这是一篇关于不确定时滞系统的巨著，里面介绍了时滞系统滤波器设计的方法，也给出了好多处理不确定性的方法，是值得一读的专著

低噪声放大器是信号接收前段的重要部件，它的性能决定了整体接收机系统的信噪比。本文介绍了一种基于英飞凌公司的BFP740ESD放大器设计的宽带低噪声放大器的设计过程，采用2级芯片级联放大的方法，首先通过ADS2013建模仿真，确定放大器的原理图；然后根据原理图绘制PCB版图。实物测试结果得到，在2.3~2.5 GHz的范围内增益为32 dB左右。在室温下，噪声系数低于1.5 dB，在中心频率2.4 GHz时，输入端的S11达到-20 dB，达到预期设计要求，具有良好性能。

经典的机器学习隐含地假设训练数据的标签是从一个干净的分布中采样的，这对于真实的场景来说限制太大了。然而，基于统计学习的方法可能不能很好地训练深度学习模型。因此，迫切需要设计标签噪声表示学习(LNRL)方法对带噪声标签的深度模型进行鲁棒训练。为了充分了解LNRL，我们进行了综述。

高斯白噪声matlab代码RF数据集收集MATLAB脚本 为了增加具有射频硬件特性的射频机器学习数据集，发送和接收射频波形信号样本的MATLAB脚本。 需要使用Mathworks“来自通信的USRP支持”工具箱来控制某些Ettus USRP SDR。 如何使用这些脚本 要创建适当结构的RF波形数据集进行发送和接收，请首先在以下Github存储库中从NIST获得可用的源代码： 然后，使用NIST波形发生器仓库中的指令创建至少一个数据集MATLAB工作区文件，其中将模拟的加性白高斯分布噪声添加到雷达波形脉冲样本中。 我发现将批数据集的大小限制为200个样本（每个样本80毫秒）很有用。 我还配置了雷达波形发生器，以在不存在任何雷达的情况下随机创建200个文件中的1/2个。 这是训练，验证和测试雷达探测器模型可以学习如何识别雷达形式不存在的地方所必需的。 创建数据集后，请确保发送和接收USRP已正确连接到其主机，并首先启动send_USRP_data.m脚本。 然后，一旦该脚本重复发送选定的200个雷达波形样本批次，然后启动receive_USRP_data.m脚本，并希望它将确认已正确接收整

针对传统的OBF分解算法在非高斯噪声下检测性能较差的问题,提出了一种带通滤波结合OBF分解的磁异常信号检测算法。首先,根据磁异常信号的频域特征,设计了Parks-McCl ellan最优FI R滤波器。通过对含噪信号的带通滤波,实现对非高斯噪声的近似高斯化,同时最大程度地保留磁异常信号的信息。然后,对滤波后的信号进行OBF分解,提取能量特征信号进行门限检测。最后,分别采用仿真数据和实测数据对算法进行了验证。结果表明:改进后的算法有效地提高了信噪比,增强了非高斯噪声下微弱磁异常信号的检测能力,解决了OBF在

使用数据序列来追溯传递函数的参数。 循序渐进，轻松理解。

mobi格式的电子书，看名字是计算机的书，其实不是，讲的是预测，但其中的思想跟编程有很多相通的地方，值得去读。

smote的matlab代码不平衡 当数据偏向某一类时，最先进的分类算法就会受到影响。 这导致了许多处理不平衡数据的技术的发展。 然而，似乎没有一种技术在所有条件下都能始终如一地发挥作用。 R 包unbalanced为不平衡分类任务实现了一些众所周知的技术，并提供了一种竞赛策略，以自适应地为给定的数据集、分类算法和采用的准确度度量选择最佳方法。 安装 您可以在以下位置安装稳定版本： install.packages('unbalanced', dependencies = TRUE) 或者在 github 中可用的一个： library(devtools) devtools::install_github("dalpozz/unbalanced") 不平衡分类方法 unbalanced包为不平衡分类任务实现了一些最著名的采样和基于距离的方法。 在采样方法系列中，我们有随机欠采样 ( ubUnder ) 和过采样 ( ubOver ) 的函数。 前者从多数类中删除观察，而后者复制少数类实例。 该包还包含一个名为ubSMOTE的函数，它实现了SMOTE ，它通过在观察到的邻域中生成合成少数

针对现有相关噪声模型—Laplacian 模型不能精确描述相关噪声，导致分布式视频编码(DVC,distributed video coding)系统的率失真性能不高的问题，提出像素域DVC中广义伽马分布相关噪声模型。首先分析了相关噪声的统计特性，发现 Laplacian 分布的峰值比实际相关噪声分布的低，然后采用广义伽马分布对相关噪声进行拟合，并给出在线估计广义伽马分布参数的方法。实验结果表明，提出的模型能较精确地描述相关噪声，且有效地改善了系统的率失真性能，并减少了解码端计算复杂度。

有色噪声 产生离散的有色（幂律）噪声 的Python / numpy实现：N. Kasdin，新泽西州，沃尔特，T。，“幂律噪声的离散模拟[用于振荡器稳定性评估]”，频率控制专题讨论会，1992年。第46届，1992 IEEE论文集，第274页，5月。 1992。http: 该存储库的代码现在作为Noise（）类包含在allantools存储库中： :