Gabor是一个用于边缘提取的线性滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，因此十分适合纹理分析。

介绍了串联型有源电力滤波器的基本工作原理,研究了基于三相瞬时无功功率理论的谐波电压检测方 法,并分析了系统主要参数的选取方法,最后结合检测负载谐波电压控制方式用 Matlab/Simulink搭建了系统的 仿真模型。仿真结果验证了在合理的参数配置下,串联型有源电力滤波器可对电压型谐波能进行较好的补偿,使得电源电流的畸变减小。

FilterProDT桌面客户端版本，不用去TI注册了，而且现在貌似都是web在线的了，还是离线的方便。好多人分弄的太高了我觉得这个软件5分足够了。

线列红外推扫探测器扫描帧率低,存在带状噪声,为此,提出一种基于Robinson-Guard滤波器和像素聚拢度的小目标检测方法。在红外图像上均匀布置采样窗口,令采样窗口根据图像亮度梯度聚集到高亮区域。融合红外图像的目标能量信息、局域对比度、目标像素聚拢度等多种特征,将采样窗口的加权叠加作为目标概率图。使用全局阈值分割获取目标,最终实现红外小目标的检测。实验结果表明,该算法可以检测中小尺寸的红外目标,且有效对抗探测器带来的带状噪声。

N=500; M=20; n=1; a1=-0.8; h=zeros(M,n+1,3); e=zeros(M,n,3); for d=1:3 if d==1 delta=0.01; else delta=0.05*(d-1); end; for k=1:M b=0.2*randn(1,N); y(1)=1; for i=2:N y(i)=-a1*y(i-1)+b(i); end for i=n+1:N e(k,i,d)=y(i)-h(k,i,d)*y(i-1); h(k,i+1,d)=h(k,i,d)+delta*y(i-1)*e(k,i,d); end end end for d=1:3 for i=1:N em(i,d)=0; hm(i,d)=0; for j=1:M em(i,d)=em(i,d)+e(j,i,d)^2; hm(i,d)=hm(i,d)+h(j,i,d); end end end figure(1) semilogy(1:150,em(1:150,1)),hold on semilogy(1:150,em(1:150,2),'r'),hold on semilogy(1:150,em(1:150,3),'g'),hold off axis([0 150 0.01 1]),grid title('Mean square error ') xlabel('Samples') gtext('\leftarrowd=0.01'); gtext('\leftarrowd=0.05'); gtext('\leftarrowd=0.1'); figure(2),plot(1:N,hm(1:N,1)),hold on plot(1:N,hm(1:N,2),'r'),hold on plot(1:N,hm(1:N,3),'g'),hold off,grid title('Filter coeffcient evalution') xlabel('Samples'), gtext('d=0.01'), gtext('d=0.05'), gtext('d=0.1') （2）从噪声中提取信号的程序如下： N=1000; n=200; k=12; Ts=1e-1 b=0.8*randn(1,N); for i=1:N xr(1,i)=sin(k*2*pi*i/N); x(1,i)=xr(1,i)+b(i); end Cxx=10000*eye(n); g=zeros(N,n); h=zeros(N,n); e=zeros(1,N); y=zeros(1,N); tr=zeros(1,N); for i=n+1:N g(i,:)=(Cxx*x(i-n+1:i)'./(1+x(i-n+1:i)*Cxx*x(i-n+1:i)'))'; e(1,i)=xr(i)-h(i-1,:)*x(i-n+1:i)'; h(i,:)=h(i-1,:)+e(1,i)*g(i,:); Cxx=Cxx-g(i,:)'*x(i-n+1:i)*Cxx; y(1,i)=h(i,:)*x(i-n+1:i)'; tr(1,i)=trace(Cxx); end figure(1) plot(0:N-n,x(1,n:N)),grid title('x(k) input singnal in V') xlabel('Samples') figure(2) plot(0:N-n,xr(1,n:N),'r'),grid axis([0 800 -1.2 1.2]) title('xr(k) reference singnal in V') xlabel('Samples') figure(3) plot(0:N-n,e(1,n:N)),hold on plot(0:N-n,y(1,n:N),'r'),hold on grid title('e(k) error and y(k) output in V') xlabel('Samples') gtext('e(k)'),gtext('y(k)') figure(4) plot(0:N-n,h(n:N,1)),hold on plot(0:N-n,h(n:N,2),'r'),hold off grid title('a(n-1) and a(n-2) coeffcients evolution') xlabel('Samples') figure(5) num1=fliplr(h(N,:)); sys1=tf(num1,1,Ts); bode(sys1),hold off title('Synthesized filter') xlabel('Frequency in rad/s') ylabel('Phase in degree;Module in dB') figure(6) semilogy(0:N-n,tr(n:N)),grid title('Cxx matrix trace') xlabel('Samples')

