上求的是截线上的电流密度

    欢迎大家在评论区讨论~

    展开全文
  • 提出了一种通过直接分布函数密度比估计的SAR图像变化检测方法。不同于以往基于分布函数的方法需要先分别估计不同时相的分布函数再计算比值,该方法直接估计分布函数比值,并使用皮尔逊散度作为差异度量获取差异图。...
  • Z56151工作面的煤层有夹矸层,采煤时不可避免会有矸石和煤一起采出,为测试工作面的煤密度和矸石密度,以及采出的煤矸,拟采用实验室测试的方法确定采出的煤矸。实验室制备煤和矸石试样各30组,对60组试样进行测试,...
  • 基于MSCNN的人群密度估计生成人群密度

    千次阅读 热门讨论 2020-02-03 00:28:02
    终于到了在家躺着都是给国家做贡献的时候...人群密度估计算法 传统的人群计数方法 基于检测和回归的方法 基于密度图的方法 深度学习的方法 深度学习的方法在目标检测、识别、分割相比传统的方法都取得...

    终于到了在家躺着都是给国家做贡献的时候(手动捂脸),对人员密集场所的监控和自动报警也算是对疫情的一份贡献吧,哈哈!项目地址:https://github.com/zzubqh/CrowdCount,如果你感觉有点用就帮忙点个start吧 😃

    概述和生成人群密度图

    基于MSCNN的人群密度估计:

    人群密度估计算法

    • 传统的人群计数方法
      • 基于检测和回归的方法
      • 基于密度图的方法
    • 深度学习的方法
      深度学习的方法在目标检测、识别、分割相比传统的方法都取得了很大的进步,同样在人群密度估计上也比传统的方法效果要好的多。

    基于深度学习的人群密度估计方法概述

    1. 生成数据集中图片的密度图,生成方法见密度图生成算法,此密度图作为ground truth。
    2. 利用cnn做特征提取,这里就是每种算法最大差异的地方。原始图片通过精心构造的网络提取特征后,生成一副同密度图具有相同大小的图片,用第一步生成的密度图作为ground truth 进行loss计算。在计算loss的时候,简单期间可以直接使用mse,也可以使用一些论文中提出的专门针对密度图的loss。
    3. 对训练好的网络输出,直接求和(原因见密度图生成算法)即为图片中包含的人数。

    项目概述

    1. 由于本项目对于人数大于100的统统记为100,不需要对人群密度过大的做出人数预测,所以选了一个网络结构相对简单的mscnn。
    2. 检测的图片中包括:不包含任何人的图片、只有有限数量人的图片和密度很高的图片,所以先利用一个密度分类网络将图片的密度等级分成了三个等级,分别为0:不包含任何人的图片;1:包含的人员数小于100;2:包含的人员数大于100。
    3. 在项目中,实现了一个使用vgg16作为特征提取的密度等级分类网络;一个mscnn网络用于人数估计;一个使用c#编写的对密度等级打标签的小工具。
    4. 最终的预测结果:
      在这里插入图片描述

