matlab_python22的博客

齿轮箱诊断，基于小波特征和BP神经网络分析数据预处理：齿轮箱数据采集过程中周围环境和设备本身的噪声，来齿轮箱信号的变化。所以采集的齿轮箱数据提取幅度信息后有很多毛刺，难以直接的提取到有效的行为特征。，冗余度很高，导致特征过多，会影响分类模型的效果也可能会导致过拟合现象因此，需要对采集到的齿轮箱数据进行去噪、去冗余等预处理。该系统中主要采用了局部异常点去除、低通滤波和离散小波变换的方法实现原始齿轮箱数据的预处理。特征提取：经过预处理后的齿轮箱 齿轮箱 数据的数据量庞大，若是直接把该数据当作齿轮箱的特.

基于QAM和SVM的信号分类技术研究基于QAM和SVM的信号分类技术研究图 QAM的数据可以看出信噪比在5db的时候效果比较差可以看出，不同信噪比下的准确率统计基于QAM和SVM的信号分类技术研究-机器学习文档类资源-优快云文库...

基于PSOBP算法的调制信号的识别分析主要方法为，首先获取一些数据，这些数据包含调制信号然后对调制信号提取特征，然后获得其时间的特征，比如均值 方差等特征第三部，采取PSOBP算法进行调制信号的类别识别主要方法为，首先获取一些数据，这些数据包含调制信号包含QAM ask fsk等数据局部的数据展示如下这代表了原始的数然后对调制信号提取特征，然后获得其时间的特征，比如均值 方差等特征图 主要的特征包含的细节...

基于MATLAB GUI的LMD的特征提取和分析计算LMD 方法实质上是把任意信号分解成不同尺度的包络信号和纯调频信号， 并定义包络信号和纯调频信号的积为瞬时频率具有物理意义的 PF 分量，不断迭代至分离出所有 PF分量。2005 年，Jonathan. S. Smith提出了一种新的自适应时频分析方法 —LMD（Local mean decomposition，简称 LMD ）方法。图 LMD的基本流程图 输入的原始数据并且得到了分量，并且可以最后得到了IMF的特征..

PCA降低维度后，BP技术分类，基于matlabgui的 设计算法可以看出pca算法的降低维度计算研究原来的维度很高但是降低维度后，变得很稀疏进而通过BP的网络，可以得到分类的准确是90%Pca可以采取原始样本进行研究【无标题】PCA降低维度后，BP技术分类，基于matlabgui的设计算法-机器学习文档类资源-优快云文库...

PCA降低维度后，KNN技术分类，基于matlabgui的 设计算法可以看出pca算法的降低维度计算研究原来的维度很高但是降低维度后，变得很稀疏进而通过knn的网络，可以得到分类的准确是100%Pca可以采取原始样本进行研究这是pca降低维度的部分核心代码knn的算法简单原理，参考大神的网址，原理如下所示PCA降低维度后，KNN技术分类，基于matlabgui的设计算法-机器学习文档类资源-优快云文库...

PCA降低维度后，SVM技术分类，基于matlabgui的 设计算法可以看出pca算法的降低维度计算研究原来的维度很高但是降低维度后，变得很稀疏进而通过SVM的网络，可以得到分类的准确是100%Pca可以采取原始样本进行研究这是pca降低维度的部分核心代码PCA降低维度后，SVM技术分类，基于matlabgui的设计算法-机器学习文档类资源-优快云文库...

LDA降低维度后，SVM技术分类，基于matlabgui的 设计算法可以看出lda算法的降低维度计算研究原来的维度很高但是降低维度后，变得很稀疏进而通过SVM的网络，可以得到分类的准确是100%data2_mean=data2_mean';s_b=(data1_mean-data2_mean)*(data1_mean-data2_mean)';s_w_inv=inv(s_w);[v,d]=eig(s_w_inv*s_b);y=v(:,1:13)'*lda_

LDA降低维度后，BP技术分类，基于matlabgui的 设计算法可以看出lda算法的降低维度计算研究原来的维度很高但是降低维度后，变得很稀疏进而通过BP的网络，可以得到分类的准确是100%data2_mean=data2_mean';s_b=(data1_mean-data2_mean)*(data1_mean-data2_mean)';s_w_inv=inv(s_w);[v,d]=eig(s_w_inv*s_b);y=v(:,1:13)'*lda_da

LDA降低维度后，KNN技术分类，基于matlab 设计算法可以看出lda算法的降低维度计算研究原来的维度很高但是降低维度后，变得很稀疏进而通过KNN的网络，可以得到分类的准确是100%data2_mean=data2_mean';s_b=(data1_mean-data2_mean)*(data1_mean-data2_mean)';s_w_inv=inv(s_w);[v,d]=eig(s_w_inv*s_b);y=v(:,1:13)'*lda_data

基于交叉svm分类的健康状态分类技术研究基于交叉svm分类的健康状态分类技术研究采取了交叉验证的方法优化SVM,并且对原始的数据进行健康状态的分类技术研究得到ROC曲线等。有120例病人全部做训练组SVM的ROC曲线(，用这个模型通过计算预测60例病人的数据，根据模型预测得实际结果，绘制ROC曲线，得到结果测试集的auc数值code详细见基于交叉svm分类的健康状态分类技术研究基于交叉svm分类的健康状态分类技术研究采...

基于csp特征，然后实现LDA和bp神经网络的分类技术研究Csp-lda，csp-bp的脑电波分类技术研究基于CSP 特征，加上bp神经网络分类参考基于 CSP与 SVM算法的运动想象脑电信号分类的文章内容，得到csp特征的描述基于CSP特征，基于LDA的分类这是训练集、测试集的特征展示可以看出bp神经网络的效果较好figure bar(accs(3,:))title('net')...

