LMSLMSDFTLMSDCT卡尔曼滤波AR谱分析和小波变换的程序-报告.doc 本学期结束，编了一些小程序，很是费劲，希望能对大家有所帮助，不解释。 在DFT和DCT中是采用的滑动DFT和滑动DCT。

用多种窗函数做谱分析实验 matlab程序，程序调试正确。有实验报告供参考

空间谱估计的很好教材，入门级

这是一个说话人识别系统，特征是LPC倒谱系数，文件包含11个训练和测试语音素材，采样率为12.5kHz，用11个素材测试识别率可以达到100%，但是通过录音进行测试，有时候会出现错误。

本文提出了一种新的情绪识别模型，该模型以脑图为输入，以唤醒和效价为输出提供情绪状态。脑图是从脑电信号中提取的特征的空间表示。该模型被称为多任务卷积神经网络（MT-CNN），使用微分熵（DE）和功率谱密度（PSD），并考虑0.5s的观察窗口，由四种不同频段的不同波（α、β、γ和θ）的叠加脑图构成。该模型在DEAP数据集上进行训练和测试，DEAP数据集是一个用于比较的著名数据集。该模型的准确度在价态维度上为96.28%，在唤醒维度方面，获得了96.62%的准确率，这项工作表明，MT-CNN的性能优于其他方法。 模型为二维卷积神经网络。该模型的输入是一个脑图，它是EEG信号的空间谱表示。该模型由四个二维卷积层、一个完全连接层以及上述每个层之后的dropout和批量归一化层组成。最后，输出到两个流：前者用于分类受试者的配价水平，后者用于唤醒水平。ReLU用作激活功能。分类层使用一个sigmoidal函数来获得类似概率的输出。对模型进行了收敛性训练。

针对频谱感知的实际应用，在循环平稳理论的基础上，研究了经过脉冲成形滤波器滤波后的MPSK信号的循环谱特性，通过分析有限数据条件下剩余带宽对循环谱估计的影响，提出一种恒包络处理与频域平滑循环周期图结合的符号速率估计算法。仿真表明该方法在有限数据条件下具有良好的性能，而且在剩余带宽较小时，也能有效地估计MPSK信号的符号速率。

高光谱图像分类问题是高光谱遥感图像处理问题中的研究基础,它的主要目的是根据高光谱遥感图像中的光谱信息和空间信息将图像中的每个像元划分为不同的地物类别[1]。高光谱图像分类技术被广泛应用于环境监测、矿产勘探、军事目标识别等领域,然而高光谱图像的高维特性、波段间的高度相关性、光谱混合等使得高光谱图像分类面临着巨大的挑战。因此,高光谱图像分类问题越来越受到学者们的广泛关注[2-4]。

包含一个套件，用于使用残差最小化谱伽辽金法或伪谱法来逼近参数化矩阵方程的解。 这两种方法都采用正交多项式的基础——多元多项式是在单变量多项式的乘积处构造的。 提供了演示，但使用 Karhunen-Loeve 展开式求解椭圆偏微分方程的演示需要使用 MATLAB PDE 工具箱。 还包含用于处理正交多项式和相关高斯正交规则的实用程序。

该工具箱包含一组 m 文件，可用于对切比雪夫网格上的离散 ODE/PDE 进行数值求解。 包括用于构建微分矩阵、使用 Laczos Tau 方法或 Galerkin 基函数强制执行边界条件、谱变换和准逆算子的脚本。

设计了一种新的频谱空洞的检测方法，基于谱相关分析的理论，在循环相关匹配滤波器的基础上，采用单通道信号的检测统计量作为统计判据，用Bartlett（巴特利特）窗周期图法进行功率谱估计，并进行了蒙特卡罗仿真。仿真结果表明，在低信噪比的情况下，该检测方案具有良好的检测性能。