您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 数字信号处理实验MFC(FFT、快速卷积、FIR滤波器、IIR滤波器)

  2. 数字信号处理实验MFC、FFT、快速卷积、FIR滤波器、IIR滤波器
  3. 所属分类:C++

    • 发布日期:2010-05-14
    • 文件大小:73728
    • 提供者:tllovejf1
  1. 数字信号处理仿真:滤波器 采样定理 卷积演示

  2. MATLAB 卷积 滤波器 采样定理(是动态演示的哦)
  3. 所属分类:其它

    • 发布日期:2011-11-18
    • 文件大小:11264
    • 提供者:chenkerendj
  1. C#实现图像卷积滤波器

  2. C#实现图像卷积滤波器源代码,请参考一下。
  3. 所属分类:C#

    • 发布日期:2014-10-10
    • 文件大小:561152
    • 提供者:keyan0211
  1. 时域线性卷积滤波转化到频域滤波算法的实现

  2. 时域滤波到频域滤波的转换,换句话说就是利用频域快速傅立叶变换来解决时域卷积的计算量问题,适用于高阶滤波器的设计 代码应该还是比较容易懂的
  3. 所属分类:电信

    • 发布日期:2015-08-31
    • 文件大小:2048
    • 提供者:yingzigezhe
  1. 卷积噪声的matlab仿真

  2. 程序仿真了信号与卷积噪声相卷积的过程,并分别对卷积噪声前信号频谱和卷积造成后信号频谱做了仿真分析。.mat文件是用matlab的工具箱生成的滤波器系数,这组滤波器系数用来对噪声进行窄带滤波
  3. 所属分类:其它

    • 发布日期:2017-11-27
    • 文件大小:1024
    • 提供者:guzuxing4829
  1. 基于最小熵解卷积的带式输送机传动滚筒轴承故障诊断

  2. 带式输送机传动滚筒轴承发生故障时,特别是早期故障,其振动信号中隐含的脉冲故障信息很微弱,且常被淹没在强烈的噪音中,直接做频谱分析或包络分析,很难提取其故障特征。最小熵解卷积(Minimum Entropy Deconvolution,MED)通过最优滤波器对轴承微弱故障信号进行最优滤波,提高了信号的信噪比,然后对滤波后的信号进行包络解调分析,能够提取出信号中隐含的故障特征。将该方法应用于带式输送机传动滚筒中的滚动轴承故障诊断,成功提取出了轴承内圈的早期微弱点蚀故障特征。对FIR滤波器阶数L的选择
  3. 所属分类:其它

    • 发布日期:2020-05-22
    • 文件大小:825344
    • 提供者:weixin_38669618
  1. 最佳维纳滤波+盲解卷积.rar

  2. 用Matlab 语言实现基于最佳维纳滤波器的地震信号盲解卷积算法,使用给定的任意类型子波,期望输出可以有五类选择 (类型1:零延迟尖脉冲;类型2:任一延迟尖脉冲; 类型3:时间提前了的输入序列;类型4:零相位子波;类型5:任意期望波形。),检验上述算法。
  3. 所属分类:电信

    • 发布日期:2020-07-30
    • 文件大小:1024
    • 提供者:wnazhe45
  1. 基于异构多核可编程系统的大点FFT卷积设计与实现

  2. 如今FFT卷积广泛应用于数字信号处理,并且过去几年证实了异构多核可编程系统(HMPS)的发展。另外,HMPS已经成为DSP领域的主流趋势。因此,研究基于HMPS大点FFT卷积的高效地实现显得非常重要。基于重叠相加FFT卷积方法,设计一款针对输入数据流的高效流水重叠相加滤波器。介绍了基于HMPS的大点FFT卷积实现,获得了高精度的滤波效果。此外,采用流水技术的滤波器设计,提高系统处理速度、数据吞吐率和任务并行度。基于Xilinx XC7V2000T FPGA开发板上的实验表明,参与运算的采样点越大
  3. 所属分类:其它

    • 发布日期:2020-10-16
    • 文件大小:392192
    • 提供者:weixin_38736652
  1. 循环卷积DFT的优化算法与仿真

