低通滤波：又叫一阶惯性滤波，或一阶低通滤波。是使用软件编程实现普通硬件RC 低通滤波器的功能。 适用范围：单个信号，有高频干扰信号。 一阶低通滤波的算法公式为： Y(n)X(n)(1)Y(n 1)αα=+-- 式中： α是滤波系数；X(n)是本次采样值；Y(n 1)-是上次滤波输出值；Y(n)是本次滤波输出值。 滤波效果1： 红色线是滤波前数据（matlab 中生成的正弦波加高斯白噪声信号） 黄色线是滤波后结果。 滤波效果2：
matlab中函数，相当于一阶滤波，蓝色是原始数据（GPS采集到的x（北）方向数据，单位m），红色是滤波结果。 一阶滤波算法的不足： 一阶滤波无法完美地兼顾灵敏度和平稳度。有时，我们只能寻找一个平衡，在可接受的灵敏度范围内取得尽可能好的平稳度。
互补滤波：适用于两种传感器进行融合的场合。必须是一种传感器高频特性好（动态响应好但有累积误差，比如陀螺仪。），另一传感器低频特性好（动态响应差但是没有累积误差，比如加速度计）。他们在频域上互补，所以进行互补滤波融合可以提高测量精度和系统动态性能。 应用：陀螺仪数据和加速度计数据的融合。 互补滤波的算法公式为： 1122Y(n)X (n)(X (n)Y(n 1))αα+=+-- 式中：1α和2α是滤波系数；1X (n)和2X (n)是本次采样值；Y(n 1)-是上次滤 波输出值；Y(n)是本次滤波输出值。 滤波效果 （测试数据）： 蓝色是陀螺仪 信号，红色是加 速度计信号，黄 色是滤波后的 角度。
. 互补滤波实际效果： .
卡尔曼滤波：卡尔曼滤波器是一个“optimal recursive data processing algorithm （最优化自回归数据处理算法）”。对于解决很大部分的问题，它是最优，效率最高甚至是最有用的。他的广泛应用已经超过30年，包括机器人导航，控制，传感器数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近来更被应用于计算机图像处理，例如头脸识别，图像分割，图像边缘检测。 首先，用于测量的系统必须是线性的。 (k)(k 1)(k)(k)X AX BU w =-++ (k)(k)(k)Z HX v =+ (k)X 是系统k 时刻的状态，(k)U 是系统k 时刻的控制量。(k)Z 是系统k 时 刻的测量值。A 和B 为系统参数，(k)w 和(k)v 分别表示过程和测量的噪声，H 是测量系统参数。 在进行卡尔曼滤波时： 首先进行先验预测： (k 1|k)(k |k)(k)(k)X AX BU w +=++ 计算先验预测方差： '(k 1|k)(k |k)(k)P AP A Q +=+ 计算增益矩阵： (k 1)(k 1|k)'/((k 1|k)'(k 1))Kg P H HP H R +=++++ 后验估计值： (k 1|k 1)(k 1|k)(k 1)(Z(k 1)(k 1|k))X X Kg HX ++=++++-+ 后验预测方差： (k 1|k 1)(1(k 1))(k 1|k)P Kg H P ++=-++ 其中，(k)Q 是系统过程激励噪声协方差，(k)R 是测量噪声协方差。 举例说明： （下文中加粗的是专有名词，需要理解） 预测小车的位置和速度的例子（博客+自己理解）:
毕业论文（设计）材料 题目：基于 MATLAB 的线性盲信号分离算 法的研究 学生姓名：孙烽原 学生学号：0908030229 系别：电气信息工程学院 专业：电子信息工程 届别：2013 指导教师：张大雷
填写说明 1、本材料包括淮南师范学院本科毕业论文（设计）任务书、开题报告以及毕业论文（设计）评审表三部分内容。 2、本材料填写顺序依次为： （1）指导教师下达毕业论文（设计）任务书； （2）学生根据毕业论文（设计）任务书的要求，在文献查阅的基础上撰写开题报告，送交指导教师审阅并签字认可； （3）毕业论文（设计）工作后期，学生填写毕业论文（设计）主要内容，连同毕业论文（设计）全文一并送交指导教师审阅，指导教师根据学生实际完成的论文（设计）质量进行评价； （4）指导教师将此表连同学生毕业论文（设计）全文一并送交评阅教师评阅。 3、指导教师、评阅教师对学生毕业论文（设计）的成绩评定均采用百分制。 4、毕业论文（设计）答辩记录不包括在此表中。