基于信息熵特征的，构建SVM BP分类器对信号进行分类技术图 SVM决策平面的示意图一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机图 支护的图像知乎可以看出，SVM需要得到的是使得间隔越大，也就是让w越小，进而可以转化为求解一个带约束条件的最小值问题，满足导数0的求解过程，本文在求解中，需要借助libsvm工具箱进行设计分析。主要的结果可以读取图像并且提取到特征并且可以进行svm和bp神经网络..

图 音频的技术研究包含音乐合成 包罗分析 频谱分析调节频率谐波幅度的音乐参考文献[1] 程佩青，数字信号处理教程，北京：清华大学出版社，2007，30-120。[2] 丛玉良，王宏志，数字信号处理原理及其MATLAB实现（第2版），北京：电子工业出版社，2009，3-100。[3] 徐明远，刘增力，MATLAB仿真在信号处理中的应用，西安：西安电子科技 大学出版社，2007，1-30。...

小波去噪去除基线指标评价.图 GUI的系统设计去除基线的技术研究图 小波去噪的技术研究指标评价的技术研究，可以得到SNR和mse的具体指标数值小波去噪去除基线指标评价.-机器学习文档类资源-优快云文库...

基于时间特征的声音分类技术研究有量纲特征值包括：最大值、最小值、峰峰值、均值、方差、均方值、均方根值等。有量纲特征值的数值大小常因外界一些物理量的变化而变化，给工程应用带来一定困难，因而时常使用多种无量纲指标，包括峰值因子、脉冲因子、裕度因子、峭度因子、波形因子和偏度等。图 时间特征的具体数值第一个和第二个语音的时间特征 如最少的图所示第三个语音或者第三个时间的时间特征有图表示了将123三个数据的特征融合在一起展示随机森林的分类结果...

心电图的Welch的周期图的研究测试基于Welch的周期图，进行研究庞家来图心电图的数据结果如下所示Welch的周期图是由首先将重新采样的序列分割成M个长度为L的片段产生的，这些片段由O个点重叠。快速傅里叶变换(FFT)和理想的窗口技术被应用到每一个片段，以产生一个可变的周期图，最后的PSD被产生的平均修改周期图】。在使用Welch的方法估计周期图时，RR-APET使用L = 1200的窗口大小和O = 600的窗口位移。，布莱克曼-杜基方法应用傅里叶变换来估计PSD，但不是

基于信号的滤波方法和QRS的研究系统滤波研究 消去基线，并且得到小波QRS的数值GUI的guide的设计风格根据数据，得到低频滤波，高频滤波，得到50HZ去噪研究方法，进行小波QRS的方法QRS波群是左右心室肌细胞一次发生去极化所产生的膜外负电位在体表的反应。QRS波群的持续时间为0.06~0.1s。多次发生变化的心电信号，其中QRS波群中第一个向下的波为Q波，第一个向上的波为R波，R波后面的为S波。巴特沃斯滤波器的特点是通频带内的频率响应曲线最为..

%求平均的基音频率，单位是HZ 1 %基音频率最大值 2 %基音频率最小值 3 %基音频率范围 4 %%语音持续时间 5 %%能量均值 6 %%能量最大值 7...

代表了提取了melfcc的特征然后根据随机森林得到的分类效果随机森林是由很多决策树构成的，不同决策树之间是带哪个队杜磊的当我们进行分类任务时，新的输入样本进入，就让森林中的每一棵决策树分别进行判断和分类，每个决策树会得到一个自己的分类结果，随机森林的结果主要是训练一定的决策树然后做节点分裂属性，继续收敛，最后得到结论这是分类的混淆矩阵的结果随机森林可以用于分类(1条消息) 基于MELFCC和随机森林的说话人识别系统-机器学习文档类资源-...

yuyn 语音LPCC特征的提取和设计LPCC全称线性预测倒谱系数(linear predictive cepstral coefficient, LPCC),可以在计算得到LPC后，如果如下的计算公式计算得到LPCCLPCC是LPC系数在倒谱域的表示，计算量小易于实现，对元音的描述能力较好，对辅音的描述能力较差，抗噪性能差[1]LPCC和LPC是不一样的。LPC线性预测系数的基本思想：由于语音样点之间存在着相关性，那么当前点/未来点可以用过去的p个样本点进行预测，即其中就是要求的..

图 不同频率的数据集展示不同采样频率的数据结果 不同变声的数据展示结果不同采样频率的数据结果不同变声的数据展示结果-机器学习文档类资源-优快云文库

维纳滤波 自适应滤波 LMS滤波中值滤波 低通 带通滤波的各种形式维纳滤波 自适应滤波 LMS滤波中值滤波 低通 带通滤波的各种形式z进行滤波的处理设计了GUI的形式 达到了滤波的效果当然选择输入语音的时候，得到的结果CODE基于MATLABgui的语音滤波处理，7个方法-机器学习文档类资源-优快云文库...

根据MFCC特征 选择按下的键盘，然后根据数据，提取fft频谱紧接着应用mfcc特征提取了声音的mfcc特征并且当按下相关的字符时候，进行播放有关的语音按下2的时候 播放声音 得到频谱图并且进行MFCC特征的提取按下3的时候 得到的有关数据平台建立一个GUI界面，接着输入数字语音信号，对输入进行预处理及端点检测，提取特征参数（MFCC），形成参考模块code电话按键播音系统MFCC特征得到频谱图...