搜索资源列表
music
- music算法的实现 MU S IC 算法是一种子空间分解算法, 它的各种性能已被广泛研究. 在信号波达方向估计领 域, MU S IC 算法的应用, 形成了MU S IC 波达方向估计算法. 实际应用中,MU S IC 波达方向估计算法, 拥有超分辨能力的同时, 也存在原理性缺点——MU S IC 空间谱不能反映目标信号的相对强度. 文中在前人工作的基础上, 对MU S IC 波达方向估计算法进行理论分析, 提出了有效的改进方法, 并通过仿真试验证实了分析的正确性.
ImageThemeFilter
- 对图像进行分主题过滤。 根据给定的图像样本集，进行样本训练，提取多个颜色空间中的多种方式(颜色矩，纹理谱，直方图，肤色模型等)的得到图像特征集；对待过滤图像进行特征提取，向量匹配，进而实现图像分主题分类功能。-Sub-theme of the image filter. According to a given set of image samples to conduct the training samples to extract more color space in multipl
ptlx
- 流形学习的主要目标是发现嵌入在高维数据空间的低维光滑流形1 近年来基于谱图理论的学 习算法受到研究者的广泛关注1 介绍了流形与流形学习的关系,着重研究了几种有代表性的基于谱图 理论的流形学习算法,并对算法进行了比较分析,最后进行总结和对进一步的研究做了展望1-The main objective of manifold learning is to find embedded in high-dimensional data space of a low-dimensional smo
img
- 高光谱图像特征分析，在空间和谱间的区别和特征提取，用于识别地物信息-Hyperspectral image characteristics analysis, in the space and spectrum differences and feature extraction, used to identify features information
Hyperspectral-image-
- 高光谱图像特征分析，基于空间和谱间，识别地物的信息，用于提取地物的特点，对于高光谱的学习打下基础-Hyperspectral image characteristics analysis, in the space and spectrum differences and feature extraction, used to identify features information
HopkinsMultiviewMultibodyCode
- 这个算法包实现了多视角下多运动目标的检测和分割算法，主要有三种算法： GPCA 谱聚类法，RANSAC, 局部子空间仿射变幻法。- This package contains the code for the following multiview-multibody motion segmentation algorithms: - GPCA with spectral clustering - RANSAC - Local Subspace Affini
MR_K1
- 实验三：MR图像与K空间数据关系实验（设计型） 一、实验目的及要求： 用MATLAB探究MR图像与K空间数据之间的关系。具体要求如下： 1．由提供的MR图像得到对应的K空间数据并显示K空间数据幅度谱； 2．隔行删除K空间数据并显示其幅度谱，由隔行删除后的K空间数据重建MR图像，观察图像的改变。 3．隔列删除K空间数据并显示其幅度谱，由隔列删除后的K空间数据重建MR图像，观察图像的改变。 4．隔行、隔列删除K空间数据并显示其幅度谱，由隔行、隔列删除后K空间数据重建MR图像
RF3D_v1p00
- 一个共同的视频被空间相关去噪的框架随机噪声和空间相关的固定模式噪声。首先，在每一卷的空间和时间上的相关性，利用sparsify数据在三维时空的变换域，然后3D体积的频谱系数的自适应阈值萎缩三维阵列。这样的阵列取决于特定的运动轨迹的体积，单个功率谱密度的随机和固定的模式噪声，以及噪声方差，自适应地估计在变换域。-The video was a common fixed pattern noise spatial correlation denoising framework random nois
beamformingmusicbs3
- 随着电磁环境的日益恶化,以及低检测概率、低截获概率等通信技术的广泛应用,往往需要 在较大的带宽内同时对多个信号进行处理,才能够在大量信号中找到有用信号,因此对空间谱估计算法的时效性也提出了更高的要求。本文研究了空间谱快速算法及 实现问题,通过改进算法减少计算量,并合理利用硬件平台,将快速测向算法在FPGA+DSP平台上联合实现。本文的主要内容如下: 1、研究了基于直线阵的空间谱估计快速算法。针对MUSIC等测向算法大多需要特征分解和谱峰搜索,计算量较大的问题,给出了一种基于传播算子的Root
CLASSICALMUSIC1
- MUSIC算法[1] 是一种基于矩阵特征空间分解的方法。从几何角度讲，信号处理的观测空间可以分解为信号子空间和噪声子空间，显然这两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成，噪声子空间则由协方差矩阵中所有最小特征值（噪声方差）对应的特征向量组成。MUSIC算法就是利用这两个互补空间之间的正交特性来估计空间信号的方位。噪声子空间的所有向量被用来构造谱，所有空间方位谱中的峰值位置对应信号的来波方位。MUSIC算法大大提高了测向分辨率，同时适应于任意形状的天线阵列