一、毕业论文（设计）任务书 要求完成的主要任务及达到的目标 顾名思义，盲信号是指未知的、有杂乱无章特征的信号，人们难以得知源信号以及源信号的结合形式。对于盲信号的处理是通信时代比较前沿的技术之一，从接收信号中尽力还原源信号的技术称为盲源分离、盲信号提取。这已经称为通信信号学术领域的研究焦点。盲信号处理如今广泛被语音识别、语音增强、图像处理、通信系统、地震探测、遥感、数据挖掘、计量经济学、医学成像等领域所应用。根据传输介质的不同混合方式，盲信号处理有线性瞬时混合信号盲处理、线性卷积混合信号盲处理、非线性混合信号盲处理三种。本研究主要讨论有线性瞬时混合信号忙处理的计算方法。 ?对盲信号处理学各类算法的了解和掌握； ?对有线瞬时混合信号忙处理方法的熟悉和精通； ?对于MATLAB软件的熟练操作； ?实现用MATLAB软件实现对线性盲信号分离算法。 在此基础上巩固、加深和扩大MATLAB应用的知识面，进一步了解用此款软件对数字信号处理、数字图像处理、工程设计等的应用。加深对盲信号处理知识的掌握深度，加强对线性盲信号分离算法的理解，提高综合及灵活运用所学知识研究各类数学算法的能力。学会查阅书籍，并且要能够熟练的运用数学软件、编写程序、仿真、处理信号问题的方法、内容及步骤。学会对课题设计方案的分析、选择、比较。 工作进度要求
图像边缘后处理算法 李文彬１，朱红 （西安电子科技大学模式识别与智能控制研究所 ７１００７１） 摘要： 基于边缘模型重建的数字图像后处理算法可以改善高倍压缩图像的主观和客观质量。本文通过对压缩图像退化原因以及现有的基于边缘模型的后处理算法的分析和讨论, 提出了一种新的基于边缘模型的后处理算法。 关键词： 图像后处理；图像压缩；边缘 O n Digital Image Post-processing Algorithms of Model-based Edge Li Wenbin1, Zhu Hong (Institute of Pattern Recognition and Intelligence Control, Xi’an University, Xi’an, 710071) Abstract: Digital image post-processing algorithms of model-based edge can improve the subjective and objective quality of decompressed images. In this paper, the writer represents a new post-processing algorithm of model-based edge by analyzing the reason of image degradation and the available algorithms. key words: Digital Image Post-processing; Image Compression; Edge 1 引言 提高数字图像压缩性能，通常有以下三种方法：第一，提高压缩算法的效率；第二，使用新的变换算法，使能量更加集中；第三，通过预处理或后处理来改善压缩图像质量。静止图像压缩发展到目前为止，基本上都是以ＪＰＥＧ２０００标准为框架。在压缩算法和变换算法都很难有大的突破的情况下，通过预处理或后处理来改善压缩图像质量是另辟蹊径。 本文主要论述基于边缘模型的数字图像后处理的方法及其研究方向，提出一种新的基于边缘模型的图像的后处理算法，最后总结这些方法的优缺点并指出今后研究方向。 2 基于边缘模型的边缘重建后处理算法简介 现在流行且效果比较理想的压缩算法都是基于小波变换的嵌入式编码算法，如ＳＰＩＨＴ［１］、ＳＰＥＣＫ［２］、ＥＢＣＯＴ［３］等。ＪＰＥＧ２０００就采用了ＥＢＣＯＴ（嵌入式位平面失真率可优化编码）。 １ 作者简介：李文彬（１９７９－），广东省汕头市人，西安电子科技大学２００２级研究生，主要从事静态图像压缩研究和ＦＰＧＡ设计。
区（市）县之间“飞地”和边界区域调整的处理方法 一、区（市）县间的“飞地”处理 特别强调：修改数据前一定要先备份数据。 （一）“飞地”所在区（市）县 1、绘制“飞地” 以村为例，先选择“工作空间”的“村级界面”，在需要绘制的村中进行面描绘 2、点选“飞地”，Ctrl+C复制，再选择“工作空间”的“乡级界面”，Ctrl+V 粘贴； 3、新建数据源，分别点乡级图层和村级图层，将“飞地”粘贴进来。交给所属区（市）县。 4、选“村级界面”图层，先点包围它的村界面利用分解功能先分解，再点“飞地”，使用Shift键将“飞地”和包围它的村界面同时选中，点击工具栏中的“岛洞多边形”，将面挖空。 5、修改包围它的村界面的名称和行政区划代码 6、选“乡级界面”图层，使用Shift键将“飞地”和包围它的乡界面同时选中，点击工具栏中的“岛洞多边形”，将面挖空。 （二）“飞地”所属区（市）县 1、分别将“飞地”的乡级和村级图层粘贴进来 2、选乡级图层，再选择“飞地”区域和“飞地”所属乡界面，执行“合并多边形”功能，将“飞地”与所属地连接。
