注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. ACF短时自相关代码

  2. 用ACF短时自相关，求出基音周期，可以稳定运行，有一定的学习参考价值。

  3. 所属分类：其它

    • 发布日期：2012-11-19
    • 文件大小：2048
    • 提供者：fzqgriffin

  1. DSP coursework （matlab） DSP课程作业

  2. 1 Random signals and stochastic processes （Statistical estimation、 Stochastic processes、 Estimation of probability distributions） 2 Linear stochastic modelling（ACF of uncorrelated sequences、ACF of filtered sequences、Cross-correlation function、Autore

  3. 所属分类：专业指导

    • 发布日期：2013-06-05
    • 文件大小：7340032
    • 提供者：janes_day

  1. 自相关和周期自相关函数matlab

  2. 文件包含了线性调频信号，巴克码，P1，P2，P3，P4码，Frank码等的自相关函数和周期自相关函数

  3. 所属分类：讲义

    • 发布日期：2015-11-11
    • 文件大小：4096
    • 提供者：fuweiwang11

  1. 语音信号基音检测算法的研究

  2. 基音周期是语音信号的重要参数之一，准确而快速的基音周期提取对语音信号的合 成、编码、识别等都具有重要的意义。目前，人们已经从语音信号的时域特性、频域特 性和时频混合特性三个方面出发，提出了许多基音检测算法。经典的语音信号基音检测 算法有：自相关函数法（Autocorrelation Function）(简称 ACF)、平均幅度差函数法 （Average Magnitude Difference Function）（简称 AMDF）、倒谱法和小波变换法等

  3. 所属分类：专业指导

    • 发布日期：2018-04-20
    • 文件大小：3145728
    • 提供者：qq_41959786

  1. zixiangguanfenxi11.m

  2. 关于自相关分析的matlab代码，只要替换你的数据就可以运行，得出结果并绘图，比较实用，按照SPSS风格绘制ACF图。

  3. 所属分类：其它

    • 发布日期：2020-04-24
    • 文件大小：3072
    • 提供者：weixin_43527973

  1. python实现时间序列自相关图(acf)、偏自相关图(pacf)教程

  2. 主要介绍了python实现时间序列自相关图(acf)、偏自相关图(pacf)教程，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-16
    • 文件大小：78848
    • 提供者：weixin_38653664

  1. 利用python实现平稳时间序列的建模方式

  2. 一、平稳序列建模步骤 假如某个观察值序列通过序列预处理可以判定为平稳非白噪声序列，就可以利用ARMA模型对该序列进行建模。建模的基本步骤如下： （1）求出该观察值序列的样本自相关系数（ACF）和样本偏自相关系数（PACF）的值。 （2）根据样本自相关系数和偏自相关系数的性质，选择适当的ARMA（p，q）模型进行拟合。 （3）估计模型中位置参数的值。 （4）检验模型的有效性。如果模型不通过检验，转向步骤（2），重新选择模型再拟合。 （5）模型优化。如果拟合模型通过检验，仍然转向不走（2），充分考虑

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：74752
    • 提供者：weixin_38532629

  1. 矩形隧道中带有移动台的3D非平稳通道模型

  2. 本文提出了一种基于三维（3D）几何的随机模型（GBSM），用于捕获矩形隧道中1.8 GHz的无线电信道的非平稳性。 推导时变（TV）复信道增益以获取时域，频域和空间域的统计属性，例如时变自相关函数（TV-ACF），时变多普勒功率谱密度（ TV-DPSD）和时变空间互相关函数（TV-CCF）。 然后，对电视散射环境下不同时间点的电视频道统计特性进行了提取，并提出了造成电视频道不稳定的特点。 此外，设置了三种方法，包括“接近”，“到达”和“离开”，以便对DPSD在发射器和接收器之间的相对位置下的行为

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：3145728
    • 提供者：weixin_38501916

