通过电动机与滚动轴承之间建立的函数关系将振动信号转变成谐波分量,进而对谐波分量分析。对这种非平稳信号首先进行经验模态分析(EMD),然后通过改进LMS算法自适应滤波器分离噪音,最后再运用希尔伯特变换得到故障轴承频谱图。通过仿真实验证明该方法可以消除大部分的噪音和低频干扰,且易于实现,最终获得符合故障诊断要求的振动信号。

该脚本从2018年12月4日起从​​HYCOM Hindcast数据中下载点数据集的海流分量，以每3个小时显示一次。 由于此原因，此函数使用nctoolbox-1.1.3（Schilining等，2009），因此请记住在运行脚本之前加载工具箱的路径并进行设置。 作为输入，您应该手动提供点数据集的地理坐标，分析的时间跨度，深度，比例因子和缺失值。

带光流的SORT 扩展SORT的卡尔曼滤波器测量模型，以添加从“光流”中得出的速度分量。 这是我与德国航空航天中心合作完成的计算机科学学士学位论文的一部分。 尽管不用于行人跟踪，但可以评估该方法并将其与数据集一起使用。 基本思想可以概括为： 以边界框的形式获取感兴趣的区域，并检测该区域中的特征点。 计算检测到的特征点到框之前的光通量，以提供速度。 根据最低的马氏距离选择更新速度。 使用检测和/或速度更新轨道的卡尔曼滤波器。 为了检测特征点，我使用OpenCV ，稀疏光流的计算是通过OpenCV稳健局部光流（RLOF）的来完成的。 此实现在具有64GB RAM的AMD Ryzen7 3700X的数据集上以〜50FPS的速度运行，每个检测最多具有50个特征点，RLOF的设置为： useIlluminationModel = false ; useInitialFlow = f

JSC-G-10型高精度井中三分量磁测系统的研制pdf,JSC-G-10型高精度井中三分量磁测系统的研制

本文提出了应用改进的Fast-ICA算法进行电能质量检测的方法。快速ICA(独立分量分析:Independent Component Analysis)算法是目前非常流行的一种好算法。利用信号的高阶统计量快速准确地实现信号分离和恢复。

为了更有效地提取脑电信号特征波，结合小波包和ICA（独立分量分析），提出了一种脑电特征波提取方法。首先对脑电信号进行小波包分解，然后进行相关频段信号的重构，从而提取出特征波的概貌作为初次提取的特征波；再利用ICA分离技术，以初次提取的特征波为参考信号对其进行增强。实验结果表明，对比于独立地应用某一种方法，两种方法相结合更能有效地提取脑电信号特征波。

预算matlab代码快速NCA 该算法在Python中的快速实现。 某些选择背后的思想在硕士论文中得到了进一步扩展。 特征： 类似于Sklearn的API 与目标函数相同的梯度成本 当度量标准规模较大时，避免溢出 WIP迷你批次版本 例子 来自Python的样本用法： from nca import NCA n = NCA () n . fit ( X , y ) X = n . transform ( X ) 例如，运行脚本。 除其他外，脚本接受模型和数据集的类型： python example.py --model nca --data wine 有关可用选项的完整说明，只需调用帮助提示： python example.py -h 安装 该代码取决于通常的Python科学环境：NumPy，SciPy，Scikit-learn。 所需的软件包在requirements.txt文件中列出，可以按如下所示安装在虚拟环境中： virtualenv -p python3 venv source venv/bin/activate pip install -r requirements.txt

为了对坐姿下的几种行为进行识别，在分析常有坐姿的基础上，提出了通过PCA对八种不同姿势进行分类识别的方法。结合背景帧信息通过背景轮廓消减法提取运动目标区域，利用肤色在YCbCr空间聚集在一片固定区域且在CbCr平面上投影为一个近似椭圆的特性，在运动目标区域提取肤色区域，并对检测出的肤色灰度图进行PCA运算，实现了姿势识别。实验结果表明，所提出的利用PCA进行姿势识别的方法正确率达到84.92%，能够准确地识别坐姿行为，并且对运动阴影、光线变化具有良好的鲁棒性。

本实验包括三部分：一：显示一幅真彩色图像的R，G，B分量图像 二：读取某一目录下的十幅图像并在一个面板显示 三：四种边缘检测算法

快速独立分量分析，适合新手练手