墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1k累计阅读
1.1k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
实现高通、低通、带通和带阻滤波器的FIR设计及Matlab源码
滤波器是数字信号处理中常用的工具，用于对信号进行频率选择和去除噪声。其中，FIR（Finite Impulse Response）滤波器是一种常见的数字滤波器，具有线性相位特性和稳定性。本文将介绍如何使用Matlab实现高通、低通、带通和带阻滤波器，并提供相应的源码。
高通滤波器允许高频信号通过，而抑制低频信号。可以使用fir1函数进行高通滤波器设计，该函数基于窗函数法。
以下是Matlab源码示例：
% 高通滤波器参数设置
order = 50; % 滤波器阶数
cutoff_freq = 0.4; % 截止频率（范围：0~1，1表示采样频率的一半）
% 高通滤波器设滤波器设计：FIR和IIR高、低、带通滤波器的实现及Matlab代码
本文通过实例介绍了FIR和IIR滤波器的实现及其Matlab代码，分别讨论了高通、低通、带通滤波器的设计。需要注意的是，FIR滤波器具有稳定性、线性相位特性等优点，但计算复杂度比较高；本文主要讨论FIR（有限长冲激响应）和IIR（无限长冲激响应）两种常见滤波器的设计及其实现。滤波器设计：FIR和IIR高、低、带通滤波器的实现及Matlab代码。fs = 1000;fs = 1000;fs = 1000;fs = 1000;fs = 1000;fs = 1000;
【滤波器】基于 FIR实现高通+低通+带通+带阻滤波器设计含Matlab源码
1 简介 面对庞杂繁多的原始信号,如何提取所需信号、抑制不需要的信号这就需要使用滤波器。滤波器的作用主要是选择所需频带的信号内容而抑制不需要的其他频带的信号内容。数字滤波器因其精度高、可靠性好、灵活性大等优点,在语音信号处理、信号频谱估计、信号去噪、无线通信中的数字变频以及图像处理等工程实际应用中都很广泛。根据其冲击响应函数的时域特性可将数字滤波器分为IIR（有限长冲击响应）和FIR（无限长冲击响应）。作为强大的计算软件,MATLAB提供了编写图形用户界面的功能。所谓图形用户界面,简称为GUI,...
FIR滤波器设计及Matlab源码实现
在数字信号处理中，FIR（有限脉冲响应）滤波器是一种常见的滤波器，可用于实现数字信号的低通、高通、带通和带阻滤波等功能。（2）选择带通滤波器的中心频率和带宽，并对滤波器进行归一化，使得它的幅度响应最大值为1；（2）选择带阻滤波器的中心频率和带宽，并对滤波器进行归一化，使得它的幅度响应最大值为1；（2）计算滤波器的截止频率，并对滤波器进行归一化，使得它的幅度响应最大值为1；（2）计算滤波器的截止频率，并对滤波器进行归一化，使得它的幅度响应最大值为1；（1）选择一组适当的滤波器系数，通常使用窗函数法进行设计；
【滤波器】基于matlab GUI高通+低通+带通+带阻FIR滤波器设计【含Matlab源码 100期】
高通+低通+带通+带阻FIR滤波器设计 完整的代码，方可运行；可提供运行操作视频！适合小白！
【滤波器设计】窗函数法高通+低通+带通带阻FIR滤波器设计【含GUI Matlab源码 072期】
窗函数法高通+低通+带通带阻FIR滤波器设计 完整的代码，方可运行；可提供运行操作视频！适合小白！
【滤波器设计】基于matlab GUI窗函数法高通+低通+带通带阻FIR滤波器设计【含Matlab源码 072期】
窗函数法高通+低通+带通带阻FIR滤波器设计 完整的代码，方可运行；可提供运行操作视频！适合小白！
【滤波器】基于matlab GUI高通+低通+带通+带阻FIR滤波器设计【含Matlab源码 699期】
高通+低通+带通+带阻FIR滤波器设计 完整的代码，方可运行；可提供运行操作视频！适合小白！
四类线性相位 FIR滤波器设计 —— MATLAB源码全集
四类线性相位 FIR滤波器设计 —— MATLAB源码全集
【滤波器】高通+低通+带通+带阻FIR滤波器设计【含GUI Matlab源码 092期】
高通+低通+带通+带阻FIR滤波器设计 完整的代码，方可运行；可提供运行操作视频！适合小白！