  1. Time-Series-analysis:非常有趣的时间序列机器学习模型-源码

  2. 时间序列分析 非常有趣的时间序列机器学习模型 这主要集中在使用表格数据集的时间序列分析上。 探索性数据分析（EDA）包含： 每日，每月和每年的销售额 使用Qunatile方法查找数据的异常值 平稳计算，自相关函数（ACF）和偏相关函数（PACF） 我用于时间序列分析的模型 ARIMA，SARIMAX 线性回归 随机森林回归 决策树回归器 梯度提升回归器 Ada Boost回归器 XG加速 K邻居回归器 支持向量回归 LSTM

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：13631488
    • 提供者：weixin_42173205

  1. 3-D非平稳宽带MIMO信道模型，允许移动站的速度变化

  2. 文献中的大多数信道模型均基于以下假设：移动站（MS）沿直线以恒定速度移动。 在现实的环境中，MS可能会遇到速度和轨迹的变化。 在本文中，提出了允许移动速度变化的三维（3-D）非平稳宽带多输入多输出（MIMO）信道模型。 这些参数是从WINNER +通道模型中获得的，以使仿真更加逼真。 推导并分析了包括空间互相关函数（CCF），时间自相关函数（ACF）和多普勒功率谱密度（PSD）在内的统计属性。 我们的发现表明，MS速度的变化对通道模型的统计特性有重大影响。 此外，所提出的信道模型可以用作将来的非

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：1048576
    • 提供者：weixin_38640473

  1. 基于自相关函数重构的动态光散射偏差加权反演

  2. 为充分利用自相关函数（ACF）衰减延迟时段的有效粒度分布信息，提出基于光强ACF重构的信息反馈式偏差加权方法，通过逐次利用偏差加权反演减小下一次偏差，直到信息偏差达到限定的最小值，即反演所得分布重构的ACF与光子相关器得到的ACF达到所要求的吻合程度。对不同噪声水平下的宽分布和近双峰分布颗粒体系模拟数据进行反演，结果表明：与常规加权反演方法相比，所提方法可以获得更准确的宽分布和近双峰分布反演结果，并具有更好的抗噪声性能。采用标准聚苯乙烯乳胶颗粒实测数据的反演结果验证了这一结论。

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：8388608
    • 提供者：weixin_38651786

  1. ACF创建-源码

  2. ACF创建 一页必须有一个ACF字段组 页面上的所有字段都必须分组。 一个部分定义为前端。 只要您可以视觉上或与内容相关的方式识别新部分，它就会开始和结束。 典型的homepage可能具有以下设置，例如： 要将所有字段分组为多个部分，请在创建新的高级自定义字段时使用field_type group 。 每个具有field_type group字段都包含几个字段。 对于eaxmple： Section Header Section Header内的字段 如果在前端看到任何类型的重复模式

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：161792
    • 提供者：weixin_42133861

  1. python实现时间序列自相关图(acf)、偏自相关图(pacf)教程

  2. 自相关图是一个平面二维坐标悬垂线图。横坐标表示延迟阶数，纵坐标表示自相关系数 偏自相关图跟自相关图类似， 横坐标表示延迟阶数，纵坐标表示偏自相关系数 自相关图与偏自相关图的python代码实现： from statsmodels.graphics.tsaplots import plot_acf, plot_pacf plot_acf(b.salesVolume) plot_pacf(b.salesVolume) 可以看到，这个数据是偏自相关系数拖尾，自相关系数截尾的数据 补充知识：pyt

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：34816
    • 提供者：weixin_38654315

  1. soundshader.github.io:声音GLSL-源码

  2. 自相关函数 用于将信号与其自身的延时版本进行比较。 如果信号是周期性的，那么如果时间延迟是整数个周期，则信号将与其自身的版本完全相关。 这一事实以及相关实验已将自相关作为人类听力中信号处理的潜在重要组成部分。 ACF是一种可视化音乐的简单方法，可以产生令人惊讶的出色效果。 ACF的最出乎意料的特性也许是它可以将主观的“和声水平”从音乐准确地传递到图像。 如果您考虑一下，这几乎是一个不合理的财产。 下图是极坐标中的ACF高度图。 女声乐 戴维·帕森斯 钢琴 鸟 更多示例： （提防大图像）。

  3. 所属分类：其它

    • 发布日期：2021-03-31
    • 文件大小：103809024
    • 提供者：weixin_42106357