    密度图生成方法

    • 原理
      • 如果一个标注点的位置为 x i x_{i} xi ,则改点可以表示为 δ ( x − x i ) \delta(x-x_i) δ(xxi) ,其中 δ ( x − x i ) \delta(x-x_i) δ(xxi)为冲击函数。因此具有N个人头的标签可以表示为:
        H ( x ) = ∑ i = 0 N δ ( x − x i ) H(x) = \sum_{i=0}^{N} \delta(x-x_i) H(x)=i=0Nδ(xxi)
        上式说人话就是:一副图具有N个人头的图片的密度图,人头位于图片的(i,j)处,则在该处像素值为1,即 p(i,j)=1 其余所有的地方像素值为0。
      • 上式就是密度图了,但是这样生成的密度图存在一个很严重的问题,会造成生成的密度图很稀疏导致在网络计算loss的时候整体输出趋近于0,而且不利于统计人群密度大的时候的人数。故,可以使用高斯函数对上式进行卷积,将标记为人头的位置变成该区域的密度函数,这样即在一定程度上解决了图片的稀疏问题,又不改变图片中人数的计数方式,依然只对密度图求和即可!
        假设密度图上在[1,1]处标记出一个人头,则有如下数组:
        array([[0., 0., 0.],
        [0., 1., 0.],
        [0., 0., 0.]])
        取高斯核的 σ = 0.75 \sigma=0.75 σ=0.75滤波后得:
        array([[0.05469418, 0.12447951, 0.05469418],
        [0.12447951, 0.28330525, 0.12447951],
        [0.05469418, 0.12447951, 0.05469418]])
        可知,两个数组求和后值都为1,但消除了稀疏矩阵,更利于网络的loss计算!
      • 高斯核卷积核选择。在真实场景下特别是人群密度很高的时候,每个 x i x_{i} xi 的位置并不是独立的,由于图片存在着透视失真,导致像素与周边样本在不同场景区域尺度不一致。因此为了精确估计群体密度函数需要考虑透视变换,假设每个头部周围的人群是均匀分布的,那么头部与最近k个邻居之间的图像中的平均距离可以给出几何失真的合理估计,即根据图像中k个头部间的距离来确定参数 σ \sigma σ。对于每个人头 x i x_{i} xi ,给出 k 个近邻头部距离{ x 1 i , x 2 i , . . . , x m i x_{1}^{i},x_{2}^{i},...,x_{m}^{i} x1i,x2i,...,xmi},计算平均距离 d i ‾ = 1 m ∑ j = 1 m d j i \overline{d_{i}}=\frac{1}{m}\sum_{j=1}^{m}d_{j}^{i} di=m1j=1mdji x i x_{i} xi在图片上所在的位置对应一个区域,该区域内的人群密度与 d i ‾ \overline{d_{i}} di成比例,所以使用自适应高斯核进行卷积,高斯核的 σ i \sigma_{i} σi可变且与 d i ‾ \overline{d_{i}} di成比例
        F ( x ) = ∑ i = 0 N δ ( x − x i ) ⋅ G σ i ( x ) F(x) = \sum_{i=0}^{N} \delta(x-x_i)\cdot G_{\sigma_{i}}(x) F(x)=i=0Nδ(xxi)Gσi(x) 其中 σ i ( x ) = β d i ‾ \sigma_{i}(x)=\beta\overline{d_{i}} σi(x)=βdi,这里的 β \beta β 取0.3。体现在代码中,就是先计算N个头部间的距离,然后计算出每个头部对应的平均距离,我在代码中K取1,因为训练集中存在大量只包含一个人或者两个人的图片。然后使用对应的 d i ‾ \overline{d_{i}} di计算高斯核的 σ \sigma σ
    • 密度图生成代码
       def get_densemap(self, img, img_index, size):
            """
            生成密度图,准备输入神经网络
            :param img
            :param img_index
            :param positions
            :param size 神经网络输入层图片大小
            """
            h, w = img.shape[:-1]
            proportion_h, proportion_w = size / h, size / w  # 输入层需求与当前图片大小对比
            gts = self.positions[0][img_index].copy()
            for i, p in enumerate(self.positions[0][img_index]):
                # 取出每个人的坐标
                now_x, now_y = int(p[0] * proportion_w), int(p[1] * proportion_h)  # 按照输入层要求调整坐标位置
                gts[i][0] = now_x
                gts[i][1] = now_y
    
            res = np.zeros(shape=[size, size])
            bool_res = (gts[:, 0] < size) & (gts[:, 1] < size)
            for k in range(len(gts)):
                gt = gts[k]
                if bool_res[k] == True:
                    res[int(gt[1])][int(gt[0])] = 1
    
