已知现有图像尺寸128*128，及范围在1.1-1.9之间的9个不同拉伸系数，在对现有的图像进行不同拉伸后，测试将图像转到频域对拉伸变换后的图像进行重采样因子(拉伸系数)估计，算法通过将对图像的每一行进行二阶差分信号的方差估计，然后对其进行傅里叶变换映射到频域，针对DFT信号中尖峰的位置估计重采样因子。
通过频率估计拉伸字数，并求取估计误差，记录估计正确数量
适合研究插值算法、FFT算法应用的新手小白
2022-07-24 19:05:49
3.98MB
1
2020年最新所有SCI影响因子IF统计,包含所有sci期刊 Total Cites，Journal Impact Factor Eigenfactor Score
2022-07-18 16:29:51
874KB
1
多级CFA模型（MLV CFA）建模通过检查因子结构，因子加载和不同层次级别的错误之间的关系，可以进行更复杂的结构有效性研究。 在MLV CFA模型中，一个或多个潜在变量具有两种元素：1）组间元素（级别2或更高级别）和2）组内元素（低级别1）。 组间元素代表模型的一般部分，组内元素代表模型的单独部分。 级别内变化包括单个级别的测量误差方差，这通常将级别内变化的影响扩展到类内相关。 因此，多级CFA生成的结果与通过完全可靠的措施生成的结果相对应。 如果跨级别指定了相同的度量模型，则通过将每个项目的负载定义为跨级别对应项不变，研究人员就可以将跨级别的因子标度等同起来。 因此，不同水平的因素方差可以直接比较。 可以通过将受限制的MLV CFA模型与在每个级别上自由估计的因子负载指定的不受限制的模型进行比较，来评估此受约束的MLV CFA模型的拟合。 在本工作中，将对上述过程的步骤进行全面描述，并详细讨论与MLV CFA的使用有关的其他问题。
2022-07-13 11:00:20
859KB
1
人工智人-家居设计-环境因子智能化测控装置开发及其提高其动态特性研究.pdf
2022-07-11 19:05:09
2.64MB
仿真对象如下：
其中， v( k )为服从N (0,1) 分布的白噪声。输入信号u ( k) 采用M 序列，幅度为 1。M 序列由 9 级移位寄存器产生，x(i)=x(i-4)⊕x(i-9)。
选择如下辨识模型：
加权阵取Λ = I。
衰减因子β = 0.98，数据长度 L = 402。
辨识结果与理论值比较，基本相同。辨识结果可信
2022-07-04 16:41:48
588B
1