信号的gabor变换matlab代码最佳集中Gabor 局部时频分量的最优集中 Gabor 变换 这包含一组 matlab 代码，用于创建 gabor 窗口，以最佳方式将给定信号集中在时频 (TF) 平面中。 该窗口适用于信号的选定部分（TF 分量）。 此窗口提供了组件的稀疏表示。 此代码是以下论文中描述的方法的实现： Ricaud, B., Stempfel, G., Torrésani, B., Wiesmeyr, C., Lachambre, H., & Onchis, D. (2014)。 局部时频分量的最优集中 Gabor 变换。 计算数学进展，40(3)，683-702。 . 和 Feichtinger, HG、Onchis-Moaca, D.、Ricaud, B.、Torrésani, B. 和 Wiesmeyr, C.（2012 年 8 月）。 一种优化模糊函数浓度的方法。 在信号处理会议 (EUSIPCO) 中，2012 年第 20 届欧洲会议论文集（第 804-808 页）。 IEEE。 要运行代码，需要 Matlab 工具箱 LTFAT。

为了抑制三分量地震勘探中的面波，根据体波和面波的极化特性，研究了一种基于小波变换的时频域极化滤波方法。 在时频域构造了三分量地震数据的协方差矩阵，测量了地震波的极化参数。 结合矩阵的对应特征值和特征向量，将椭圆率和仰角作为约束条件，并建立了偏振滤波函数来分离表面波。 对分离的表面波进行反变换，然后从原始记录中自适应减去。 极化滤波抑制了表面波后，转换波的信噪比得到有效提高。 为下一步的地震数据处理和地震勘探开发奠定了良好的基础。 实际数据处理结果表明，该方法可以有效地从三分量地震记录中提取地表波，避免了地表波对地震信号的干扰。

Matlab代码sqrt 三分量地震极化分析 Matt Haney编写了两个极化分析代码。 第一种是基于协方差方法的。 第二种是基于纸上的相干方法。 运行poliriz.m文件，以使用合成输入查看两种方法的比较。 Matt原始zip文件中的注释，其中对Dylan进行了修改，使其可以基于Git存储库结构运行。 polariz：一组用于对窄带地震数据进行极化分析的Matlab程序 这是一组4个Matlab程序-3个函数和1个脚本-运行一个示例，该示例显示了使用实值协方差矩阵和复值相干矩阵的极化分析。 对于真实数据，极化是频率的函数，因此应将其用于已在狭窄频带上进行带通滤波的数据。 要运行该示例，只需下载GIT存储库，启动Matlab，转到Matlab中的该目录，然后在Matlab提示符下键入： 北极星 这将生成3个图，显示合成数据集上的结果。 第一个图绘制了合成数据的三个运动分量（垂直，向东和向北）。 综合数据包括2部分。 第一部分是直线极化的（所有3个分量同相），第二部分是椭圆极化的（垂直分量相对于水平分量异相90度）。 除了极化的差异外，第一部分的（Z，E，N）分量之间的相对幅度设置为

针对传统降噪方法处理激发极化法（激电法）测量数据的效果不理想的问题，对经验模态分解方法和独立分量分析技术进行了研究，提出了一种新的激电数据降噪方法。首先，采用经验模态分解方法将原始测量数据自适应分解为有限个固有模态函数，再根据其与激发信号的相关性选择固有模态函数构造虚拟噪声通道，最后利用独立分量分析技术提取多维混合数据中的激电信号。利用仿真信号和实际数据对该方法进行实验，对比普通滤波方法和小波阈值算法，结果表明该方法能有效提高激电数据的信噪比。

文章分析了分布式发电对保护范围、灵敏度以及自动重合闸装置的影响,并提出了基于故障分量的自适应电流速断保护与BP人工神经网络相配合的方案。该方案利用故障电流序分量识别故障类型,BP人工神经网络间接找出系统等效阻抗的变化规律,实现了自适应电流速断保护的功能。最后,对一个10kV配电系统进行仿真,验证了保护方案的有效性。

该文档为短路电流周期分量计算曲线数字表，表格可用于电力系统在不同时间、不同线路阻抗下的短路电流大小。 文档包含汽轮发电机和水轮发电机的计算曲线数字表，方便查询。 欢迎大家下载此文档。