            pts = np.array(list(zip(np.nonzero(res)[1], np.nonzero(res)[0])))
            map_shape = [size, size]
            density = np.zeros(shape=map_shape, dtype=np.float32)
            if len(pts) == 1:
                sigmas = [0]
            else:
                neighbors = NearestNeighbors(n_neighbors=1, algorithm='kd_tree', leaf_size=1200)
                neighbors.fit(pts.copy())
                distances, _ = neighbors.kneighbors()
                sigmas = distances.sum(axis=1) * 0.3
    
            for i in range(len(pts)):
                pt = pts[i]
                pt2d = np.zeros(shape=map_shape, dtype=np.float32)
                pt2d[pt[1]][pt[0]] = 1
                density += cv2.GaussianBlur(pt2d, (3, 3), sigmas[i])
                # density += filters.gaussian_filter(pt2d, sigmas[i], mode='constant')
            return density
    

    生成的密度图如下所示:
    在这里插入图片描述

    展开全文
  • 聚类之密度峰值算法

    万次阅读 2018-07-31 21:59:10
    2、密度峰值算法 2.1、距离度量 2.2、局部密度 2.3、与高密度点之间的距离 3、如何聚类 1、前言 With the rapid development of informatization, there are large amounts of data generating in all walks ...

    目录

     

    1、前言

    2、密度峰值算法

    2.1、距离度量

    2.2、局部密度

    2.3、与高密度点之间的距离

    3、如何聚类


    1、前言

    With the rapid development of informatization, there are large amounts of data generating in all walks of life, from the Internet to our daily life, from the financial data to the medical images. So there are a large number of experts and scholars paying close attention to how to deal with such a vast amount of data effectively. Therefore, the concept of data mining is so popular that I need to introduce something about what is clustering.

    Clustering is an important unsupervised method of data mining. Clustering aims at dividing a set of unlabeled objects into clusters so that objects from one cluster are more similar than those in the other clusters.

    2、密度峰值算法

    密度峰值算法(Clustering by fast search and find of density peaks)由Alex Rodriguez和Alessandro Laio于2014年提出,并将论文发表在Science上。Science上的这篇文章《Clustering by fast search and find of density peaks》主要讲的是一种基于密度的聚类方法,基于密度的聚类方法的主要思想是寻找被低密度区域分离的高密度区域。Similarly,密度峰值算法(DPCA)也基于这样的假设:(1)类簇中心点的密度大于周围邻居点的密度;(2)类簇中心点与更高密度点之间的距离相对较大。因此,DPCA主要有两个需要计算的量:第一,局部密度;第二,与高密度点之间的距离

    2.1、距离度量

    定义论域U= \left \{x_{1},..., x_{n},...x_{N}\right \}中含有N个数据对象,每个数据对象含有D维属性,表示为x_{i}=\left \{ x_{i}^{1} ,...,{ x_{i}^{d},...,{ x_{i}^{D} \right \}。论域U中任意两个对象x{_{i}}x{_{j}}之间的距离采用欧氏距离计算,表示为

                                                                                         dist\left ( x_{i}, x_{i} \right ) = \sqrt{\sum_{d=1}^{D}\left ( x_{i}^{d}- x_{j}^{d}\right )^{2}}

    2.2、局部密度

    数据对象x{_{i}}的局部密度定义为:

                                                                                   \rho _{i}=\sum_{x_{j}\in U}\chi \left ( dist\left ( x_{i},x_{j} \right ) \right-dist_{cutoff} )

    其中,dist_{cutoff}表示截断距离,\chi \left ( x \right )=\left\{\begin{matrix} 1 &x\leq 0 & \\ 0& x> 0& \end{matrix}\right.,这个公式的含义是说找到与第个数据点之间的距离小于截断距离的数据点的个数,并将其作为第i个数据点真的密度。

    2.3、与高密度点之间的距离

    数据对象x{_{i}}与局部密度更高的数据对象的距离定义为

                                                                                                    \delta _{i}=\underset{j:\rho _{j}>\rho _{i} }{min}\left ( dist\left ( x_{i},x_{i} \right ) \right )

    数据对象x{_{i}}与局部密度为最大值时,\delta _{i}=\underset{x_{j}\in U,j\neq i}{max}\left ( dist\left ( x_{i},x_{i} \right ) \right ).

