由于没有使用滤波器 逆变器的输出是方波

多抽样率滤波器组理论和离散时间序列的小波变换有着密切关系。笔者从信号处理的角度研究了离散时间序列的小波变换利用树状滤波器组实现的方法，分析了两通道共轭正交镜象滤波器组理论及滤波器设计，离散时间序列的正交小波变换的快速实现以及正交小波的构造，指出了其内在联，最后举例说明了正交小波变换通过共轭正交镜象滤波器组来实现信号分解和重构的全过程。

Gabor是一个用于边缘提取的线性滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，因此十分适合纹理分析。

介绍了串联型有源电力滤波器的基本工作原理,研究了基于三相瞬时无功功率理论的谐波电压检测方 法,并分析了系统主要参数的选取方法,最后结合检测负载谐波电压控制方式用 Matlab/Simulink搭建了系统的 仿真模型。仿真结果验证了在合理的参数配置下,串联型有源电力滤波器可对电压型谐波能进行较好的补偿,使得电源电流的畸变减小。

FilterProDT桌面客户端版本，不用去TI注册了，而且现在貌似都是web在线的了，还是离线的方便。好多人分弄的太高了我觉得这个软件5分足够了。

线列红外推扫探测器扫描帧率低,存在带状噪声,为此,提出一种基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法。在红外图像上均匀布置采样窗口,令采样窗口根据图像亮度梯度聚集到高亮区域。融合红外图像的目标能量信息、局域对比度、目标像素聚拢度等多种特征,将采样窗口的加权叠加作为目标概率图。使用全局阈值分割获取目标,最终实现红外小目标的检测。实验结果表明,该算法可以检测中小尺寸的红外目标,且有效对抗探测器带来的带状噪声。

N=500; M=20; n=1; a1=-0.8; h=zeros(M,n+1,3); e=zeros(M,n,3); for d=1:3 if d==1 delta=0.01; else delta=0.05*(d-1); end; for k=1:M b=0.2*randn(1,N); y(1)=1; for i=2:N y(i)=-a1*y(i-1)+b(i); end for i=n+1:N e(k,i,d)=y(i)-h(k,i,d)*y(i-1); h(k,i+1,d)=h(k,i,d)+delta*y(i-1)*e(k,i,d); end end end for d=1:3 for i=1:N em(i,d)=0; hm(i,d)=0; for j=1:M em(i,d)=em(i,d)+e(j,i,d)^2; hm(i,d)=hm(i,d)+h(j,i,d); end end end figure(1) semilogy(1:150,em(1:150,1)),hold on semilogy(1:150,em(1:150,2),'r'),hold on semilogy(1:150,em(1:150,3),'g'),hold off axis([0 150 0.01 1]),grid title('Mean square error ') xlabel('Samples') gtext('\leftarrowd=0.01'); gtext('\leftarrowd=0.05'); gtext('\leftarrowd=0.1'); figure(2),plot(1:N,hm(1:N,1)),hold on plot(1:N,hm(1:N,2),'r'),hold on plot(1:N,hm(1:N,3),'g'),hold off,grid title('Filter coeffcient evalution') xlabel('Samples'), gtext('d=0.01'), gtext('d=0.05'), gtext('d=0.1') （2）从噪声中提取信号的程序如下： N=1000; n=200; k=12; Ts=1e-1 b=0.8*randn(1,N); for i=1:N xr(1,i)=sin(k*2*pi*i/N); x(1,i)=xr(1,i)+b(i); end Cxx=10000*eye(n); g=zeros(N,n); h=zeros(N,n); e=zeros(1,N); y=zeros(1,N); tr=zeros(1,N); for i=n+1:N g(i,:)=(Cxx*x(i-n+1:i)'./(1+x(i-n+1:i)*Cxx*x(i-n+1:i)'))'; e(1,i)=xr(i)-h(i-1,:)*x(i-n+1:i)'; h(i,:)=h(i-1,:)+e(1,i)*g(i,:); Cxx=Cxx-g(i,:)'*x(i-n+1:i)*Cxx; y(1,i)=h(i,:)*x(i-n+1:i)'; tr(1,i)=trace(Cxx); end figure(1) plot(0:N-n,x(1,n:N)),grid title('x(k) input singnal in V') xlabel('Samples') figure(2) plot(0:N-n,xr(1,n:N),'r'),grid axis([0 800 -1.2 1.2]) title('xr(k) reference singnal in V') xlabel('Samples') figure(3) plot(0:N-n,e(1,n:N)),hold on plot(0:N-n,y(1,n:N),'r'),hold on grid title('e(k) error and y(k) output in V') xlabel('Samples') gtext('e(k)'),gtext('y(k)') figure(4) plot(0:N-n,h(n:N,1)),hold on plot(0:N-n,h(n:N,2),'r'),hold off grid title('a(n-1) and a(n-2) coeffcients evolution') xlabel('Samples') figure(5) num1=fliplr(h(N,:)); sys1=tf(num1,1,Ts); bode(sys1),hold off title('Synthesized filter') xlabel('Frequency in rad/s') ylabel('Phase in degree;Module in dB') figure(6) semilogy(0:N-n,tr(n:N)),grid title('Cxx matrix trace') xlabel('Samples')

该模型从50 Hz分量中提取任意阶次的谐波。 您必须指定需要提取的谐波次数。 要使用此滤波器，提前了解系统中可能出现的谐波次数非常重要。

用卷积滤波器matlab代码3D点云分析中的深度学习：配准，对象检测和分段。 基于点云的论文调查 登记 判别性优化：点云注册的理论和应用，2017年 使用深度神经网络自动编码器进行本地化的3D点云注册，2017年。 彩色点云注册，2017年。 使用2个点+法线集快速注册点重叠小的点云，2017年。 密度自适应点集注册，2018年。 学习和匹配用于点云注册的多视图描述符，2018年。 3DFeat-Net：对点云注册的本地3D功能进行了弱监督。 点云注册的逆成分判别优化，2018年。 通过翻译搜索匹配旋转不变特征来进行高效的全球点云注册，2018年。 HGMR：适用于自适应3D注册的分层高斯混合，2018年。 使用混合混合物模型进行稳健的广义点云注册，2018年。 灵活的多线索测光点云注册的通用框架，2018年。 PointNetLK：使用PointNet进行点云注册，2019年。 SDRSAC：基于半定点的无对应鲁棒点云注册的随机方法，2019.， FilterReg：使用高斯滤波器和扭曲参数化的鲁棒高效的概率点集配准，2019， PointNetLK：使用PointNet进行的健壮高