光时域反射仪仿真软件，OTDR仿真软件，通用

针对噪声方差不确定的约束系统,讨论了一种鲁棒滚动时域估计(MHE)方法.首先,根据噪声方差不确定模型,找到满足所有不确定性的最小方差上界,在线性矩阵不等式(LMI)框架下求解优化问题,得到近似到达代价的表达形式;然后再融合预测控制的滚动优化原理,把系统的硬约束直接表述在优化问题中,在线优化性能指标,估计出当前时刻系统的状态.仿真时与鲁棒卡尔曼滤波方法进行比较,结果表明了该方法的有效性.

OFDM系统模拟，有各种时域图和频谱图，相位图

（2）ω与Ω的关系（ω=ΩT） Ω= 0， ω= 0，s平面的实轴对应 z平面正实轴； s平面和z平面之间的映射关系 s平面宽 的水平条带对应ω整个z平面。

五、DFT的共轭对称性 序列的傅里叶变换的共轭对称性，其对称性是关于坐标原点的对称性。 共轭对称： 共轭反对称： 在DFT中，涉及的序列x(n)及其离散傅里叶变换X(k)均为有限长序列，且定义区间为 0 到N－1，所以，这里的对称性是指关于N/2 点的对称性。

Signal Vision 是一款用户友好的时域、频域和时频域信号分析应用程序。 分析包括信号的示波图、相关图、频谱和频谱图可视化以及一些信号统计信息，包括但不限于：信号的正负峰值、平均值、平均校正和均方根值，以及信息分析的时间和频率分辨率（如适用）。 给出了一些示例文件（.dat、.txt、.wav）以阐明应用程序的用法：“ECG.txt”可以在时域中进行分析（例如用于诊断目的）； “BuriedSignal.dat”可以通过相关性或/和在频域中进行分析（例如用于掩埋正弦波分量检测），而“Glock18.wav”可以通过相关性进行分析（例如用于射速测量）。 该代码基于以下描述的理论： [1] D. Manolakis, V. Ingle。 应用数字信号处理。 剑桥，剑桥大学出版社，2011 年。 [2] T. Dutoit, F. Marquґes。 应用信号处理：基于 MATL

从物理意义和数学假设两方面对现有的2种基于时域仿真的戴维南等值参数跟踪算法进行了详细的分析，揭示了两者共同的本质和算法实现上的差异。针对系统中所有负荷节点的处理方式，对现有2种算法进行了修正，使两者在物理本质、数学前提和计算结果三方面实现了统一。在统一现有算法的基础上，为了尽量减小“两状态法”可能带来的误差，以原算法的前提假设为出发点，对不同类型的发电机节点和负荷节点分别按照不同的方式进行处理，提出了改进的戴维南等值参数时域仿真跟踪算法。以等阻抗模判据为依据，通过稳态和暂态实例验证了改进算法能够更加准确地判断电力系统的电压稳定性。

针对实际的运动目标跟踪问题中存在的各种物理约束，采用基于在线滚动优化原理的滚动时域估计方法，将跟踪滤波问题转换为带约束的有限时域优化问题，并通过引入到达代价函数，有效减少了优化问题求解所需的计算量。最后，对实际的目标跟踪问题进行了滚动时域估计仿真研究。Monte Carlo仿真结果表明，滚动时域估计能有效提高跟踪精度，并且能在采样周期之内完成求解，满足在线估计的需要。

matlab由频域变时域的代码使用PETSc在均匀各向同性介质中的3D声波传播 PETSc- 在这里，您可以找到C + PETSc实施方案解决3D声波方程的示例。 使用Krylov方法来找到Ax = b的迭代近似解 分散细节： 时域有限差分（FDTD） 隐式时间步进 O（2,4） 从泰勒级数推导的方案： 在空间[-1：16：-30：16：-1] / 12dx2 及时[2：-5：4：-1] / dt2 型号详情 各向同性 同质 Dirichlet边界条件 使用方法： 必须安装PETSc。 确保设置了PETSC_DIR和PETSC_LIB环境库 make all ./run_O22.sh 或者./run_O24.sh 可以在Shell脚本中更改运行时选项和处理器数量。 在代码中或从运行时更改标记，可以保存并绘制整个波场或仅在接收器位置绘制地震图。 运行时选项-vel float-传播速度[km / s] -xmax float-模型尺寸[km] -ymax浮点-zmax浮动-dt float-时间步长[秒] -tmax float-最大模拟时间-isrc int-源位置[网格点] -jsr

matlab由频域变时域的代码答对了 这是BINGO（具有高斯过程动态模型的网络的贝叶斯推理）的代码，这是一种根据时间序列数据进行基因调控网络推理的方法。 在文章中介绍 A. Aalto，L。Viitasaari，P。Ilmonen，L。Mombaerts和J. Goncalves。 “从稀疏采样的噪声数据推断基因调控网络”，。 如果您在项目中使用该方法，请引用该文章。 方法已在Matlab 2017a中进行了测试。 一般信息 BINGO假设从连续时间轨迹x采样离散时间序列数据，满足dx / dt = f（x）+ u 。 函数f被建模为高斯过程（GP），网络结构被编码为GP协方差的超参数。 f的第i个分量的平均值为m i （ x ）= b i - a i x i 。 该方法基于MCMC采样，这意味着它将收集大量网络采样。 如果在60％的样本中出现特定链接，则在给出数据和基础假设的情况下，该链接存在的后验概率。 建议至少收集5000个样本。 十分之九的样本被丢弃（稀疏），因此5000个样本需要进行50000次迭代。 可以在开始时运行较少的迭代次数，以检查采样器是否正常运行，然后运行更多采