    3、如何聚类

    对于聚类问题,我们需要回答的是聚类中心是什么,对于每个数据点,如何定义所属的类别。DPCA中将那些具有较大距离且同时具有较大局部密度的点定义为聚类中心。

    如上图B,数据点1和数据点10同时具有相对较高的距离和局部密度,所以是聚类中心。而在图中具有相对较高的距离,但是局部密度却较小的数据点26,27和28称为异常点。对于那些非异常点,如何对他们聚类呢?DPCA采用的是将他们归类到比他们的密度更大的最相近的类中心所属的类别中。到此,整个算法的基本思想解释结束。

    参考文献

    Clustering by fast search and find of density peaks

     

     

     

     

     

     

     

     

     

    展开全文
  • 基于网格和密度比的DBSCAN聚类算法研究.pdf
  • 基于知网的具有词素概率密度比的词相似度算法
  • 饱和蒸汽密度表可以查询不同压力下的饱和蒸汽温度、密度;不同压力下的过热蒸汽的密度。还可以查询饱和蒸汽焓、熵、比容、热、运动粘度、等熵系数、压缩系数等
  • 互谱密度

    千次阅读 2019-06-24 16:16:25
    当波的功率频谱密度乘以一个适当的系数后将得到每单位频率波携带的功率,这被称为信号的功率谱密度(power spectral density, PSD);不要和 spectral power distribution(SPD) 混淆。功率谱...

    理论

    先讲一点儿理论相关的东西,在后面使用matlab实现,加深大家的理解。

    功率谱密度

    在物理学中,信号通常是波的形式表示,例如电磁波、随机振动或者声波。当波的功率频谱密度乘以一个适当的系数后将得到每单位频率波携带的功率,这被称为信号的功率谱密度(power spectral density, PSD);不要和 spectral power distribution(SPD) 混淆。功率谱密度的单位通常用每赫兹的瓦特数(W/Hz)表示,后者使用波长而不是频率,即每纳米的瓦特数(W/nm)来表示。

    计算定义

    尽管并非一定要为信号或者它的变量赋予一定的物理量纲,下面的讨论中假设信号在时域内变化。
    上面能量谱密度的定义要求信号的傅里叶变换必须存在,也就是说信号平方可积或者平方可加。一个经常更加有用的替换表示是功率谱密度(PSD),它定义了信号或者时间序列的功率如何随频率分布。这里功率可能是实际物理上的功率,或者更经常便于表示抽象的信号被定义为信号数值的平方,也就是当信号的负载为1欧姆(ohm)时的实际功率。此瞬时功率(平均功率的中间值)可表示为:

     P=S^2(t)

    由于平均值不为零的信号不是平方可积的,所以在这种情况下就没有傅里叶变换。幸运的是维纳-辛钦定理(Wiener-Khinchin theorem)提供了一个简单的替换方法,如果信号可以看作是平稳随机过程,那么功率谱密度就是信号自相关函数的傅里叶变换。

    计算方法

    信号的功率谱密度当且仅当信号是广义的平稳过程的时候才存在。如果信号不是平稳过程,那么自相关函数一定是两个变量的函数,这样就不存在功率谱密度,但是可以使用类似的技术估计时变谱密度。
    f(t) 的谱密度和 f(t) 的自相关组成一个傅里叶变换对(对于功率谱密度和能量谱密度来说,使用着不同的自相关函数定义)。
    通常使用傅里叶变换技术估计谱密度,但是也可以使用如Welch法(Welch’s method)和最大熵这样的技术。
    傅里叶分析的结果之一就是Parseval(帕塞瓦尔)定理(Parseval’s theorem,其有时也被称为瑞利能量定理,Rayleigh’s energy theorem),这个定理表明函数平方的和(或积分),也就是其能量,等于其傅里叶转换式平方之和(或者积分):
    ∫+∞−∞∣x(t)∣2dt=∫+∞−∞∣x(f)∣2df

