采集癫痫小鼠模型在常态与致癫状态下的脑电信号以研究其癫痫脑电的自动分类。对经过噪声和伪迹消除预处理的脑电信号进行小波变换，获得不同频率子带的小波系数，对脑电信号及与癫痫特征波相关的小波系数提取相应的线性特征（标准差）和非线性特征（样本熵）；基于这些特征及其组合使用支持向量机分类器实现分类。实验发现基于小鼠脑电本身的标准差和样本熵的分类正确率分别为59.10%和58.00%；而融合各相关小波系数的标准差或样本熵，分类正确率分别达到86.60%和88.60%；融合全部相关小波系数的线性和非线性特征后分类正确率为99.80%。这些结果说明基于小波系数特征融合的分类算法性能有显著提升，能有效实现小鼠癫痫脑电的自动分类。

针对现有刚性罐道故障诊断方法不能消除环境因素影响、接头故障识别率较低等问题,以提高罐道故障种类识别精度为目标,提出了基于小波包和BP神经网络的刚性罐道故障诊断方法。搭建了立井提升系统实验台,模拟台阶突起故障和罐道接头故障这2种典型的罐道故障,采集提升容器振动加速度信号;运用小波包分解对采集的信号进行能量分析并提取故障特征参数,将故障特征参数作为BP神经网络的输入,并选取新的测试样本检测神经网络的诊断效果。测试结果表明,基于小波包分析和BP神经网络的刚性罐道故障诊断方法具有较高的故障识别精度,置信度达到了0.91。

介绍了 2D 双树复小波变换 (DT-CWT) 的两种未抽取形式，它们结合了未抽取离散小波变换的优点（精确的平移不变性，所有尺度上所有同位系数之间的一对一关系) 和 DT-CWT（改进的方向选择性和复杂的子带）。 离散小波变换 (DWT) 是一种空间频率变换，已广泛用于图像处理应用中的分析、去噪和融合。已经认识到，尽管 DWT 提供了出色的空间和频率组合分辨率，但 DWT 存在偏移方差。已经开发了对 DWT 的各种修改以产生移位不变形式。首先，使用未抽取离散小波变换 (UDWT) 实现了精确的移位不变性。然而，UDWT 变体具有相当过度完整的表示以及缺乏方向选择性。最近，双树复小波变换 (DT-CWT) 给出了更紧凑的表示，同时提供了近乎移位的不变性。DT-CWT 还提供改进的方向选择性（每个尺度 6 个方向子带）和复值系数，可用于变换域内的幅度/相位分析。本文介绍了 DT-CWT 的两种未抽取形式，它们结合了 UDWT（精确的平移不变性，所有尺度上的所有同位系数之间的一对一关系）和 DT-CWT（改进的方向选择性和复杂的子带）。

PWM控制电机转速调节和在labview上进行相对应的PWM波生成

matlab开发-小波空间插值的AntcolonyOptimization。基于蚁群算法的小波图像插值

Latex 如何编辑matlab代码矢量小波R包 下载并安装 要下载包的开发版本，请在 R 命令行中键入以下内容： install.packages( " devtools " ) devtools :: install_github( " toygur/vectorwavelet " ) 关于矢量小波 vectorwavelet R 包是为多元时间序列的 n 维小波相干分析而创建的。 Biwavelet R 包用于单变量和双变量分析和组件。 此外，包中的多小波相干性 (mwc) 是 Ng、Eric KW 和 Chan 创建的 Matlab 代码的 R 变换。 四元组 (qmwc) 和 n 维矢量小波相干 (vwc) 用于使用矢量小波包进行多维小波分析。 如何引用 citation( " vectorwavelet " ) # > # > To cite package 'vectorwavelet' in publications use: # > # > Tunc Oygur and Gazanfer Unal (2020). vectorwavelet: Vector wavel

SVPWM 建模并实现电机驱动

地球弹性波传播理论的经典教材，值得阅读，欢迎下载。

通过实验体会整数小波变换，由于MATLAB自身对矩阵操作的方便性，以及其丰富的库函数（如可以用来直接显示图象），我决定用MATLAB编程完成本次作业。要说明的是，这里并不是直接利用MATLAB中的wavelet工具箱中的已有小波函数对图象进行整数小波分解，而是用下面的已知分解公式进行小波分解

hankel变换matlab代码年龄代码 可以重复合成示例并应用于数据的标题代码，对应于发表在《流体力学杂志》上的论文“功率谱和波涡分解的地转修正”。 包含： 验证波涡分解算法应用于一维合成数据的代码，如论文第 4.3 节所示。 其中包含的是根据一维轨迹数据计算非地转 QG 谱的代码。 对应的主程序：practise_washingcycle_verify.m 验证一维算法的代码，对应于论文中的第 3.3 节。 对应的主程序：practise_Cphit_from_Cpsit_noise.m 我正在使用 Matlab 2019a 来处理这些代码。 所有合成示例都可以在相当不错的笔记本电脑上在几分钟内运行，但如果您将其应用于实际数据，您可能需要更多的计算资源。 运行它们时，请确保此存储库中的所有内容都复制到您的 Matlab 路径中； 特别是，不要忘记 fftstuff 和 Hankel Transform 包中的内容。 如果您对任何事情感到困惑，请不要犹豫与我联系。 （电子邮件： ） 韩，2019/10/21。