3、选村级图层，再选择“飞地”区域和“飞地”所属村界面，执行“合并多边形”功能，将“飞地”与所属地连接。“飞地”问题解决。 二、区（市）县之间边界区域调整的处理 特别强调：修改数据前一定要先备份数据。此调整必须在双方协商同意的情况下共同完成。 （一）“有非本区（市）县地块”区（市）县的做法 1、将有外区（市）县地块的乡镇（办事处）分割出来，然后选乡级图层，删除本乡镇乡级界面，再选村级图层，删除有外区地块的村级界面。 2、调入该乡镇数据，将非本区（市）县的区域画成一个（或几个）村级普查区界面。 3、新建一个数据源，将画好的非本区（市）县的村级复制过来，存盘后光给其所在区（市）县，以备使用，在此叫A数据源。 4、在乡镇数据中，选中除非本区（市）县外的所有村，点复制，点窗口进入区（市）县数据源，选村乡界面，点粘贴。回到乡镇数据中，选中除非本区（市）县外的所有村，点合并多边形，修改行政区划名称和代码（乡级）。再次回到区（市）县数据源，选工作空间---乡级界面---粘贴。 （二）所属“地块”不在本区（市）县界内的区（市）县做法 1、打开本区（市）县的数据源和A数据源。 2、进入A数据源，点村界面，点复制
毕业论文（设计） 论文题目：基于MATLAB的线性盲信号分离算法的研究 学生姓名：孙烽原 学号：0908030229 所在院系：电气信息工程学院 专业名称：电子信息工程 届次：2013届 指导教师：张大雷
淮南师范学院本科毕业论文（设计） 诚信承诺书 1.本人郑重承诺：所呈交的毕业论文（设计），题目《 》是本人在指导教师指导下独立完成的，没有弄虚作假，没有抄袭、剽窃别人的内容； 2.毕业论文（设计）所使用的相关资料、数据、观点等均真实可靠，文中所有引用的他人观点、材料、数据、图表均已注释说明来源； 3. 毕业论文（设计）中无抄袭、剽窃或不正当引用他人学术观点、思想和学术成果，伪造、篡改数据的情况； 4.本人已被告知并清楚：学院对毕业论文（设计）中的抄袭、剽窃、弄虚作假等违反学术规范的行为将严肃处理，并可能导致毕业论文（设计）成绩不合格，无法正常毕业、取消学士学位资格或注销并追回已发放的毕业证书、学士学位证书等严重后果； 5.若在省教育厅、学院组织的毕业论文（设计）检查、评比中，被发现有抄袭、剽窃、弄虚作假等违反学术规范的行为，本人愿意接受学院按有关规定给予的处理，并承担相应责任。 学生（签名）： 日期：年月日
目录 前言 (2) 1 概述 (2) 1.1盲信号处理的概念与分类 (3) 1.2盲处理概念 (4) 1.3盲信号处理的分类 (4) 1.4盲信号处理的应用 (4) 2 盲信号分离的基础 (4) 2.1盲信号的预处理 (5) 2.2信号的去均值处理 (5) 2.3盲信号分离原理 (5) 2.4盲信号分离的方法 (6) 3 盲分离的算法和仿真结果 (6) 3.1最大信噪比的盲信号分离算法 (6) 3.2基于最大信噪比盲信号分离的算法流程 (7) 3.3基于峭度的盲信号分离的算法 (7) 3.4基于峭度的盲信号分离的算法流程 (8) 3.5基于两种算法的仿真 (8) 3.6仿真结果分析 (12) 4 结论 (13) 4.1总结 (13) 4.2未来工作 (13) 参考文献 (14)
灰空间边界及其处理方式浅析 摘要：灰空间作为室内外空间的过渡空间，在一定程度上抹去了建筑内外部的界限，使二者成为有机整体。边界不仅起到分割两个空间的作用，也是相邻两个主题空间的联结和过渡的关键，对人感知核心空间和在灰空间的过渡作用中有着至关重要的作用。本文将边界安属性分类，并提出一些处理建议，有利于对灰空间的研究。 