    其中 X(f) = F.T. { x(t) } 为x(t) 的连续傅立叶变换,f 是 x 的频率分量。
    上面的定理在离散情况下也是成立的 (DTFT 和 DFT)。另外的一个结论是功率谱密度下总的功率与对应的总的平均信号功率相等,它是逐渐趋近于零的自相关函数。

    其他定义

    功率谱密度谱是一种概率统计方法,是对随机变量均方值的量度。一般用于随机振动分析,连续瞬态响应只能通过概率分布函数进行描述,即出现某水平响应所对应的概率。
    功率谱密度的定义是单位频带内的“功率”(均方值)
    功率谱密度是结构在随机动态载荷激励下响应的统计结果,是一条功率谱密度值—频率值的关系曲线,其中功率谱密度可以是位移功率谱密度、速度功率谱密度、加速度功率谱密度、力功率谱密度等形式。数学上,功率谱密度值—频率值的关系曲线下的面积就是均方值
    ,当均值为零时均方值等于方差,即响应标准偏差的平方值。

    互谱定义

    互谱(cross-power spectrum) 互功率密度谱的简称,在频域内描述两个不同信号之间统计相关程度的一种方法。
    设有两个平稳随机信号x(t)与y(t),根据随机过程理论,它们之间的统计相关特性,应该用其互相关函数表达。对x(t)与y(t)的互相关函数进行傅里叶变换,获得其频域中的功率密度谱,即称为互功率密度谱,也称互频谱。可见,互谱与互相关函数是分别从频域和时域描述两个信号统计相关的两种不同表示,它们互为傅里叶变换。互谱也适用于确定性信号分析。互谱在通信及信号处理领域中有重要用途,可用来测定一个未知参数的线性系统的频率响应。这时主要要测出系统输入和输出信号之间的互谱。互谱也可以用于系统时延,如声纳接收信号等时延估计。
    在实用中,通常利用快速傅里叶变换来计算和测量互谱,这是因为实际要求提高测量运算速度而提出来的,已经生产了许多测量功率谱密度函数的仪器,它们也可以用于互谱的测量。
    现代谱分析是20世纪70年代发展起来的新兴学科。新的方法、新的软件以及新的VLSI谱分析专用硬件不断出现,并在越来越多的领域中获得成功的应用。在现代谱分析理论和方法的研究中,ARMA参数模型方法和特征分析方法是人们十分关心的研究课题。在参数模型方法中对AR方法的研究比较成熟。虽然从理论上说ARMA方法应当具有比AR方法更优越的性能,但现在还没有有效的ARMA谱估计方法。已经提出的方法不是性能不够理想,就是计算太复杂,距实际应用相差甚远。现代谱估计中的特征分析方法都有优越的谱分析性能。特征方法和子空间理论的研究在阵列信号处理中对提高方位估计的分辨力和估计精度均有重要意义。
    由于实际信号的时变、非平稳等复杂情况,研究多种信号的韧性(robust)谱估计,以及研究时变谱估计是谱分析研究的一个重要方面。对于实际应用中经常遇到的如噪声中单个或多个正弦信号的频率估计,窄带信号和宽带信号谱分析,以及淹没在噪声中的信号的谱分析等问题也是今后研究的重要课题。
    为了加速现代谱分析方法的实际应用,人们重视快速算法和有效的算法结构的研究,尤其是能够用超大规模集成电路硬件实现的实时谱分析方法。多维谱估计和高阶谱估计的研究受到重视,其中人们十分感兴趣的研究课题是对双谱和三谱估计的研究,可用于估计信号中的相位和描述时间序列的非线性特性等。

