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
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
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
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.
SVR
- 基于支持向量机的短波信号盲均衡算法，该算法稀疏性好，性能稳定。-SVM shortwave signal blind equalization algorithm based on the algorithm sparsity, and stable performance.
Structured-Compressive-Sensing
- 本文围绕压缩感知的三个基本问题, 从结构化测量方法、结构化稀疏表示和结构化信号重构三个方面对结构化压缩感知的基本模型和关键技术进行详细的阐述.-In this paper, the basic models and key techniques of structured compressive sensing are introduced in terms of the structured measurements, the structured dictionary representat
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。