Matlab函数--awgn awgn 将白色高斯噪声添加到信号中 语法  y = awgn(x,snr)  y = awgn(x,snr,sigpower)  y = awgn(x,snr,'measured')  y = awgn(x,snr,sigpower,state)  y = awgn(x,snr,'measured',state)  y = awgn(...,powertype)  描述 y = awgn(x,snr)将白高斯噪声添加到向量信号x中.标量snr指定了每一个采样点信号

ADC的主要趋势之一是分辨率越来越高.这一趋势影响各种应用,包括工厂自动化.温度检测和数据采集.对更高分辨率的需求正促使设计者从传统的12位逐次逼近寄存器(SAR)ADC转至分辨率高达24位的Δ-ΣADC. 所有的ADC都会具有一定的噪声,这包括输入参考噪声(ADC固有噪声)和量化噪声(ADC转换时产生的噪声).诸如噪声.ENOB(有效位数).有效分辨率和无噪声分辨率等指标在很大程度上定义了ADC的实际精度.所以,理解与噪声相关的性能指标是从SAR过渡至Δ-ΣADC最困难的方面之一.由于当前对更

Capel, David, and Andrew Zisserman. "Computer vision applied to super resolution." Signal Processing Magazine, IEEE 20, no. 3 (2003): 75-86. 简介 超分辨率重建的目的是使用一组低分辨率的图像来估计一副高分辨率图像.重建主要通过两个步骤来完成:配准低分辨率的图片组到一个公共的坐标系,然后使用图像的生成模型(generative image model

∑–△型模数转换器(ADC) 1.概述 近年来,随着超大规模集成电路制造水平的提高,Σ-Δ型模数转换器正以其分辨率高.线性度好.成本低等特点得到越来越广泛的应用.Σ-Δ型模数转换器方案早在20世纪60年代就已经有人提出,然而,直到不久前,在器件商品化生产方面,这种工艺还是行不通的.今天,随着1微米技术的成熟及更小的CMOS几何尺寸,Σ-Δ结构的模数转换器将会越来越多地出现在一些特定的应用领域中.特别是在混合信号集成电路(Mixed-signal ICs,指在单一芯片中集成有模数转换器.数模转换器

写在前面 赶在年前写一篇文章.之前翻看2015年的SIGGRAPH Course(关于渲染的可以去selfshadow的博客里找到,很全)的时候看到了关于体积云的渲染.这个课程讲述了开发者为游戏<地平线:黎明时分>所开发的动态天气系统,重点讲了里面的云的模拟和渲染,很有参考价值. 其中,云的建模主要使用了raymarching的方法,他们的启发应该和shadertoy有关,但多了更多的程序控制和艺术效果等.可以从上面的图片看出来,效果很好. SIGGRAPH上的这个演讲讲的主要是3D动态云彩的

1.参考资料2.相关定义3.IMU 的噪声模型3.1噪声的建模3.2白噪声和随机游走噪声的离散化3.3如何获取传感器噪声参数4.随机噪声和扰动的积分4.1建立模型4.2噪声的离散化模型推导4.3系统的状态误差方程4.4状态误差方程的积分4.4.1 第一项-状态误差4.4.2 第二项-测量白噪声4.4.3 第三项-扰动噪声离散化(随机游走噪声)4.5 离散的系统误差方程4.6 误差状态方程的其他说明4.7 Full IMU example 1.参考资料 <1>Kalibr IMU Noise M

[神经网络优化的挑战] 一.病态: 虽然学习率很小,而且梯度大,但是由于Hessian阵的病态,二次项比一次项还要大,梯度下降事实上并不一定能下降,反而有可能上升.因此需要将学习率调低. 表现:梯度很强,但是学习很缓慢,因为曲率太强 二.局部最小值: 由于权重空间对称性,神经网络有很多局部极小值. 是否存在大量代价高的局部极小值,优化算法是否会碰到,都尚未解决. 梯度范数是否能收缩到一个微小的值. 三.鞍点: 鞍点是更加现实的问题!局部最小值是全正,鞍点是有正有负. 牛顿法会陷入鞍点,二阶算法通

Audio Bit Depth Super-Resolution with Neural Networks 作者:Thomas Liu.Taylor Lundy.William Qi 摘要 Audio Bit Depth Super-Resolution是一个尚未通过深度学习的视角来研究的问题,目前使用的有效方法很少.在本文中,我们提出了一种基于WavaNet结构来实现低分辨率8位音频输入的升级,从而产生高保真16位输出,(将语音从8kHz音频,转化为16kHz音频).消除了过程中的噪声和art

word2vec WordEmbedding 对词汇进行多维度的描述,形成一个密集的矩阵.这样每两个词之间的相似性可以通过进行内积的大小体现出来.越大说明距离越远,则越不相似. Analogies(类比):将男-女和国王-女王做类比,比如将表示'男'的词向量与'女'的词向量相减,同理国王和女王也相减,得出来的矩阵近乎相等,则说明这两个对比在某种维度上是相似的. Cosine similarities: 求解相似度.给出男.女.国王,找到女王的索引. 初始化E,与one-hot矩阵相称,得到对应的