    互谱密度函数

    互谱密度函数(cross-spectral density function)是互相关函数的傅立叶变换。互谱密度函数一般与互相关函数具有同样的应用,但它提供的结果是频率的函数而不是时间的函数。这—事实大大开拓了使用范围,因此在可以应用相关分析的工程问题中大大增加了互谱方法的应用。互谱密度函数是有重要用途的,频谱分析中能用互谱的测量结果来识别动力系统的特性以及计算频响函数的振幅比和相位角

    互谱密度函数定义

    互谱密度函数的定义,数学上可描述为
    Sxy​(f)=T−>∞lim​T1​[XT∗​(f)YT​(f)],−∞<f<+∞(1)

    由于互谱密度函数的推导方法与自谱密度函数相同,它们的差别只是

     
    是信号x(t)的自乘,而

     
    是信号

    的互乘。应当注意的是,因为

    ​    
     


    ​    
     
    一般不是互为共轭,所以

     
    为复数性质。
    互谱的单边谱为
     

    由式(2)互谱密度函数也可以描述为
     

    总结

    自功率谱密度函数Sxx(f):反映相关函数在时域内表达随机信号自身与其他信号在不同时刻的内在联系。
    1、当随机信号均值为零时,自相关函数和自功率谱密度函数互为傅立叶变换对。
    2、自功率谱密度有明确的物理含义:当tao=0时,Sxx(f)曲线与频率轴f所包围的面积就是信号的平均功率。另外,Sxx(f)还表明了信号的功率密度沿频率轴的分布状况,因此称Sxx(f)为自功率谱密度函数。

    Matlab 实现

    cpsd 使用welch方法计算互功率谱密度

    1Pxy=cpsd(X,Y)返回使用welch方法计算的两个离散时间序列信号的互谱功率密度Pxy,
    默认参数中,X和Y会被分成八段,每段重复50%,每段通过汉明窗加窗,同时计算八个加权的谱密度并做平均。可以使用“Help pwelch”和“Help cpsd” 来查看完整的细节
    X和Y可以是向量或者二维的矩阵。如果它们都是矩阵,他们必须有相同的尺寸。CPSD会按照列的维度计算,即Pxy(:,n)Pxy=cpsd(X(:,n),Y(:,n)).如果其中一个是矩阵另一个是向量的话,这个向量会被转变成一个列向量,并且进行扩展。因此,输入都必须有相同数目的列。
    Pxy是单位频率能量的谱分布。对于实信号,cpsd反馈的是单边的互谱密度;对于复数信号,它返回的是双边的互谱密度。注意这里单边的互谱密度包含了输入信号的全部能量。
    Pxy=CPSD(X,Y,window),当window是一个向量时,将x和y的每一列分成由Pxy = cpsd(X,Y,WINDOW), 每一块儿的向量长度和窗口数相同的不重合的区域。如果窗口是一个整数,那么每一列会被分割成和window数一样长的区段,每一个区段都会使用汉明窗进行加窗。如果窗口参数是空的,则会将x和y分割成八个区域,并使用汉明窗进行加窗。
    Pxy=cpsd(x,y,wiodow,noverlap)使用noverlap参数 控制每个区段之间重复的样本数。
    Noverlap 必须是一个小于窗口长度的整数,如果窗口数是一个向量的话。如果是一个标量的话,则必须比窗口小。默认的Noverlap等于50%。
    【Pxy,W】=cpsd(x,y,window,noverlap,nfft)确定了用了计算CPSD的FFT的点数。对于每一个实信号,Pxy的长度为(NFFT/2+1),如果NFFT是偶数。如果NFFT是奇数则长度为(NFFT+1)/2.对于复信号,Pxy长度始终为NFFT。如果NFFT被设置为空,则NFFT点数或者是256或者是比x和y大的最小的2的幂。 如果NFFT比每段的数据都长,则会对数据段进行补零操作。如果数据段比NFFT点数大,则会使用wrapped使得数据的长度等于NFFT。这个产生了正确的FFT点数,在NFFT比区段长度短时。W是记载了归一化后psd计算频率点的向量。W是单位角度每样本数。对于实信号,W扩张至【0,pi】这个区间当NFFT点数是偶数的时候,【0,pi)当NFFT是奇数的时候。
    对于复数信号,w扩张至【0,2pi)这个区间。
    [Pxy,W]=cpsd(X,Y,Window,Noverlap,W)计算在向量w中的标准角度频率存在的双边互谱密度,w必须至少有两个元素。
    [Pxy,F]=cpsd(x,Y,window,noverlap,nfft,Fs)返回作为实际频率函数的互谱密度。Fs是用HZ表示的采样频率。如果Hz数没写的话,则默认是1HZ.
    F是存储Pxy计算点的频率向量(单位为Hz)。对于实信号,F会扩张到间隔[0,Fs/2]当NFFT
    是偶数的时候,扩张到[0,Fs/2),当NFFT是奇数的时候。对于复数信号,F
    则扩张至[0,Fs).
    [Pxy,F]=cpsd(X,Y,window,noverlap,F,Fs)计算存储在频率向量F中存放的点的互谱密度。F必须使用至少两个元素来表示,单位是HZ
    […]=cpsd(…,Freqrange)返回在特定频率范围计算的互谱密度,使用的参数FREQrange限定的范围。
    ‘onesided’-返回输入的实信号x和y的单边的互谱密度。如果NFFT是偶数,Pxy的长度为NFFT/2+,计算的间隔为[0,pi].如果NFFT是奇数,Pxy的长度则为(NFFT+1)/2和同时在频率范围[0,pi]计算,当Fs被设置时,间隔为[0,fs/2]或者[0,Fs/2).
    ‘twosided’-返回双边的互谱密度信号,对于实或者复数的输入信号x和y。Pxy有长度NFFT同时在频率范围[0,2pi)内计算。当Fs被设置时,间隔为[0,Fs).
    ‘centered’-返回中心化的双边互谱密度对于实或者复的输入信号x和y。Pxy长度为NFFT同时在间隔(-pi,pi]进行计算。
    如果不设置输出参数,则画出互谱密度(单位是分贝/每频率)
    例子

