美国富迪FM2010回声消除芯片资料，美国富迪FM2010回声消除芯片资料

matlab车牌代码道尔顿化 道尔顿化（Daltonize）模拟三色性色盲和图像以及matplotlib图形的三种类型。 归纳和省略这些类型的许多细节是： 十位弱视：绿色无力 赤贫：红色无力 Tritanopia：蓝色弱点（极为罕见） 道尔顿化还可以调整输入图像的调色板，以使色盲者可以感知完整的信息内容。 它可以用作转换像素图像的命令行工具，也可以用作Python模块。 如果用作后者，它将提供一个API来模拟和校正matplotlib图形中的色盲。 这允许创建适合发布的色盲友好矢量图形。 安装 pip install daltonize 用法 作为命令行工具： $ daltonize.py -h usage: daltonize.py [-h] [-s | -d] [-t {d,p,t}] [-g {2.4}] input_image output_image positional arguments: input_image output_image optional arguments: -h, --help show this help message and exit -s,

介绍了稀疏路径回声消除PNLMS、MPNLMS、IPNLMS和MIPNLMS的几种自适应滤波算法，并进行了Matlab的仿真比较。仿真结果表明，PNLMS的初始收敛速度优于NLMS，但当脉冲响应变得密集后性能明显下降，甚至不如NLMS。IPNLMS将NLMS与PNLMS结合，从而无论脉冲响应稀疏或是非稀疏，它都有较好的收敛速度。MPNLMS和MIPNLMS对PNLMS在权系数的分配上引入了对数函数，在相同条件下，使其收敛速度得到提高，但随着脉冲响应变得密集，MPNLMS的收敛速度有所下降，而MIPNLMS保持了最快的收敛速度。

在用labview处理数据时，有时需要消除动态数据在小范围内的抖动，使获得的数据更加稳定，所以可以给数据设置一个死区，当数据变化在死区范围内时，数据不变化，当超过所设死区范围时，允许数据变化。

编译原理实验，词法分析，LL1自顶向下的递归分析，LL1文法自动构造预测分析表、消除左递归、提取公共左因子以及预测分析，功能比较完善，有什么bug欢迎指正，Main文件中有几个测试案例，里面打开的文件都是工程文件夹的中的用txt形式保存的文法。几个具体的实验代码在哪个位置可能有点乱....自己找吧

MSP432-数字陷波滤波器 该程序使用数字陷波滤波器消除不需要的噪声（60 Hz）。 正弦波进入MSP432的精密ADC模块，并在经过数字滤波后通过外部DAC退出。 Matlab用于计算60Hz陷波滤波器传递函数，然后在C语言中实现。 演示： 陷波滤波器传递函数： MATLAB代码： % H(s) = (s^2 + w^2)/(s^2 + (w/Q)s + w^2) % w = 60Hz = center frequency to reject % Q = 3 = quality factor (increase to narrow rejection) % w/Q = bandwidth of the rejection band Hc = tf([ 1 , 0 , ( 2 * pi * 60 )^2], [ 1 , 20 , ( 2 * pi * 60 )^2]); bod

消除影响JESD204B链路传输的因素

用法：[Y CovY] = Correlation_elimination( X ) 输入： X表示多元原始观测值（相关数据） 输出： Y 表示多元不相关数据 CovY 是 Y 的协方差_________________________________________ 例子： 将多元 Poisson-Weibull (X) 数据转换为新的不相关数据 (Y) %生成随机数据（使用NORTA方法） corrZ=[1 0.5;0.5 1]; Z=mvnrnd([0 0],corrZ,1000); X(:,1)=poissinv(normcdf(Z(:,1)),3); X(:,2)=wblinv(normcdf(Z(:,1)),3,2); X=X'; [Y CovY] = Correlation_elimination( X ) ____________________________

cocos2dx 3.x的宝石消除类游戏demo，不是原创，自己收集的，挺不错的。

图像马赛克 开发了一个“图像拼接应用程序”，将一组照片拼接成马赛克/全景图片。 使用SIFT算法生成兴趣点和RANSAC算法消除异常值，最终应用单应矩阵将图像拼接在一起。 下面将解释一些重要的功能： ##计算单应性： 源点和目标点的单独 x,y 坐标。 然后创建在讲座中描述的矩阵 A。使用 matlab 函数 eig 计算 A'*A 的特征值和向量。 结果将包含多组解决方案。 选择与最小特征值对应的特征向量，即第一个。 将该向量转换为 3x3 矩阵以获得 3x3 单应矩阵。 ##applyHomography： 给定单应矩阵和源图像中的点，计算目标图像中的对应点。 使用讲义第 16 页中的信息，可以计算 x,y 坐标。 ##backwardWarpImg： 首先将源图像分成 R、G、B 通道。 然后向后查找目标图像中每个像素在源图像中的对应点。 为了让它更有效率，它被逐列处理。 掩码是通过