心电图中心律失常信号的分类识别是诊断心血管类疾病的重要依据。基于MIT-BIH提供的数据文件，通过小波变换提取了心电信号的21组特征信息，针对常见五类心律信号的分类识别进行了研究，设计实现了基于softmax回归和神经网络的分类算法。实验结果表明，一个适用的神经网络算法训练速度更快，在较少的迭代次数下，分类识别的正确率稳定在90%以上。

针对二维多重信号分类算法可以估计出系统的到达时间(TOA,time-of-arrival)和波达方向(DOA,direction-of-arrival)参数，但需要复杂度非常高的二维谱峰搜索这一问题，提出了IR-UWB系统中基于求根MUSIC(root-MUSIC)的TOA和DOA联合估计算法，该算法对接收信号的频域形式建模，先估计出TOA，然后由TOA的差值计算出DOA，从而实现TOA和DOA的联合估计。该算法不需谱峰搜索，可直接给出估计参数的闭式解，还可实现参数配对。还推导了参数估计的误差方差。仿真结果表明，该算法的参数估计性能明显优于矩阵束算法、传播算子算法以及基于旋转不变技术估计信号参数算法，并且非常接近于2D-MUSIC算法，但该算法的复杂度却远远低于2D-MUSIC算法。

CNN-RTLSDR 使用rtl-sdr加密狗进行深度学习信号分类。 当前的预训练模型能够对4种信号进行分类：WFM，TV Secam载波，DMR信号和“其他”信号。 预先模型测试 将软件存档解压缩到某个文件夹，例如C：\ rtlsdr 转到并选择Python 3.6版本，64位图形安装程序或直接下载： : 如果您没有现代的NVIDIA图形卡，则要安装CPU版本，只需在requirements.txt中删除以下行： tensorflow-gpu==1.4.0 运行anaconda提示符，将目录更改为C：\ rtlsdr，然后运行： conda install pip pip install -r requirements.txt 仅对于Tensorflow的CUDA版本，如果已安装CPU版本，请跳过以下步骤： 下载并安装CUDA 8工具包： : 下载用于工具包8的C

BP神经网络的数据分类-语音特征信号分类源程序-*BP神经网络的数据分类-语音特征信号分类源程序*-*BP神经网络的数据分类-语音特征信号分类源程序*

随着脉冲密度的增加，对于现代电子侦察，尤其是对于脉冲压缩雷达信号，信号分类变得极为困难。 盲源分离（BSS）是一种新技术，用于从混合观测数据中分离出信号。 在本文中，我们提出了各种脉冲压缩雷达信号的瞬时混合模型，包括线性调频，多相编码，相移键控和跳频信号。 针对雷达信号，提出了快速独立分量分析（FastICA）和联合对角化BSS算法的组合。 采用性能指标（PI）和信噪比（SIR）来分析不同信噪比下的分离性能。 实验结果证明了该方法的有效性和正确性。

基于机器学习和深度学习的项目，内含数据集以及详细的备注源码

MATLAB源程序1 BP神经网络的数据分类-语音特征信号分类.zip

BP神经网络的数据分类——语音特征信号分类

运动想象脑电信号特征提取及分类(凑字数专用)

基于卷积神经网络的信号分类！识别率很高，速度很快