SAP PP未清生产订单关闭物料退料、新工单发料批量处理
( werks = '1001' lgort = 'A004' lgobe = '组装-成品组装' )( werks = '1002' lgort = 'C006' lgobe = '组装-二车间' )( werks = '1002' lgort = 'C007' lgobe = '组装-二车间' )( werks = '1001' lgort = 'A007' lgobe = '组装-MS' )( werks = '1001' lgort = 'A008' lgobe = '组装-GW' )
6-3 根据派生类写出基类(Java解法)(PTA)
主要是看main函数里调用了什么方法和输出样例,一一对应一下有思路再写就很简单.建议使用IDEA自动生成,可以少写很多代码。
决策规划算法四：Piecewise Jerk Path Optimizer
一，问题分析 路径规划的本质目的：规划出一条安全（无碰撞），舒适（平滑），符合车辆运动学的轨迹。 如下图所示，决策算法开辟凸空间后，路径规划算法用数值优化的方法搜索出一条最优路径，即将问题转化为二次规划的问题，采用二次规划的求解器进行求解。 二次规划问题的求解顺序： 1，确定优化变量 2，确定目标函数 3，确定约束条件 4，将目标函数和约束条件变形为二次规划的标准形式 5,用二次规划求解器进行求解，获得优化变量的序列，使得目标函数取得最小值。 注：路径的最终表达式为：，..
银河麒麟V10 SP3离线安装Nginx1.21.5全记录（附11个rpm包下载清单）
本文详细记录了在银河麒麟V10 SP3操作系统上离线安装Nginx 1.21.5的全过程，包括11个必备rpm包的下载清单。通过分步骤的实战指南，帮助用户在国产化环境中高效部署Nginx服务，涵盖安装、配置、调优及故障排查等关键环节，特别适合金融、政务等对安全性要求高的场景。
A-Level CS 计算机科学 考试知识点——考试介绍&第1章
前言：该系列文章是本人在给学生辅导本课程的过程中结合英文教材所总结的，该系列共分为30章，主要介绍了考试的核心知识点。若需要A-Level CS 计算机科学考试辅导也可以私信我。 目录 关于A-Level CS 计算机科学考试 考试简介 考试内容 考试时间 评分情况 第1章 信息表示 本章学习内容 1.01 数字系统 1.02 数字的内部编码 整数编码（Coding for integers） 二进制编码的十进制（Binary coded decimal——BCD） 1.03.
别再死磕USB HID了！用ESP32的Arduino框架手把手教你实现蓝牙鼠标键盘（附完整代码）
本文详细介绍了如何使用ESP32的Arduino框架实现蓝牙HID设备，包括鼠标和键盘的快速开发。通过现成的库和示例代码，开发者可以轻松打造自定义蓝牙外设，无需复杂的USB HID协议栈，适用于演示控制器、宏键盘等多种场景。
基于STM32设计的指纹考勤机_348
随着信息化管理需求的日益增长，传统的人工考勤方式已难以满足现代社会对高效、精准和安全的考勤管理要求。为解决这一问题，本项目设计并实现了一款基于STM32的指纹考勤机系统。该系统采用AS608指纹识别模块进行人员身份识别，ESP8266无线模块实现与上位机APP的通信，支持人员信息录入、考勤时间段设置、考勤记录保存与查询等功能。系统通过SQLite数据库存储考勤数据，并提供导出EXCEL表格功能，方便数据管理与统计分析。该系统具有高效的考勤管理能力和良好的用户交互体验，能够广泛应用于企业、学校等机构的考勤管理
【CASS精品教程】035：南方CASS7.1台阶画法案例大全
摘要：本文详细介绍了南方CASS7.1软件中5种台阶工具的使用方法，包括普通台阶、有边台阶、L型台阶、U型台阶和不规则台阶。重点说明各类台阶的绘制步骤和注意事项，如绘制方向（从右下角逆时针连接4个点）、台阶方向标识（白色边为下边）、台阶数自动生成不可更改等特性。同时指出高版本CASS可能存在操作差异，并配以多张示意图直观展示各类台阶的绘制过程和效果，为使用CASS7.1绘制建筑台阶提供了实用指导。（148字）
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
4683
扫一扫
