利用加速度信号测量位移是油田抽油井光杆位移测量的主要方法，而加速度信号的随机噪声和趋势项是影响测量精度的主要因素，本文提出了一种基于学习的实时消噪和剔除趋势项方法。学习时先获取一段时间的加速度信号，再通过时间序列分析技术得出ARIMA模型及其参数，最后基于FFT变换的Rife-Jane频率估计方法求出加速度信号的周期；在线实时消噪和剔除趋势项方法是基于学习阶段所得模型参数，运用卡尔曼滤波技术消除加速度信号随机噪声；按周期两次积分得到光杆位移，用加窗递推最小二乘法在线消除趋势项。通过抽油机半实物仿真平台测试和分析加速度信号，结果表明，该方法有效地去除了加速度信号中的噪声和趋势项，极大地提高了位移的测量精度。

matlab肌电信号处理代码EMG手腕姿势分类 EMG分类系统的M文件（计算机Matlab代码）集合，用于根据[1]中所述的来自Myo Armband的随机默认前臂EMG信号来识别九种腕手运动。 该系统使用八个时域特征的线性组合，然后进行线性判别分析（LDA）投影和多层感知器（MLP）分类。 使用Myo Armband中随附的8个主动传感器，对年龄在27±4岁的10位受试者（七名男性，三名女性）的EMG录音进行了开发和测试。 该系统在八个通道的EMG段上运行。 需要Matlab编程环境。 可以在上找到更新。 要引用此系统，请使用参考文献[1,2]。 概述： 一种基于随机获取的前臂EMG信号的九种腕手动作的低复杂度方法。 该方法是通过评估来自八个通道的256段EMG窗口中的八个时域特征而开发的。 来自八个通道的估计特征通过LDA分析进行合并和缩减，并使用数据驱动的MLP方法进行分类。 此处的代码实现了此运动分类系统，该系统已通过EMG记录进行了训练，并记录了来自10个健康受试者的100次训练中的9个运动数据。 快速开始： 使用system_parameters函数在Matlab中设置系统

(完整版)随机生成多孔介质matlab程序.doc

MulGETS 是一种新的基于 Matlab 的随机天气发生器，用于生成多站点降水和温度。 它是单站点天气生成器 WeaGETS ( http://www.mathworks.com/matlabcentral/fileexchange/29136-stochastic-weather-generator-weagets ) 的扩展，可以暂时驱动单个单站点模型独立但空间相关的随机数。 与未修改的单站点天气发生器类似，降水发生使用一阶二态马尔可夫链生成，温度使用一阶自回归模型生成。 然而，MulGETS 不是基于单个伽马分布生成每日降水量，而是使用多伽马分布来解决降水量的空间相关性。 通过根据气候模型输出修改其参数，MulGETS 可以轻松用作气候变化影响研究的缩减工具。

生成不同组合对象的随机集： n 个元素的不同随机排列（顺序、排名）（n 个！可能）。 n 个元素中 k 个不重复的不同随机组合（可能在 nchoosek(n, k) 之外）。 n 个元素中的不同随机子集（无重复的组合）（可能有 2^n 个）。 可以强制包含“identity”或“null”元素。 结果集已排序。

基于随机解调的压缩采样技术是一种可以突破香农采样定理进行稀疏信号捕获的新颖方法。 在基于随机解调的采样系统中的主要挑战是随机序列的产生。 在本文中，我们介绍了一种生成高速随机序列的方法，该序列可以满足压缩采样的不连贯性。 所提出的技术采用了现场可编程门阵列（FPGA）。 首先，将随机序列并行存储在FPGA的存储器中，并使用低速时钟逐字节读取随机序列。 其次，低速字节序列由电路转换为高速位序列。 该提出的方法可以动态地对随机序列进行编程，而无需对电路系统进行任何更改。 实验结果表明，该方法产生的随机序列对信号的检测是可行的，所构建的系统可以压缩采样并重建稀疏信号。

舵 Matlab实现，用于基于快速随机映射的自动编码器。 该演示由两部分组成：源代码和数据。 数据包括测试数据集（MNIST和NORB）和随机矩阵。 （请使用此链接下载数据部分： : ） 要使用这些代码，您只需将所有文件解压缩到同一路径，然后运行“ demo_MNIST.m”和“ demo_NORB.m”。 主要的训练函数“ helm_train（）”可以如下调用： 例子： [TrainingAccuracy，TestingAccuracy，Training_time，Testing_time] = helm_train（train_x，train_y，test_x，test_y，b1，b2，b3，s，C）； ％train_x是训练数据，train_y是训练标签。 ％test_x是训练数据，而test_y是训练标签。 ％b1，b2和b3是随机矩阵，它们预先存储在我们的演

在软件可靠性模型日趋复杂、细化的今天，文章主要以两个经典模型——JM模 秽和GO模型为例，说明经典随机过程类可靠性模型具有强大的理论研究价值，同时应用具体实例，表明若可靠性评估者把握好一个“度”，即：在适当的条件(合适的软件故障数据，合理的应用阶段经典随机过程类可靠性模型还是具有很大的实用性。

一种简单快速的生成双随机矩阵的算法。 （矩阵，其中每列和每行的总和正好是 1）。 每个矩阵都是从所有 NxN 双随机的空间中统一选择的矩阵。 注意：生成的矩阵确实是双随机的，但不是证明/检查该算法确实生成了矩阵 UAR。 生成双随机矩阵的简单算法（矩阵，其中每列和每行的总和正好是 1）。 算法： 1. 为每个 1<=i,j<=N 设置一个 NxN 矩阵 TM st TM[i,j] = 1/N。 2. 对于 X 次迭代： 3. 在 [1,...,N] 上绘制 i1, j1, i2, j2 UAR。 4. 在 (0, min {TM[i1, j1], TM[i2, j2]}) 上绘制 d UAR。 5. M[i1,j1] <= M[i1,j1] - d； 6. M[i2,j2] <= M[i2,j2] - d； 7. M[i1,j2] <= M[i1,j2] + d； 8. M[i2,j1

随机梯度下降法+matlab