  2. 根据余数系统中模映射法则以及数论变换,将素数N点的DFT运算转换为N-1点的循环卷积运算,建立了算法模型,给出了此算法的FIR滤波器图解,并对加法器系数进行RAG优化,最后在ModelSim仿真平台上,用Verilog语言实现该算法,并进行了仿真结果分析和工作量分析。RAG优化后减少了加法器数量,降低了路径延迟。
  3. 所属分类:其它

    • 发布日期:2020-10-16
    • 文件大小:290816
    • 提供者:weixin_38538585
  1. Python scipy的二维图像卷积运算与图像模糊处理操作示例

  2. 本文实例讲述了Python scipy的二维图像卷积运算与图像模糊处理操作。分享给大家供大家参考,具体如下: 二维图像卷积运算 一 代码 import numpy as np from scipy import signal, misc import matplotlib.pyplot as plt image = misc.ascent()#二维图像数组,lena图像 w = np.zeros((50,50))#全0二维数组,卷积核 w[0][0]=1.0#修改参数,调整滤波器 w[49][
  3. 所属分类:其它

    • 发布日期:2020-12-25
    • 文件大小:174080
    • 提供者:weixin_38654220
  1. PyTorch上实现卷积神经网络CNN的方法

  2. 一、卷积神经网络 卷积神经网络(ConvolutionalNeuralNetwork,CNN)最初是为解决图像识别等问题设计的,CNN现在的应用已经不限于图像和视频,也可用于时间序列信号,比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求,避免复杂的特征工程。在卷积神经网络中,第一个卷积层会直接接受图像像素级的输入,每一层卷积(滤波器)都会提取数据中最有效的特征,这种方法可以提取到图像中最基础的特征,而后再进行组合和抽象形成更高阶的特征,因此CNN在
  3. 所属分类:其它

    • 发布日期:2020-12-25
    • 文件大小:67584
    • 提供者:weixin_38564718
  1. TensorFlow实现卷积神经网络CNN

  2. 一、卷积神经网络CNN简介 卷积神经网络(ConvolutionalNeuralNetwork,CNN)最初是为解决图像识别等问题设计的,CNN现在的应用已经不限于图像和视频,也可用于时间序列信号,比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求,避免复杂的特征工程。在卷积神经网络中,第一个卷积层会直接接受图像像素级的输入,每一层卷积(滤波器)都会提取数据中最有效的特征,这种方法可以提取到图像中最基础的特征,而后再进行组合和抽象形成更高阶的特征,因
  3. 所属分类:其它

    • 发布日期:2020-12-25
    • 文件大小:83968
    • 提供者:weixin_38736721
  1. TensorFlow深度学习之卷积神经网络CNN

  2. 一、卷积神经网络的概述 卷积神经网络(ConvolutionalNeural Network,CNN)最初是为解决图像识别等问题设计的,CNN现在的应用已经不限于图像和视频,也可用于时间序列信号,比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求,避免复杂的特征工程。在卷积神经网络中,第一个卷积层会直接接受图像像素级的输入,每一层卷积(滤波器)都会提取数据中最有效的特征,这种方法可以提取到图像中最基础的特征,而后再进行组合和抽象形成更高阶的特征,因此
  3. 所属分类:其它

    • 发布日期:2020-12-24
    • 文件大小:141312
    • 提供者:weixin_38682279
  1. 基于matlab的GUI界面多种卷积计算和滤波器等

  2. 本资源时基于matlab的GUI界面多种卷积计算和滤波器等,可以实现手动输入,锯齿、正弦等波形选择,也可以由自己任意输入序列。一步一步的演示卷积计算步骤和结果。包括循环卷积、线性卷积、快速卷积。其次含有卡尔曼滤波等功能。
  3. 所属分类:专业指导

    • 发布日期:2020-12-30
    • 文件大小:303104
    • 提供者:jellywon
  1. 卷积神经网络的意义(卷积层和池化层的意义,工业中与机理的融合等)