该模型从50 Hz分量中提取任意阶次的谐波。 您必须指定需要提取的谐波次数。 要使用此滤波器，提前了解系统中可能出现的谐波次数非常重要。

用卷积滤波器matlab代码3D点云分析中的深度学习：配准，对象检测和分段。 基于点云的论文调查 登记 判别性优化：点云注册的理论和应用，2017年 使用深度神经网络自动编码器进行本地化的3D点云注册，2017年。 彩色点云注册，2017年。 使用2个点+法线集快速注册点重叠小的点云，2017年。 密度自适应点集注册，2018年。 学习和匹配用于点云注册的多视图描述符，2018年。 3DFeat-Net：对点云注册的本地3D功能进行了弱监督。 点云注册的逆成分判别优化，2018年。 通过翻译搜索匹配旋转不变特征来进行高效的全球点云注册，2018年。 HGMR：适用于自适应3D注册的分层高斯混合，2018年。 使用混合混合物模型进行稳健的广义点云注册，2018年。 灵活的多线索测光点云注册的通用框架，2018年。 PointNetLK：使用PointNet进行点云注册，2019年。 SDRSAC：基于半定点的无对应鲁棒点云注册的随机方法，2019.， FilterReg：使用高斯滤波器和扭曲参数化的鲁棒高效的概率点集配准，2019， PointNetLK：使用PointNet进行的健壮高

基于扩展卡尔曼滤波器的矢量控制感应电动机实时传感器故障检测，隔离与重构方法

6.1 滤波器组的基本概念 一个滤波器组是指一组滤波器，它们有着共同的输入，或有着共同的输出，如图 6.1.1 所示。 图 6.1.1 滤波器组示意图，（a）分析滤波器组，（b）综合滤波器组。 假定滤波器 )(0 zH ， )(1 zH ，…， )(1 zH M  的频率特性如图 6.1.2（a）所示， )(nx 通过这 些滤波器后，得到的 )(0 nx ， )(1 nx ，…， )(1 nxM  将是 )(nx 的一个个子带信号，它们的 频谱相互之间没有交叠。若 )(0 zH ， )(1 zH ，…， )(1 zH M  的频率特性如图 6.1.2（b）所 示，那么， )(0 nx ， )(1 nx ，…， )(1 nxM  的频谱相互之间将有少许的混迭。由于 )(0 zH ， )(1 zH ，…， )(1 zH M  的作用是将 )(nx 作子带分解，因此我们称它们为分析滤波器组。 将一个信号分解成许多子信号是信号处理中常用的方法。例如，若图6.1.1中的 2M ， 那么，在图 6.1.2中， )(0 zH 的频率特性将分别占据 2 ~0  和   ~ 2 两个频段，前者对应 低频段，后者对应高频段。这样得到的 )(0 nx 将是 )(nx 的低频成份，而 )(1 nx 将是其高频 H0(z) )(0 nx H1(z) )(1 nx HM -1(z) )(1 nxM  )(nx   G0(z) )(0̂ nx G1(z) )(1̂ nx GM -1(z) )(ˆ 1 nxM  )(̂nx