【摘要】 目标的自动识别是最有价值的应用需求之一，但它同时也最具挑战性。过去几十年中该课题的研究己经取得了较大的进展，但计算机自动识别技术还远没有达到理想的实际应用需求。自动识别技术涉及到很多方面的研究，如图像的预处理，图像增强、图像分割、特征提取方法和分类器的设计等等，这其中特征提取方法的研究尤为关键。一方面，研究者对特征提取的理论作了较多的探索，力求得出一些针对特定目标的高精度、高效率的特征提取算法与方法。这其中包含PCA方法、Fisher鉴别分析方法，以及以核方法为代表的非线性特征提取方法等。另一方面，在实际应用中算法的效率也是非常重要的。本文的研究集中在特征提取方法，这其中涉及到线性与非线性特征提取方法。 本文将特征提取方法分为线性和非线性特征提取方法。原始信息经过线性映射得到的变换后信息称为线性特征，原始信息经过非线性映射得到的变化后的信息成为非线性特征。对应的映射成为线性特征提取方法和非线性特征提取方法。 主分量分析和Fisher线性鉴别准则是应用最广泛的特征提取算法。本文论述了2DPCA和2DFLD等传统特征提取方法，并发展了2DFLD特征提取方法，提出分块的2DFLD特征提取方法，分析表明，该方法是2DFLD方法的推广，在人脸识别研究中优于传统的2DFLD方法。 核方法是新近发展起来的一种非线性特征提取方法，它的理论基础来自于统计学习理论。本文详细讨论了核特征提取方法，并结合偏最小二乘理论(PLS)，提出了基于KPLS的特征融合方法。 本文以构造新的特征提取算法为主要的研究方向，并结合实际应用来验证算法的优劣，对于算法中部分参数的选择讨论不足，这将在以后的研究工作中予以关注。 还原 【Abstract】 ATR is one of the most significant requests, although it is also one of the most challenging tasks. During past several decades great progress has been made in research on this subject. However, it is far away from satisfactory requirements from real world. ATR involves many techniques, such as Image preprocessing; Image enhancing; Image Segmentation; Feature extraction; classifiers designing and so on. Feature extraction is crucial. On one hand, researchers attempt to work out algorithms and methods to some special targets with high right classification rate and good efficiency. Among them, Principal Component Analysis, Fisher’s Linear Discriminant, nonlinear algorithms mainly appearing as Kernel approaches, and so on. On the other hand, in real application efficiency is also an important indicator to assess one algorithm, because in many cases only algorithms with high efficiency can satisfy request of real task. This paper aims at designing feature extraction algorithms on face recognition, including linear feature extraction and nonlinear ones.Feature extraction approaches are divided into two groups in this paper, linear feature extraction and nonlinear feature extraction. The information after linear mapping is called linear features; the information after nonlinear mapping is called nonlinear features. The mappings are called linear feature extraction and nonlinear feature extraction correspondingly.Principal Component Analysis and Fisher’s Linear Discriminant are two methods widely used. This paper introduces feature extraction approaches, 2DPCA and 2DFLD, respectively. We develops the 2DFLD, and presents a new feature extraction approach called blocked FLD. 2DFLD is the special case of blocked FLD. the experimental results indicated that the recognition performance of blocked FLD is superior to that of 2DFLD.Kernel method is a powerful machine learning method developed recently. It builds on the statistical learning theory. Feature extraction based on kernel is discussed in detail. A feature fusion method combined with KPLS is proposed. 还原

卡森方程(阻抗电阻和电感/电抗) 修正的卡森方程(阻抗电阻和电感/电抗) 复接地深度(CDER)(阻抗-电阻和电感/电抗) 麦克斯韦电位系数(阻抗-电容)

通过傅立叶级数求各次谐波分量 （补充） 接上例，求出各次谐波并画出波形 %求各次谐波 t1=-T/2:0.01:T/2; f1=A(1)+A(2).*cos(2*pi*1*t1/5)+B(2)*sin(2*pi*1*t1/5); ; % 基波 f2=A(3).*cos(2*pi*2*t1/5)+B(3)*sin(2*pi*2*t1/5); ; % 2次谐波 f3=A(4).*cos(2*pi*3*t1/5)+B(4).*sin(2*pi*3*t1/5); % 3次谐波 f4=A(5).*cos(2*pi*4*t1/5)+B(5).*sin(2*pi*4*t1/5); ; % 4次谐波 f5=A(6).*cos(2*pi*5*t1/5)+B(6).*sin(2*pi*5*t1/5); % 5次谐波 f6=A(7).*cos(2*pi*6*t1/5)+B(7).*sin(2*pi*6*t1/5); % 6次谐波 f7=f1+f2; % 基波+2次谐波 f8=f7+f3; % 基波+2次谐波+3次谐波 f9=f8+f4+f6; % 基波+2次谐波+3次谐波+4次谐波+6次谐波 %画出图形 y=subs(x,t,t1); %调用连续时间函数-周期矩形脉冲 subplot(2,2,1),plot(t1,f1),hold on;plot(t1,y,'r:');title('周期矩形波的形成—基波'), subplot(2,2,2),plot(t1,f7),hold on;plot(t1,y,'r:');title('周期矩形波的形成—基波+2次谐波') subplot(2,2,3),plot(t1,f8),hold on;plot(t1,y,'r:');title('基波+2次谐波+3次谐波') subplot(2,2,4),plot(t1,f9),hold on;plot(t1,y,'r:');title('基波+2次谐波+3次谐波+4次谐波+6次谐波') 参见程序ex_1

多分量LFM信号在分数阶Fourier域的参数估计与分离，刘宝华，李运华，分数阶Fourier变换由于其特有的性质，非常适和处理LFM信号，尤其是作为一种线性变换，可以克服多分量LFM信号的交叉项的干扰。本文在��