产生1/f噪声（pink noise）以及red noise，blue noise和violet noise，内附实例。

噪声背景下的信号检测是一项复杂而又重要的任务，在雷达信号检测和通信领域都是重要的课题。本文主要针对在噪声背景下周期信号的检测问题，先介绍了几种较为常用的信号检测方法，对自相关函数检测法进行了理论推导，仿真及分析并且仿真分析了多重自相关检测方法的效果，在低信噪比情况下与普通自相关函数法进行了比较。此外还给出了通信信号和雷达信号的检测实例。

自己做的xmind思维导图，希望能够帮助到想要了解ADMM算法的各位伙伴，

一种基于STM32的环境噪声测量设计与实现.pdf

非国大 Simulink中模拟的有源噪声控制耳机 规格 feed_forward_FxLMS.m是使用前馈方法进行噪声控制的简单演示feedback.slx是在Simulink中使用反馈方法进行实时噪声控制的仿真 参考 @inproceedings {eriksson1994， title = {用于主动声衰减的完全自适应广义递归控制系统}， 作者= {Eriksson，Larry J和Allie，Mark C和Melton，Douglas E和Popovich，Steven R和Laak，Trevor A}， booktitle = {声学，语音和信号处理，1994年。ICASSP-94，1994年IEEE国际会议}， 音量= {2}， 页数= {II--253}， year = {1994}， 组织= {IEEE} }

低剂量CT（LDCT）扫描是减少人群中X射线辐射的一种潜在方法。 有必要提高低剂量CT图像的质量。 在本文中，我们提出了一种有效的算法，用于利用剪切波变换去除LDCT图像中的量子噪声。 因为可以通过泊松过程来模拟量子噪声，所以我们首先使用安斯科姆方差稳定变换（VST）对量子噪声进行变换，从而产生具有单位方差的近似高斯噪声。 其次，通过在小波域中的自适应硬阈值处理获得无噪声的小波系数。 第三，我们使用逆剪切波变换来重建去噪图像。 最后，将anscombe逆变换应用于降噪后的图像，从而可以产生改进的图像。 主要贡献是将anscombe VST与Slicelet变换相结合。 通过这种方式，可以有效地将边缘系数和噪声系数与高频子带分离。 使用所提出的方法对一些LDCT图像进行了许多实验。 定量和视觉结果均表明，该方法可以有效地减少量子噪声，同时增强细微的细节。 在临床应用中具有一定的价值。

Y. Wang 等人，MTV：用于图像噪声去除的修正总变分模型，IEE Electronics Letters，第 47 卷，第 10 期，第 592-594 页，2011 在这个MTV中，扩散是沿着原始噪声图像的边缘方向（可能是使用小尺度高斯滤波器的平滑版本），它可以很好地保留边缘和抑制阶梯。 此代码包括 TV、Perona-Malik、YK 四阶 PDE 和建议的 MTV 模型。

matlab生成维纳过程代码去卷积 一维傅立叶和小波分析工具用于反卷积 要求 八度 用法 小波相关功能： [u, v] = filt(type, p)返回类型为type小波变换中使用的父小波u ， v 。 w = wtrans(z, type, p)使用类型type的父小波返回矢量z的p分辨率小波变换。 z = iwtrans(w, type, p)使用类型type的父小波返回向量w的p分辨率逆小波变换。 如果type和p相同，则iwtrans和wtrans应该彼此iwtrans ，直到出现一些小错误wtrans 。 coeffs(w, p, q)返回第p分辨率小波变换的第q级小波系数。 q可以从1到p+1 。 q = p + 1代表最粗糙的小波电平。 B = getbasismat(type, p, N)生成维度为(p+1)xN的矩阵，其第j行包含基础元素，该元素进行转换以生成用于计算p第j级小波系数的向量长度为N （2的整数次方）的信号的第n分辨率小波变换。 [w, ratiounthres, wnoise] = applythres(w, method, p, thrvec)当提

相位噪声测量技术相位噪声测量技相位噪声测量技术术

IMCRA(Improved?Minima Controlled Recursive Averaging，IMCRA)，它们虽然保证了噪声谱估计的准确性，但在追踪带噪语音平滑功率谱最小值时采用了固定时间窗，因此，在噪声突变的情况下，估计的噪声谱存在很长的延时。