针对水声信道环境噪声干扰严重,信号接收信噪比低,导致水声通信信号检测困难的问题,本文在传统双滑窗检测的基础上,提出基于改进减算法与双滑窗检测相结合的水声通信信号检测方法。借鉴语音信号增强思想,将接收的水声通信信号进行减降噪处理,提高信号接收信噪比;结合双滑窗检测技术,实现负信噪比下水声通信信号的检测。仿真结果表明,在接收信噪比为?10 dB的情况下,仍可实现水声通信信号的正确检测。
2021-11-25 14:17:51 1.24MB 水声通信 信号检测 降噪 谱减
1
基于概率密度的短波猝发信号检测算法,王萌,刁鸣,针对短波恶劣信道下猝发信号盲检测与起止时刻提取问题,提出一种基于短时傅里叶变换归一化概率密度函数的算法,利用归一化概
2021-11-24 23:10:54 479KB 猝发信号检测
1
回声信息隐藏是通过在语音媒体中加入不同延时的回声来实现信息隐藏的一种技术。采用易于检测的前 向一后向回声核构建了回声信息隐藏系统。介绍了前向一后向回声核的构成原理和倒检测方法,仿真并分析了 系统关键参数对隐藏信息恢复率的影响,如延迟时间、分段长度、回声的衰减系数等。通过引入8个延时的回声 实现了8进制信息E悬藏,使隐藏信息的容量提高了3倍,在采样频率为8 kHz的条件下迭到150 bit/s,恢复率大 于99%。2O人的非正式试听表明.隐藏信息后的语音和原始语音没有明显的差别且优于单回声的语音质量,得 到了较好的隐藏效果。
1
能源光效率优化 该项目包含以下论文的MATLAB代码。 如果发现有任何帮助,请考虑将其引用。 Y. Xie,X。Z. Liu,KY Chan和X. Guan,“车辆通信中的能量频效率优化:基于联合聚类和定价的鲁棒功率控制方法,” IEEE车辆技术学报,doi:10.1109 / TVT。 2020.3021478。 ●请从主文件“ main_optimalpower.m”开始,复制图。 论文中的3和4。 ●所有其他(功能)文件在主文件中调用。 ●本文中的其他图形应易于使用提供的功能文件进行复制。 如有任何疑问,请随时联系我/xieyuan_ai@163.com。
2021-11-24 12:32:26 10KB MATLAB
1
基于matlab实现的循环估计算法,可通过信号分析用于分析周期平稳信号的周期估计等,适合初学者和对估计感兴趣的工程师。
2021-11-24 10:58:25 1KB 循环谱 周期估计 MATLAB
1
matlab分时代码介绍 IsoScope是一个开放源代码,用户友好的软件包,用于可视化并执行质成像(msi)数据的数据分析,重点是同位素标记。 该软件包最初是使用Bruker的solariX数据设计和测试的,但也可以采用标准的.imzML数据格式。 IsoScope具有数据解析,处理,峰检测,图像浏览,质浏览,关注区域(ROI)选择,数据提取,图像叠加等基本功能。IsoScope能够轻松分析同位素标记的成像数据而出类拔萃(包括13C,15N,2H和13C15N双示踪剂)。 具体来说,只需单击几下,该软件即可显示同位素标记形式或代谢物的平均碳原子标记的空间图像,包括在自然同位素丰度校正之后。 数据输入 IsoScope将matlab结构的“ .mat”数据作为直接输入,在峰选择后已经对其进行了处理,其大小要小得多,并且仅包含质心质峰。 因此,请先使用提供的工具从原始图像数据进行转换。 它可以采用三种类型的原始数据: 成对使用相同文件名的.imzML和.ibd文件的标准成像数据格式 错误文件以及同名的.d文件夹,即flexImaging(来自Bruker的商业软件)加载的文件。 这
2021-11-24 10:53:49 18.57MB 系统开源
1
针对故障齿轮振动信号的非平稳和调制特性,提出了基于双树复小波包变换和峭度的齿轮故障诊断方法. 首先,利用双树复小波包变换将原始振动信号分解为若干个不同频带的信号分量,选择与原始信号相关系数大的分量进行阈值降噪并重构;然后,对降噪后的信号利用峭度所得的峭度图选择最佳的带宽和频带中心进行相应的带通滤波处理;最后,将带通滤波后的信号作平方包络和傅里叶变换,即可得到信号的包络解调,从而提取故障特征信息. 通过对试验和工程实际的齿轮故障信号分析表明:双树复小波包变换和峭度结合的方法可有效地提取齿轮故障特征信
2021-11-24 10:34:35 995KB 工程技术 论文
1
复倒和倒的特点和关系: 1.复倒要进行复对数运算,倒只进行实对数运算。 2.倒情况下,一个序列经过正反两个特征系统以后不能还原成自身,因为丢失相位信息。 4.已知一个实序列的复倒,可以求其倒。 5.已知倒,可以求复倒
2021-11-24 00:47:05 4.21MB 语音
1
AR模型功率估计的典型算法比较及MATLAB实现
1
matlab归零码功率原始码问题陈述 该项目的目标是实现一种深度学习算法,该算法将单通道手持式ECG设备的心电图(ECG)记录分为四个不同的类别:正常窦性心律(N),房颤(A),其他心律(O ),或者太吵而无法分类(〜)。 该模型是由论文指导的由Zihlmann等人撰写。 在作者对的贡献之后发表的。 心房颤动(AF)是一种常见的心律失常,影响了超过270万美国人。 这种心律失常与明显的发病率相关,缺血性中风的风险增加了4到5倍。 AF通常是沉默的,患者偶尔会出现中风,这是心律不齐的最初表现。 其他患者有令人不安的症状,例如心pit或头晕,但传统的监测方法无法确定心律不齐。 尽管该问题很重要,但AF检测仍然很困难,因为它可能是偶发性的。 因此,定期采样心率和节律可能有助于在这些情况下进行诊断。 当两个电极中的每一个都握在手中时,移动式ECG设备能够记录单导联等效ECG。 AliveCor为2017年PhysioNet / CinC挑战赛慷慨捐赠了总计12186张ECG录音。 项目包中的文件 该项目包包含以下文件: physionet_readme.ipynb:具有工作代码的此READM
2021-11-23 14:45:15 13.36MB 系统开源
1