搜索资源列表
Sparse_Signal_Representation
- 介绍压缩传感理论中要用到的信号的稀疏表征原理-Introduced the theory of compressed sensing to use the sparse representation of signal theory
Demo_MWC
- 稀疏信号的压缩感知算法，将宽带稀疏信号通过压缩感知的方法压缩为窄带信号便于传输。-Sparse signal compressed sensing algorithm broadband sparse signals compressed by compressive sensing method for narrowband signals for transmission.
Sparse-Representation
- 稀疏表示应用研究 信号稀疏表示方法研究及国内外研究现状-the method of Sparse Representation
PTandCSword
- 基于峰值变换的信号稀疏表示及重建，相关理论说明。-Sparse representation of signals based on peak transform and reconstruction, and related theoretical explanations.
system-identification
- 采用时频聚集性较好的线性调频信号作为线性时不变系统输入激励，采用Gabor字典作为过完备原子库。在利用传统系统辨识法之前先利用稀疏分解算法将输出信号进行去噪处理，显著提高系统辨识精度。 具体包括互谱算法，信号的Gabor稀疏分解的详细代码-Space can be a time for sparse decomposition to solve the problem of huge memory needed。This approach, combined with the rapid d
201111-291
- 含噪信号的稀疏表示研究，该方法的计算复杂度较低-Sparse representation of noisy signals, the low complexity of the method of calculation
KSVD_Matlab_ToolBox
- 数字图像处理，K-SVD字典学习方法，信号的稀疏与冗余表示理论，图像压缩，图像去噪-Digital image processing, K-SVD dictionary learning methods, sparse and redundant signal representation theory, image compression, image denoising
Fast-Discrete-Curvelet-Transforms
- 快速曲线波变换理论属于稀疏表达的范畴，采用基函数与信号的内积形式实现信号的稀疏表示。-An Alogrithm for Multimodal Biometric Recognition Based on Feature Level and the Second-Generation Curvelet Transform
CS
- 信号稀疏分解及压缩感知理论应用研究，理论基础-Signal sparse decomposition and compression perception theory applied research, theoretical basis
Short-duration-power_CS
- 根据压缩传感(Compressed Sensing，cs)N论，首次提出了短时电能质量扰动信号的压缩采样方法，该方法突破了奈奎斯特采样频率的限制，实现了低于奈奎斯特采样频率的低速率采样。文中对比分析了CS理论与传统采样理论，研究了cS短时电能质量信号压缩采样的实现方法，包括：测量矩阵的构建、稀疏基的选取和电能质量信号快速贝叶斯匹配追踪重构算法(FBMP)-Compressed sensing ( Compressed Sensing , cs ) N theory , first propose
SAMP1
- 能对压缩感知中的稀疏度未知的信号精确的重建，重建误差小，经本人调试，完全正确-Capable of compressed sensing signals unknown sparsity accurate reconstruction, reconstruction error is small, after I debug, completely correct
Compression-perception-theory-
- 压缩感知理论及其研究进展,文综述了cs理论框架及关键技术问题，并着重介绍了信号稀疏变换、观测矩阵设计和重构算法三个方面的最新进展，是一篇综述。-Compression perception theory and research progress, cs paper reviews the theoretical framework and key technical issues and focuses on the latest developments signal sparse tran
twoDomp
- 基于L阵的二维信号稀疏分解的DOA估计 应用稀疏分解方法进行二维DOA估计-Estimation sparse decomposition method based on two-dimensional signal-dimensional DOA estimation of sparse matrix decomposition L DOA
cs-speech-enhancement
- 文利用带噪语音经特征基函数矩阵转换后所具有的稀疏特性，用最大似然估计方法对转换后得到的稀疏 分量进行非线性压缩去噪，然后再经过反变换和重构恢复出原始语音信号的估计。特征基函数矩阵反映了语音数据本 身的统计特性，因此具有很好的合理性和可取性。仿真结果表明利用稀疏编码方法能极大程度地抑制背景噪卢，与小波消噪法相比优势明显。-a speech enhancement algorithm based Compressed Sensing.
Introduction-Compressed-Sensing
- 压缩感知（CS）理论是在已知信号具有稀疏性或可压缩性的条件下，对信号数据进行采集、 编解码的新理论。主要阐述了CS理论框架以及信号稀疏表示、CS编解码模型，并举例说明基于压缩感知理论的编解码理论在一维信号、二维图像处理上的应用。 -Compressed Sensing(CS) theory is a novel data collection and coding theory under the condition that signal is sparse or compress
Compressed-Sensing-Theory
- 用压缩感知理论对信号数据进行采集、编解码,进行数据恢复。主要阐述了CS理论框架以及信号稀疏表示、CS编解码模型.-Compressed Sensing(CS) theory is a novel data collection and coding theory under the condition that signal is sparse or compressible.
RLS-WEIGHTED-LASSO
- 介绍了LASSO算法，他是是一种很好的稀疏信号参数估计方法。-The batch least-absolute shrinkage and selection operator (Lasso) has well-documented merits for estimating sparse signals of inter- est emerging in various applications, where observations adhere to parsimonious
信号与图像的稀疏分解及初步应用
- 信号与图像的稀疏分解是信号与图像的一种新的分解方法，在信号与图像的压缩编码、去噪、信号的时频分析与信号识别等方面有看极为广阔的应用前景，是信号与图像处理研究领域中一个新的很有意义的研究方向。本书总结了国际上在这一研究方向 的研究进展以及作者多年来的研究成果。在稀疏分解方法方面，重点介绍了作者关于信号与图像稀疏分解快速算法的研究成果。在稀疏分解应用方面，重点介绍了作者在信号处理及图像压缩编码方面的研究成果。
小波变换与信号的稀疏表示
- 小波变换与信号的稀疏表示课程实验案例部分代码可用做参考
基于稀疏分解的微弱信号检测方法
- 微弱信号的检测在通信、雷达、声纳等领域有着重要的意义,一直是信号处理的难点。本文将信号稀疏 分解思想应用于信号检测,提出一种算法。算法中信号稀疏分解采用Matching Pursuit(MP)算法实现,原子采 用正弦波模型,通过对正弦波模型伸缩和平移形成过完备原子库。由MP分解结果,可检测出淹没在强噪声环境 中的微弱正弦信号的幅度、频率和初相位参数,从而恢复出待检测的微弱正弦信号。所提出方法在-40 dB极低 信噪比环境下可以同时检测多个正弦信号。计算机仿真结果证实了算法的有效性。