  2. 卷积神经网络有卷积层和池化层。包含多个卷积层和池化层。 卷积层有滤波器的作用。多层卷积层可描述为各级滤波器。获取不同粒度的信息 池化层也称为欠采样或下采样。主要用于特征降维,压缩数据和参数的数量,减小过拟合,同时提高模型的容错性。 传统神经网络特征提取和分类/回归等是分离的,也就是分别做参数的优化,这对整体优化不利。深度学习中,特征提取等和后续应用融合在一起,可以取得更好的性能。 卷积层和池化层都是可以构造的,如果应用到工业,是否可以根据工业特性(所谓工业的机理模型等)构造深度学习?这样能实现机
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:28672
    • 提供者:weixin_38749863
  1. Deep_Learning_Task05: 卷积神经网络(CNN)/LeNet

  2. 卷积神经网络基础 二维互相关运算* 二维互相关(cross-correlation)运算的输入是一个二维输入数组和以和二维核数组,输出也是一个二维数组,其中核数组通常成为卷积和或滤波器(filter),卷积核的尺寸通常小于输入数组,卷积核在输入数组上滑动,在每个位置上,卷积核与该位置处的输入子数组按元素相乘并求和,得到输出数组中相应位置的元素 import torch import torch.nn as nn def corr2d(X, K): H, W = X.shape
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:351232
    • 提供者:weixin_38663544
  1. 卷积神经网络基础与经典模型-Task4

  2. 1. 卷积神经网络基础 从本节讲解才知道,卷积神经网络中的Conv2d函数中,实现的滤波器与图像element-wise相乘并累加其实是互相关运算,二维互相关的解释如下: 二维互相关(cross-correlation)运算的输入是一个二维输入数组和一个二维核(kernel)数组,输出也是一个二维数组,其中核数组通常称为卷积核或过滤器(filter)。卷积核的尺寸通常小于输入数组,卷积核在输入数组上滑动,在每个位置上,卷积核与该位置处的输入子数组按元素相乘并求和,得到输出数组中相应位置的元素。图
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:156672
    • 提供者:weixin_38727579
  1. visualizing-my-CNN:笔记本以可视化卷积滤波器进行图像分类-源码

  2. 可视化我的CNN 笔记本以可视化卷积滤波器进行图像分类
  3. 所属分类:其它

    • 发布日期:2021-03-18
    • 文件大小:2048
    • 提供者:weixin_42164931
  1. 用于监督超光谱图像分类的光谱空间域特定卷积深度极限学习机

  2. 光谱空间特征提取对高光谱图像(HSI)分类非常重要。 与传统的特征提取方法不同,诸如卷积神经网络(CNN)之类的深度学习模型可以自动学习光谱空间判别特征。 但是,深度学习模型通常需要构建一个庞大而复杂的网络,并且培训非常耗时。 为了解决这些问题,本文提出了一种谱空间特定的卷积深度极限学习机(ELM),称为S2CDELM,用于HSI分类。 首先,利用局部感受域(LRF)的概念,构造了具有两个分支的光谱空间卷积学习模块,分别用于光谱和空间特征提取。 具体地,通过使用随机卷积节点但不反向传播来构造卷积
  3. 所属分类:其它

    • 发布日期:2021-03-08
    • 文件大小:3145728
    • 提供者:weixin_38661087
  1. 基于卷积滤波的经验模态分解算法的收敛性

  2. Lin等。 提出迭代Toeplitz滤波器算法作为替代迭代算法用于经验模式分解(EMD)。 在这种替代算法中, 上下包络的一部分被获得的某些“移动平均值”代替通过低通滤波器。 通过这种移动执行传统的筛选算法平均等效于迭代某些卷积滤波器(有限长度Toeplitz 过滤器)。 本文研究了该算法对连续信号的收敛性变量,并证明该迭代算法的极限函数是理想的高通过滤过程。
  3. 所属分类:其它

    • 发布日期:2021-02-23
    • 文件大小:222208
    • 提供者:weixin_38595850
« 12 3 4 5 6 7 8 9 10 ... 16 »