里面有好多函数，可以自己选择不同的参数，产生不同的线性调频序列

MUSIC（多信号分类）是最早提出的一种，也是一种非常流行的超分辨率测向方法。 这些方法依赖于将观察空间分解为噪声子空间和源/信号子空间，已被证明具有高分辨率（HR）功能并能产生准确的估计值。

包括了csdn上现有的绝大多数脑电信号处理方式，含部分源码，可以直接使用。

DL Project Template ，简化加载数据、构建网络、训练模型和预测样本的流程。 By C. L. Wang @ 云事业部 工程： 使用方式 下载工程 git clone https://github.com/SpikeKing/DL-Project-Template 创建和激活虚拟环境 virtualenv venv source venv/bin/activate 安装Python依赖库 pip install -r requirements.txt 开发流程 定义自己的数据加载类，继承DataLoaderBase； 定义自己的网络结构类，继承ModelBase； 定义自己的模型训练类，继承TrainerBase； 定义自己的样本预测类，继承InferBase； 定义自己的配置文件，写入实验的相关参数； 执行训练模型和预测样本操作。 示例工程 识别库中手写数字，工程simp

基于MUSIC Algorithm的DoA/AoA估计的MATLAB实现。

具有Keras联合学习和差分隐私功能的ECG信号分类，卷积神经网络实现 该存储库包含更高级版本。 它包括使用和库的联合学习和差分隐私实现，用于隐私保护机器学习。 该代码已在以下论文中使用，因此如果您想在自己的研究中使用它，请引用此代码。 @ARTICLE{Firouzi2020, author={F. {Firouzi} and B. {Farahani} and M. {Barzegari} and M. {Daneshmand}}, journal={IEEE Internet of Things Journal}, title={AI-Driven Data Monetization: The other Face of Data in IoT-based Smart and Connected Health}, year={2020}, volume={}, number={},

【项目介绍】 基于梅尔频谱图的音频信号分类识别(Pytorch)项目源码，本项目将使用Pytorch，实现一个简单的的音频信号分类器，可应用于机械信号分类识别，鸟叫声信号识别等应用场景。 项目使用librosa进行音频信号处理，backbone使用mobilenet_v2，在Urbansound8K数据上，最终收敛的准确率在训练集99%，测试集96%，如果想进一步提高识别准确率可以使用更重的backbone和更多的数据增强方法。 【博客地址】 《基于梅尔频谱图的音频信号分类识别(Pytorch)》https://panjinquan.blog.csdn.net/article/details/120601437

MATLAB 学习小程序： BP神经网络的数据分类-语音特征信号分类

matlab 10折交叉验证knn代码

多重信号分类算法的步骤 一、由阵列的接收数据得到数据协方差矩阵　，即 二、对　进行特征分解； 三、由　的特征值进行信号源数判断； 四、确定信号子空间　与噪声子空间　；