墨西哥帽子matlab代码心电图压缩感知 提供了与ECG压缩感知（CS）算法实现有关的代码（MATLAB）。 该算法根据：（i）Eulalia Balestrieri，Luca De Vito，Francesco Picariello，Ioan Tudosa中描述的方法“医疗物联网时代基于压缩传感的ECG信号采样的新方法”，以及（ii）CS文献中提供了一些方法，这些方法考虑了伯努利或高斯分布的传感矩阵和字典Mexican Hat，Symlet-4等。 无论您打算使用哪种方法进行研究，请引用该论文：Eulalia Balestrieri，Luca De Vito，Francesco Picariello，Ioan Tudosa，“一种基于压缩感知的医疗物联网时代基于ECG信号采样的新方法” 设置： 在“ main_CS_power_based.m”文件夹中导出“ mcode.rar”的.rar内容 在“ main_CS_power_based.m”文件夹中导出“ cvx-w64.rar”的.rar内容并运行“ cvx_setup.m” 检查互联网连接 在MATLAB中打开“ main_C

对气候数据进行趋势检验，直接代入数据就可，非常简单

matlab代码，该代码包括锂离子电池实验数据，对于没有实验数据的用户十分友好，实验数据里有SOC-OCV曲线，以及实验室测量的电流电压。本代码采用了两个卡尔曼滤波器来完成SOC的估计，并与单独的卡尔曼滤波做了对比。代码的中文注释比较详细，帮助读者理解以及进行二次开发。程序可以完美运行，需要注意的点是先将文件里的数据导入matlab的工作空间，如有问题可在该页面下方进行评论或者私信我。

故障诊断相关的MATLAB代码，主要有神经网络算法的m文件

retinex算法 ，基于matlab平台的仿真程序，可以使图像增强。这是已经封装好的程序，有界面，可以直接使用。

信噪比matlab代码详解评估基于感知的语音增强损失 请在这里找到引用论文和脚本的脚本。 在此存储库中，我们提供用于训练/验证数据准备（包括感知加权滤波器的幅度响应），网络训练/验证（包括感知加权滤波器损耗和基于PESQ的损耗），网络推断，增强的语音波形的源代码。重建和测量。 该代码是基于由Juan Manuel Mart´ın-Donas编写的感知加权滤波器损失项目和PMSQE的项目。 然后由赵浩然进行整合和修改。 介绍 在该项目中，针对语音增强应用评估了两个基准损失和两个基于感知的损失。 将均方误差（MSE）损失和对数功率MSE损失作为基准进行测试。 对感知加权滤波器损失和基于PESQ的损失进行评估和比较。 先决条件 2014a或更高版本 3.6 CPU或NVIDIA GPU + 9.0 7.0.5 入门 安装 安装1.14.0和2.3.1 需要安装一些Python软件包，请在Python脚本中查看详细信息。 安装 数据集 请注意，在本项目中，干净的语音信号是从（降采样到8 kHz）中提取的，而噪声信号是从数据库中提取的。 为了在此项目中运行脚本，假定上述数据库在本地可用。 训练和

1. 对通信半径进行分级，利用多级半径修正信标节点到相邻节点的跳数信息； 2. 根据信标节点与未知节点的距离，对每个信标节点进行平均跳距加权处理； 3. 改进后的定位算法有效提高了传感器节点的定位精度。

1. 算法目的：节点中包括少数锚节点，剩余节点为未知节点，通过定位算法来确定它们的位置； 2. 借助平均定位误差作为评价指标； 3. 注释超级详细，并附带算法相关文档。

希尔伯特黄变换(HHT)的 完整 MATLAB程序

随机森林图像matlab代码狗还是猫？ 任期：2018年Spring 项目名称：图像分类：狗还是猫？ 团队人数：3 团队成员：Alek Anichowski，Sophie Beiers，Mingyue Kong，Yun Li，Keith Rodriguez 项目摘要：我们为猫和狗的图像创建了分类引擎。 我们的基准模型是使用SIFT功能的GBM模型，该模型在测试试验中预测的准确率为72％，但是我们最终考虑了随机森林，逻辑回归，神经网络和SVM模型。 最后，我们最先进的模型是随机森林，逻辑回归和SVM的组合，该模型使用多数投票来预测猫和狗。 当给定一组全新的测试图像时，我们的模型正确预测猫和狗的比率为75％。 要重现我们的代码，请转到。 有关我们的项目步骤和代码的可读版本，请转至。 贡献声明：Alek开发了SIFT功能，创建了神经网络模型，对main.Rmd进行了处理，组合了模型以获得最终模型，清理了代码并进行了介绍。 Sophie开发了HOG功能，并针对所有功能组合训练了随机森林模型，并在main.Rmd上进行了工作，编写了README.md文件并进行了介绍。 Yun提取了颜色特征，并开