       Fs = 1000;   t = 0:1/Fs:.296;
           x = cos(2*pi*t*200)+randn(size(t));  % A cosine of 200Hz plus noise
           y = cos(2*pi*t*100)+randn(size(t));  % A cosine of 100Hz plus noise
           cpsd(x,y,[],[],[],Fs,'twosided');    % Uses default window, overlap & NFFT. 
    结果如图所示,100Hz有个高峰。

    --------------------- 
    作者:Big_quant 
    来源:CSDN 
    原文:https://blog.csdn.net/lvsehaiyang1993/article/details/84348788 
    版权声明:本文为博主原创文章,转载请附上博文链接!

    展开全文
  • 人群密度估计CrowdNet

    万次阅读 热门讨论 2017-04-01 17:41:57
    该方法是目前为止最新的一篇进行人群密度估计的论文,CrowdNet: A Deep Convolutional Network for DenseCrowd Counting。简单的说,就是通过提取待检测图片的特征图(能量图,密度图)来进行积分,从而做出人数的...
  • 行业分类-物理装置-毫米级小球的真密度、堆密度及最大填充同时测试方法.zip
  • 电容器功率密度和能量密度

    千次阅读 2020-07-21 15:42:10
    功率密度和能量密度 功率密度:提供功率的能力,就是放电速度的能力,别称功率,单位w/kg 能量密度:贮存能量的能力,别称能量,单位J/m^3
  • 人群密度估计MCNN

