以系统经济性、环保性、供电可靠性为优化目标，提出基于多代理系统的微电网分层分布式能量优化管理策略，将传统集中式能量优化转变为包含细化变量定义域的微电源分布式计算、基于遗传算法的中心控制器优化、修正优化解的分布式并行调节以及生成最终解的全局协调这4个阶段的分层分布式能量优化，并将各微电源的运行特性与用户控制目标以约束条件的形式，分散到各阶段予以实现。在此基础上，分别针对微电网单目标与多目标优化问题，介绍了各单元代理在每个阶段的工作任务和协作关系，并利用MATLAB和JADE平台构建针对未来24 h的系统优化算例。计算结果表明所提分层分布式能量优化策略能够弱化对微电网中心控制器性能的要求，并且具有更快的运算速度和较好的优化效果。

针对传统的数字滤波器所采用的编程方法存在编写代码复杂、可移植性差等问题,提出了一种基于LabVIEW的语音噪声数字滤波器的设计方案。该滤波器采用图形化编程语言LabVIEW 8.6实现语音信号的滤波、实时测量与保存、报警等功能,与传统的滤波器相比,具有开发经费节省、开发过程简单、扩展功能方便和操作使用便易等优点。

高斯白噪声matlab代码DDWD 数据驱动的小波 数据驱动小波分解（DDWD）的自述文件 这种分布包含创建数据驱动的小波所需的代码，如D. Floryan和MD G​​raham（PNAS，2020年）在“用数据驱动的小波发现多尺度和自相似结构中所述”中所述。 该发行版包含5个主要的MATLAB函数： waveletOpt.m：计算数据驱动的小波 dwtos.m：一阶段离散小波变换 idwtos.m：一级逆离散小波变换 u2v.m：从低通滤波器创建高通滤波器 v2u.m：从高通滤波器创建低通滤波器 此分布还包含在引用的论文中重新创建结果所需的数据，以及三个MATLAB脚本，它们重新创建主要结果并演示如何使用上述功能来计算数据驱动的小波： exampleGaussianWhiteNoise.m：为高斯白噪声数据重新创建主要结果 exampleKS.m：重新创建Kuramoto-Sivashinsky数据的主要结果 exampleHIT.m：重新创建湍流数据的主要结果 照原样，exampleHIT.m将不会运行，因为关联的数据太大而无法在Github上托管。 但是，引用的论文解释了从何处

电机电磁、振动、噪声多物理域自动化耦合分析，主要针对电机开发过程中，电机的各种物理特性惊醒仿真和分析，多场耦合特性研究。

白噪声MATLAB代码卡尔曼滤波器 ''本项目用matlab代码实现并测试卡尔曼滤波器'' '''文件列表：''' @kf_modele.m：此处定义的动态系统模型和测量模型。 @kf_predict.m 时间更新 @kf_update.m：测量更新 @kf_ui.fig：matlab中的GUI文件，可以方便的调一些参数，修改测试用例。 @kf_ui.m：GUI 事件响应。 @Exp_oneDim.m：测试用例一。 系统状态是一个常数，测量也是一个带有古斯白噪声的数字。 @Exp_cwpa.m：测试用例二。 系统动态是 CWPA @exp_measured.m 测试用例三。 使用./data/filter_in.data中IVQ905传感器的真实测量数据来测试KF。

自适应噪声抵消算法，用matlab编写，子程序形式

基于ADS低噪声放大器的设计 基于ADS低噪声放大器的设计 摘要:在接收系统中，低噪声放大器有着至关重要的作用，它用来降低系统的噪声， 提高接收机灵敏度，是接收系统的关键部件。本文主要讲述了低噪声放大器的技术指标 及设计方法，介绍如何使用ADS软件进行低噪声放大器的设计，优化，仿真；并对设计中 遇到的问题提出一点建议。 关键词：低噪声放大器；噪声系数；S参量；ADS； 增益 The Design Of Low Noise Amplifier Based On ADS Chen Xuemi 1, Tang Ruibo2 (Nanjing Changjiang Electronics Group Co.,Ltd.,Nanjing 210037) Abstract: The Low Noise Amplifier(LNA) plays an important role in the receive system. It’s used to reduce the sy

汽车NVH振动与噪声分析 1.NVH现象与基本问题 2. 噪声与振动源 3. NVH传递通道 4. NVH的响应与评估 5. NVH试验 6. NVH的CAE分析 7. NVH开发 8. 汽车声品质

并行多通道DDS频率合成器的研究，张骁勇，唐宗熙，分析了并行多通道DDS频率合成器的原理,介绍了并行多通道DDS频率合成器的应用。采用HP ADS和ADIsimPLL仿真软件对一个并行多通道DDS频率合��

第六章 总结与展望 54 和基于字典学习和自相似性正则的图像去噪方法，以上方法均是在理想状态下进 行的，虽然得到较好的去噪效果，但存在算法运行时间过长的问题，其主要费时 环节是非局部自相似权重参数的计算。所以在实际应用中需要考虑到非局部自相 似权重参数计算的优化问题，即不但要获得高质量的恢复图像，还要加快去噪进 程，提高实用性。此外，在稀疏表示求解实际问题方面，还有很大的改进与应用 空间，例如，选择字典学习和稀疏分解算法的最优组合，找到一种最优的学习 APBT 类字典的方法，如何充分利用图像局部结构信息和非局部自相似性信息进 行图像去噪或者其他的图像应用，如何提高图像去噪的运行速度，如何将稀疏表 示和自相似性有效应用到乘性噪声的情况。总之，基于稀疏表示和自相似性的图 像去噪方法研究还有很多内容有待进一步探索。