耗时两个月，设计不易

自己编写的MUSIC算法，程序对假设的-60° -30° 10° 30° 60°几个方向的信源采用MUSIC算法进行DOA估计，从而得到波达角度。（MATLAB）

React实战之云音乐项目 如果觉得不错，或者对你有帮助，点一个star〜coderwhy 1.1。项目简介 使用React编写的云音乐PC Web项目，接口互连开源的接口，自己已经做好了部署。 项目已经完成功能如下：（你可以下载下来自己体验一下） 推荐页面： 轮播图 热门推荐 新碟上架 榜单 等等 歌曲播放： 目前做好榜单中歌曲的点击播放； 实际上其他页面只要将歌曲的id导入到redux中就可以，整个逻辑已经打通； 做好歌曲的各种控制（暂停，播放，上一首，下一首，进度改变）； 做好播放循序切换：顺序播放，随机播放，单曲循环； 做好歌词的解析，展示，滚动； 排行榜页面： 各种榜单的切换； 歌单页面： 选择分类，选择分类后根据分类切换歌单； 根据分类，歌单列表的展示； 分页功能； 主播电台： 电台分类的展示，滚动； 不同分类展示不同的数据； 电台排行榜展示，分页； 歌手页面： 各种歌手分类

推荐数据集-音乐推荐

该程序是线性调频信号参数估计的music算法，其中有些小错误，但大体是很对的，希望对大家有所帮助

现有各类子空间DOA测向算法为避免阵列模糊一般要求阵元间距小于半波长,但为获得更好的测向性能又需要较大的阵列尺寸,这需要大量的阵元,提高系统复杂度和成本.为克服这个问题,本文基于多重信号分类(MUSIC)算法提出一种采用半径不同的多口径组合阵列进行DOA测向方法.其中小尺寸阵列能够避免测向模糊问题,同时对空间谱起到平滑作用,从而降低空间谱计算复杂度;而具有较少阵元数目的大尺寸阵列主要用于提高测向算法精度和分辨力.本文给出算法的原理与实现步骤,并对算法精度和分辨力进行了分析和仿真,理论分析和仿真结果表明算法的有效性.

提出了一种由MUSIC开发的快速DOA估计算法，该算法也受益于信号极化信息的处理。 除了提高精度和分辨率的性能外，所提出的算法还可以应用于各种形式的偏振敏感阵列，而对阵列的图案没有特殊要求。 根据空间谱的连续性，避免了在4-D空间谱的计算中产生的大量计算。 讨论了所提算法的性能和计算复杂度分析，并给出了仿真结果。 与常规MUSIC相比，该算法在精度和分辨率方面具有相当大的优势，与常规2-D MUSIC成比例的计算复杂度较低。

4-D快速极化MUSIC算法分析

这是一个音乐软件,集成了

DeepJ：用于生成特定风格音乐的模型 抽象 深度神经网络的最新进展使算法能够创作与人类创作的音乐相当的音乐。 但是，很少有算法允许用户生成具有可调参数的音乐。 调整生成的音乐的属性的能力将为帮助艺术家，电影制片人和作曲家的创作任务带来更多实际好处。 在本文中，我们介绍了DeepJ-端到端生成模型，该模型能够根据特定的作曲家风格组合来创作音乐。 我们的创新包括学习音乐风格和音乐动态的方法。 我们使用我们的模型来演示一种简单的技术来控制生成的音乐的样式，以此作为概念证明。 使用人类评分者对我们的模型进行的评估表明，与双轴LSTM方法相比，我们有了改进。 要求 Python 3.5 克隆Pyth