基于组合时空主通道自适应处理的低空风切变风速估计

解决了基于声传感器阵列的跨音速估计问题。 根据在亚音速或超音速气流中传播的声波的传播特性，为给定的测量设备建立了线性声传感器阵列的观测模型。 然后，基于最小均方误差（MMSE）准则的迭代实现，提出了一种鲁棒的风速估计器，简称为II-MMSE。 作为一种稀疏估计方法，II-MMSE自然地考虑了阵列观测数据中的噪声协方差信息，因此不需要用户选择任何超参数。 此外，II-MMSE技术在计算上比一般的超参数稀疏估计方法更有效，并且对有限的快照和数组建模错误具有良好的鲁棒性。 进行仿真以显示II-MMSE的功效。

matlab求导代码GPR_DOB_MAP 使用高斯过程回归（GPR）模型和导数观测值（也称为局部线性模型）的非线性动力学系统的最大后验（MAP）状态估计量。 这是我的CGNCC 2016论文随附的源代码。 X. Yang，B。Peng，H。Zhou和L. Yang，[使用高斯过程和预先计算的局部线性模型的非线性动态系统的状态估计]（“ IEEE Xplore”），2016 IEEE中文版制导，导航和控制Conference（CGNCC），南京，2016年，第1963-1968页。 目录结构 GPR_DOB包含具有派生观测值的高斯过程回归模型的代码。 这是存储库的精确复制，带有一个附加的'sq_dist.c'及其编译的二进制文件，以提高原始mfile'sq_dist.m'的执行速度 GPR_DOB_MAP包含此存储库的主要代码，即使用GPR模型和派生观测值的MAP估计器。 名称为example_的文件就是示例文件。 飞机攻角估计的例子 此存储库中有两个示例，都在MATLAB中运行。 这些示例使用其他纵向可变项的测量值来估计飞机的迎角，并构成了我在CGNCC2016文件中进行调查的案例研

按照如下模型产生一组随机序列 x(n)=0.8x(n-1)+w(n)，其中w(n)为均值为0，方差为4的高斯白噪声序列。 （1） 模拟产生X(n)序列的500 观测样本函数，绘出波形图。 （2） 用观测点估计信号的均值和方差。 （3） 估计该过程的自相关函数和功率谱密度，并画出图形。 线性系统是一个RC电路（低通滤波器）如图所示。 （1） 将该低通滤波器转化为数字低通滤波器。 （2） 产生一组均匀分布的白噪声序列，让其通过（1）中的滤波器，画出输出信号直方图并分析为何类噪声。 （3） 产生一组高斯分布的白噪声序列，让其通过（1）中的滤波器，画出输出信号直方图并分析为何类噪声。 （4） 比较上述过程分析其结论。

高斯白噪声matlab代码到达方向估计 我们是突尼斯国家工程学院的电信工程专业学生Imen BOUABIDI和Ameni MEZNI。 估计撞击在任意传感器阵列上的多个平面波的到达方向的问题引起了很多关注。 它在无线通信，雷达和声纳，射电天文学等许多应用中发挥了重要作用。 这项工作致力于在论文中处理到达方向估计的每个人。 我们在这里实现到达估计技术的几个方向的代码：子空间和非子空间方法。 子空间方法是MUSIC，Root-MUSIC和ESPRIT。 非子空间方法是Beamforming和Capon。 MATLAB用于模拟算法。 为了便于分析，有必要对天线和信号进行理想假设。 假设：天线阵列是线性的。 它的N个元素是全向的。 数目为M的信号是不相关的窄带信号。 线性阵列从远场接收的信号是平面波。 源的数量M严格小于天线的数量（M <N）。 噪声是不相关的，应该是高斯白噪声。

该算法通过检测飞机相对于地平线的滚转角来计算具有分类策略的地平线。 它还尝试估计计算出的滚动值有多好。 这个例子应该向你展示图像分类的基本工作原理。 还有几个测试图像可以玩。 这种方法的工作原理： 图像被分成代表天空的白色像素和代表地面的黑色像素。 这是由 SVM 分类器完成的，该分类器使用来自多个天空和地面图片的真实数据进行训练。 为了训练，我提取了天空和地面的几种基于颜色和纹理的特征。 在二进制结果图像中，您现在可以提取分隔黑白像素的地平线。 为了计算飞机相对于地平线的侧倾角，我计算了一个 1 阶多项式，通过查看多项式拟合的好坏，您可以对计算出的侧倾角的准确性进行说明。 要运行该算法，您首先必须使用以下命令训练 SVM 分类器通过执行在“Test_set_Training”中给出的示例图像“Train_Classifier.m” 然后它生成“SVM_Struckt.mat”，

预白化滤波器及其功率谱估计分析 预白化滤波器及其功率谱估计分析 预白化滤波器及其功率谱估计分析

基于研究卡尔曼滤波算法在锂电池荷电状态估计和监测中应用效果的目的，本文通过建立Thevenin电池模型，结合锂电池恒定电流充放电实验数据，有效模拟出电池实际工作特性，并分别采用传统卡尔曼滤波（KF）和扩展卡尔曼滤波（EKF）算法对锂电池荷电状态（SOC）进行估测。得出如下结论：采用基于Thevenin电池模型的KF与EKF算法均可以快速精准地估测锂电池荷电状态。EKF对于初值的敏感度相较KF明显低，当初值为80%时参数适应性较好。此外，在利用卡尔曼滤波算法对电池端电压估测时发现其收敛值总会与真实值产生一个约为0.05 V的恒定偏差值。

基于虚拟阵元内插的互质阵目标DOD和DOA联合估计算法

计算一组数据之间的互信息，利用了核密度估计函数