高斯白噪声matlab代码基于自适应傅里叶分解的R峰检测，用于嘈杂的ECG信号 基于AFD的R峰检测的Matlab代码。 该方法在 Wang，Z.，Wong，CM，and Wan，F.（2017年7月）。 针对噪声ECG信号的基于自适应傅立叶分解的R峰检测。 在2017年第39届IEEE医学与生物学工程学会（EMBC）国际会议上（pp.3501-3504）。 IEEE。 R_detect_AFD_4_with_noise.m ：针对嘈杂的ECG信号，基于自适应傅里叶分解的R峰检测。 处理后的信号是MIT-BIH心律失常数据库中ECG信号与加性高斯白噪声的组合。 R_result_check.m ：检测结果。 AFD_filter_final.m ：基于AFD的过滤器。 AFD.m ：核心AFD ECG_100.mat和ECG_101.mat ：来自MIT-BIH心律失常数据库的真实ECG信号 注意事项： 由于噪声是由随机过程产生的，因此计算结果与会议论文中给出的结果之间可能会有细微的差异。 本文考虑了MIT-BIH心律失常数据库中的25条记录。 在此存储库中，仅提供了2个样本记录。 可

对原始信号进行小波包分解，小波函数及分解尺度均可自调

为凸显负荷波动的随机性、周期性和相关趋势，通过探求负荷变化机理显著提升预测精度，提出了一种基于EMD的负荷波动机理研究方法。首先对负荷进行EMD分解，得到随机、周期和趋势分量；然后分析各分量的变化规律与候选影响因素的关联关系，推导负荷变化机理，提取时标特征值；最后进行特征的去冗余。该方法创新点是能提取出特征值的时标特性。以广东省负荷数据集作为预测案例研究，对比实验研究结果表明了所提方法的有效性。

用于信号故障特征提取，算法研究，是简单的程序代码，

总体平均经验模式分解（EEMD）方法是一种先进的时频分析方法，非常适合于对非平稳故障微弱信号的分析处理。文中介绍了EEMD方法的原理与算法实现步骤，重点分析了EEMD方法避免模式混淆的机理。利用EEMD方法对齿轮箱振动信号进行分析，成功提取了小齿轮磨损故障特征，验证了EEMD方法在故障微弱信号特征提取的有效性。

变分模态分解 信号处理方法 数据序列平稳化。

辛几何模态分解matlab代码，可以直接调用，与EMD类似

超过100位大整数分解工具GGNFS最新2022可用版本，windows平台开箱即用，使用方法参考https://bbs.pediy.com/thread-266648.htm

VMD.分解程序-将序列分解为多个子序列，用于风速风功率等新能源预测

CTF相关小工具，rsa 隐写查看等等 de：114514