     接触Σ-Δ调制的时候发现国内有关的资料比较匮乏,因为缺乏了解还有一些人把其中的原理吹得神乎其神难以理解.其实Σ-Δ调制的原理是很简单.逻辑上很自然的,可以定性理解成传统ADC/DAC量化的是模拟量绝对值,而Σ-Δ调制量化的是(单比特的)变化量(Δ),然后将其累积(Σ).这里找到一篇比较浅显易懂的对-Δ调制进行定量分析的文章,想试着翻译一下.如有错漏或不妥之处还请指点. 理解Σ-Δ调制 特定的公式可以帮助设计者量化Σ-Δ调制带来的各种提升.          Σ-Δ 模数转换器(ADCs

词嵌入基础 我们在"循环神经网络的从零开始实现"一节中使用 one-hot 向量表示单词,虽然它们构造起来很容易,但通常并不是一个好选择.一个主要的原因是,one-hot 词向量无法准确表达不同词之间的相似度,如我们常常使用的余弦相似度. Word2Vec 词嵌入工具的提出正是为了解决上面这个问题,它将每个词表示成一个定长的向量,并通过在语料库上的预训练使得这些向量能较好地表达不同词之间的相似和类比关系,以引入一定的语义信息.基于两种概率模型的假设,我们可以定义两种 Word2Vec

郑重声明:原文参见标题,如有侵权,请联系作者,将会撤销发布! arXiv:1610.02527v1 [cs.LG] 8 Oct 2016 坐标下降法:https://blog.csdn.net/qq_32742009/article/details/81735274 Abstract 我们为机器学习中的分布式优化引入了一个越来越相关的新设置,其中规定优化的数据在极大量的节点上分布不均匀.我们的目标是训练一个高质量的集中式模型.我们将此设置称为联邦优化.在这种情况下,通信效率至关重要,最大限度地减

Fast Bokeh Effects Using Low-Rank Linear Filters paper地址:https://www.researchgate.net/publication/271401966_Fast_Bokeh_effects_using_low-rank_linear_filtersh paper发在:The visual computer 好久没写过文章啦~--~,小生这就送上一篇刚看的paper,还有很多地方没吃透,愿路过的客观在评论区留下好文. 本文使用低秩线性

1 GAN基本概念 1.1 什么是生成对抗网络? 生成对抗网络(GAN, Generative adversarial network) 在 2014 年被 Ian Goodfellow 提出. GAN 由 生成器 和 判别器 组成,生成器负责生成样本,判别器负责判断生成器生成的样本是否为真.生成器要尽可能迷惑判别器,而判别器要尽可能区分生成器生成的样本和真实样本. 在 GAN 的原作 <Generative Adversarial Networks> 中,作者将生成器比喻为印假抄票的犯罪分子

论文地址:面向基于深度学习的语音增强模型压缩 论文代码:没开源,鼓励大家去向作者要呀,作者是中国人,在语音增强领域 深耕多年 引用格式:Tan K, Wang D L. Towards model compression for deep learning based speech enhancem

1. 直接量化的过采样AD转换 此类系统的模型可以用下图表示. 图中xa(t)是输入信号,e(t)是量化引入的噪声,xd[n]是最终得到的数字信号,包含分量xda和xde. 对于M倍过采样,信号与量化噪声的功率谱如下图. 从上图可以看出,M越大,信号与噪声之间的重叠部分就越少. 现在将上面的信号通过一个截止频率为PI/M的理想数字滤波器,信号功率不受影响,而PI/M之外的量化噪声将被滤除.再经过M倍降采样后,信号与量化噪声的功率谱就变成下面的样子(量化噪声只有滤波降采样前的1/M): 计算表明(

Matlab实现加性高斯白噪声信道(AWGN)下的digital调制格式识别分类 内容大纲 加性高斯白噪声信道(AWGN)下的digital调制格式识别分类 (1. PSK; 2. QPSK; 3.8QAM; 4. 16QAM; 5. 32QAM; 6.64QAM) 100次独立仿真,识别正确率 vs SNR 设计 我的实现方法是 基于高阶累积量的信号特征的识别算法 调制格式识别过程如下: 信号预处理 去除直流成分 信号在接收端由于接收机的影响,有可能产生直流成分.直流分量在后面混频等处理中会产

MATLAB中白噪声的WGN和AWGN函数的使用如下: MATLAB中产生高斯白噪声非常方便,可以直接应用两个函数,一个是WGN,另一个是AWGN.WGN用于产生高斯白噪声,AWGN则用于在某一 信号中加入高斯白噪声. 1. WGN:产生高斯白噪声y = wgn(m,n,p) 产生一个m行n列的高斯白噪声的矩阵,p以dBW为单位指定输出噪声的强度.y = wgn(m,n,p,imp) 以欧姆(Ohm)为单位指定负载阻抗.y = wgn(m,n,p,imp,state) 重置RANDN的状态. 在

The RANSAC algorithm is a learning technique to estimate parameters of a model by random sampling of observed data. Given a dataset whose data elements contain both inliers and outliers, RANSAC uses the voting scheme to find the optimal fitting resul

1. 引言 随着科学技术的发展,人们对宏观和微观世界逐步了解,越来越多领域(物理学.化学.天文学.军事雷达.地震学.生物医学等)的微弱信号需要被检测,例如:弱磁.弱光.微震动.小位移.心电.脑电等[1-3].测控技术发展到现在,微弱信号检测技术已经相对成熟,基本上采用以下两种方法来实现:一种是先将信号放大滤波,再用低或中分辨率的ADC进行采样,转化为数字信号后,再做信号处理,另一种是使用高分辨率ADC,对微弱信号直接采样,再进行数字信号处理.两种方法各有千秋,也都有自己的缺点.前一种方法,ADC