随着现代电力电子技术的飞速发展,许多设备在使用过程中产生了大量谐波,严重影响了电力系统的工作性能。与此同时,各类精密设备和仪器对供电质量也有很高的要求,所以有必要对谐波进行检测及治理。本文简要介绍了谐波的相关概念、谐波的危害和谐波治理的发展现状。对谐波检测相关理论知识及谐波检测方法做了较为详细的介绍,并对几种检测方法进行了对比分析。在对自适应最小均方算法(LMS)进行研究的基础上,提出了基于LMS的自适应谐波检测算法。针对传统LMS算法受固定步长因子的影响,算法收敛速度与稳态误差之间存在矛盾的关系,进而对变步长LMS算法进行了研究,并将其应用到谐波检测算法中。在此基础上,本文提出了基于新型变步长LMS的自适应谐波检测算法。(1)将双曲余弦函数应用到变步长函数中,并对双曲余弦函数进行改进,利用改进后的双曲余弦函数曲线在接近坐标零点时,会减慢变化速率的特点,使得算法在收敛后期能够减小步长因子,从而降低算法稳态误差；(2)将基于瑞利分布变步长LMS算法与谐波检测技术相结合,由于瑞利分布函数曲线变化更加丰富,能够使得算法的步长在收敛初期不断增大,收敛后期又不断减小,因此进一步降低了算法的稳态误...

最近上通信建模这门课时范平志老师布置的这个作业，我做好后传上来方便后人参考，包括了三个C语言程序，分别产生服从正态分布、瑞利分布、泊松分布的随机数。程序是是用的C语言编写，备有大量注释，浅显易懂，且全部调试通过。如果要画直方图，可用matlab或excel等软件导入.txt文件进行绘图。

累积分布函数 分布。 随机变量的为 其中sigma是比例参数。 安装 $ npm install distributions-rayleigh-cdf 要在浏览器中使用，请使用 。 用法 var cdf = require ( 'distributions-rayleigh-cdf' ) ; cdf（x [，选项]） 评估分布的。 x可以是number ， array ，typed array或matrix 。 var matrix = require ( 'dstructs-matrix' ) , mat , out , x , i ; out = cdf ( 1 ) ; // returns ~0.393 x = [ - 1 , 0 , 1 , 2 , 3 ] ; out = cdf ( x ) ; // returns [ 0, 0, ~0.393, ~0.865

瑞利随机变量 创建一个或数组，其中填充了来自的。 安装 $ npm install distributions-rayleigh-random 要在浏览器中使用，请使用 。 用法 var random = require ( 'distributions-rayleigh-random' ) ; random（[dims] [，opts]） 创建一个或填充了来自Rayleigh分布的绘图。 dims参数可以是指定length的正integer也可以是指定尺寸的正integers array 。 如果未提供dims参数，则该函数从Rayleigh分布返回一个随机抽奖。 var out ; // Set seed random . seed = 2 ; out = random ( 5 ) ; // returns [ ~1.683, ~1.603, ~0.473, ~1.485, ~

假设砂轮磨粒形状为圆锥形，其突出高度服从瑞利分布，在磨削过程中均参与切削且切除材料。在此基础上，推导出在平面磨削过程中与磨削参数和砂轮磨粒密度相关的未变形磨屑厚度的计算表达式。磨削力包括磨削变形力和摩擦力2部分。基于未变形磨屑厚度的计算表达式，推出磨削变形力的计算表达式；考虑摩擦系数是关于磨削参数的函数而非某一常值，得到摩擦力的计算表达式。综合上述2种计算表达式，建立磨削力预测模型。然后，通过将预测值与实验数据进行对比分析，得出预测值与实验值的最大相对误差小于25%，平均相对误差小于15%，从而验证了该预

概率密度函数 分布概率密度函数（PDF）。 随机变量的（PDF）为 其中sigma是比例参数。 安装 $ npm install distributions-rayleigh-pdf 要在浏览器中使用，请使用 。 用法 var pdf = require ( 'distributions-rayleigh-pdf' ) ; pdf（x [，选项]） 评估分布的（PDF）。 x可以是 ， array ，typed array或matrix 。 var matrix = require ( 'dstructs-matrix' ) , mat , out , x , i ; out = pdf ( 1 ) ; // returns ~0.607 out = pdf ( - 1 ) ; // returns 0 x = [ 0 , 0.5 , 1 , 1.5 , 2 , 2.5

瑞利分布杂波

用C语言编程产生了具体的瑞利分布和高斯分布。

由于人体脑血管结构复杂,空间比例小,三维分割和重构十分困难,本文面向时飞磁共振血管造影(TOF MRA)数据提出了一种新的瑞利高斯有限混合模型来实现脑血管的自动提取和分割。首先,对已有的混合模型进行了分析;然后,采用最大强度投影法(MIP)预处理脑部数据后采用高斯分布拟合血管类,采用瑞利分布和高斯分布拟合非血管类。提出的模型构造简单,参数向量较少;在血管与非血管的混合区域,模型与灰度直方图具有较好的拟合性。模型在传统期望最大化(EM)算法中加入随机扰动项构造随机期望最大化(SEM)算法来实现混合模型的参数估计,降低了算法对初值的依赖,同时提高了鲁棒性。实验证明,与已有双高斯模型相比,血管点数增加了27%,可细分到三级血管且细节的连通性更好。本模型可更准确地拟合数据的灰度分布曲线,有效地分割脑血管主分支及周围较细小分支,泛化性较好并可应用于相似系统中。

该资源运用matlab实现正态分布到瑞利分布随机变量的转化，有利于研究最基础的统计学和其他学科的概率分布情况，具有较为广泛的应用