    万次阅读 多人点赞 2017-04-01 17:47:43
    该方法源自论文,Single-Image CrowdCounting via Multi-Column Convolutional Neural Network,是上海科技大学张营营的作品。...使用融合可以获得单一网络更好的性能,同时由于网络结构比较宽,作者借...
  • 利用可以在高温高压条件下,对密闭容器内的流体密度进行直接测量的电磁悬浮式天平对地下盐水的密度进行了测量。...CO2盐水溶液密度与盐水密度之比与压力无关,但随着CO2的质量分数的增加而增大,随着温度的升高而减少。
  • android 六个主要密度之间的缩放
  • XP Power正式宣布推出两款超宽输入范围、高性价、高功率密度的DC-DC转换器,适用于铁路牵引和铁路车辆。  这两款DC-DC转换器的超宽输入范围可为客户降低库存要求,也可满足超宽的应用范围。额定功率20W的RDE20...
  • 密度分辨率

    千次阅读 2011-06-03 16:36:00
    密度分辨率 密度分辨率(contrastresolution;densityresolution) 密度分辨率 能区分不同组织密度的能力。CT对组织的密度分辨率较X线摄影高。目前CT的密度分辨率为0.5%,即两种组织的密度差别等于或>0.5%时即可辨认...
  • 密度聚类

    千次阅读 2016-11-17 21:04:39
    DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法,它是一种基于高密度连通区域的、基于密度的聚类算法,能够将具有足够高密度的区域划分为簇,并在具有噪声的数据中发现任意形状的...
  • 叠前地震反演在油气藏描述过程中具有重要作用,反演得到的多种参数成果可以对储层和流体进行综合分析,其中密度和泊松参数对油气的敏感性较高。重点讨论了影响密度和泊松参数叠前地震反演效果的关键技术,包括叠...
  • 常用材料的弹性模量、泊松密度

    万次阅读 多人点赞 2016-09-10 23:27:14
    常用材料的弹性模量、泊松密度 材料名称 弹性模量E 切变模量G 泊松 密度 Gpa Gpa g/cm3(t/m3) 灰铸铁 118-126 44.3 0.3 7 白口铸铁 113-157 44 0.23-0.27 7.55 球墨...
  • 改变镀液酸铜和电流密度提高PCB深镀能力.pdf
  • 制取平坦型和陡平型VDP板材,该文通过改变板坯含水率分布以及热压曲线,热压不同VDP的中密度纤维板,分析各工艺参数对板材表面质量、表层厚度、表心层密度比、心层最低密度的影响。结果表明:适当增大板坯的含水率,可以...
  • 密度估计与自适应带宽的核密度估计

    万次阅读 多人点赞 2017-06-29 22:26:44
    最近看论文,发现一个很不错的概率密度估计方法。在此小记一下。 先来看看准备知识。 密度估计经常在统计学中作为一种使用有限的样本来估计其概率密度函数的方法。 我们在研究随机变量的过程中,随机变量的概率...
  • 为测量大聚光聚集太阳能流密度分布,提出了一种基于红外热像仪和水冷朗伯靶的红外反射测量方法,并设计、研制了测量装置。在十六碟聚集器平台上,用该方法获得了清晰的聚集太阳能流分布红外图像。然后考虑太阳光锥...
  • 关键词密度

    2010-07-22 22:24:00
    百科名片关键词密度(Keyword Density)与关键词频率(Keyword Frequency)所阐述的实质上是同一个概念,用来量度关键词在网页上出现的总次数与其他文字的比例,一般用百分比表示。相对于页面总字数而言,...
  • 在一定范围内,过热蒸汽的焓和密度被拟合成压力和温度的双线性函数.计算表明:在温度为673.15~833.15K,压力为10~19.5MPa时,采用3阶拟合函数,焓和密度拟合的相对误差分别小于0.11%和0.54%.
  • 大家有木有发现,在比较在不同速度下工作的系统、或者查看软件定义系统如何处理不同带宽的信号时,噪声频谱密度(NSD)可以说信噪比(SNR)更为有用。虽然它不能取代其他规格,但会是分析工具箱中的一个有用参数指标。...
  • 密度垂直排列的碳纳米管束,用于3D集成高长宽TSV互连

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 90,561
精华内容 36,224
关键字:

密度之比