关键词：灰空间，边界，积极空间，消极空间 Abstract: The grey space as the indoor and outdoor space transition space, to a certain extent wiped out the building internal and external boundaries, making two as an organic whole. The boundary is not only to the segmentation of two space, and it is the key point of two adjacent theme space connection and transition, it is crucial on person perception core space and in the gray space transition. This article will border security attribute classification, and puts forward some suggestions, in favor of the gray space research. Key words: grey space; boundary; the active space; the negative space 灰空间及其边界 1灰空间的概念 灰空间的概念最早由黑川纪章提出：“灰空间”一方面指色彩，另一方面指介乎于室内外的过渡空间。对于前者他提倡适用日本茶道创始人敢利休阐述的“利休灰”思想，以红﹑蓝﹑黄﹑绿﹑白混合出不同倾向的灰色装饰建筑；对于后者他大量利用庭院﹑走廊等过渡空间，并将其放在重要的位置上。[1]一般指后者，半室内﹑半室外﹑半封闭﹑半开敞﹑半私密﹑半公共的中介空间。 1.2空间的创建与边界 通常为了创造空间，人们必须介入数学—物理空间进行，以获得能被人们体验的建筑空间。而这种界定可以有两种不同的定义。 一种是，空间的限定元素通过设定边界、限制、包围、环绕、容纳，将一块数学——物理空间限定出来，使其可以被感知。空间的外围或空间的边界需要被创造出来，空间限定的感觉，通过空间边界所带来的维和尺度来实现。这样一来，人们就可以区分室内、室外、“里面”的和“外面”的空间，以及处于物体之间的空间。
阵列信号处理中的DOA估计算法 摘要：本文简要介绍了阵列信号处理的基本知识和其数学模型，并且对阵列信号处理中很重要的来波方向（DOA）估计方法进行了比较，主要包括古典谱估计方法、Capon最小方差法、多重信号分类（MUSIC）算法以及旋转不变因子空间（ESPRIT）算法。通过这些算法的介绍和比较，我们可以很方便地在不同的情况下选择不同的算法去对信号的来波方向进行估计。 关键词：阵列信号处理；来波方向（DOA）；MUSIC；自相关矩阵；特征分解；ESPRIT DOA Estimation Algorithms in Array Signal Processing Abstract：In this paper, we have introduced the basic knowledge and data model of array signal processing and have compared many DOA estimation methods in array signal processing，which included classical spectrum estimation method、Capon minimum variance method、MUSIC method and ESPRIT method。Through the introduction and comparison of these algorithms，we can choose different algorithm to estimate the DOA of signal in different situation，conveniently。Key word s：array signal processing；DOA；MUSIC；self-correction matrix；eigendecomposition； ESPRIT 1.引言 近几十年来，阵列信号处理作为信号处理的一个重要分支，在声纳、雷达、通信以及医学诊断等领域得到了相当广泛的应用和发展。阵列信号处理是指在一定大小空间的不同位置去设置传感器，组成传感器阵列，利用传感器阵列去接收空间中的信号并且通过一定的方法对接收的信号进行处理。阵列信号处理的目的是为了增强有用的信号，抑制无用的干扰和噪声，并且从接收的信号中提取出有用信号的特征以及信号所包含的信息。与传统的单个定向传感相比，传感器阵列具有比较高的信号增益、灵活的波束控制、很高的空间分辨率以及极强的干扰抑制能力。阵列信号处理研究的主要问题包括[5]：空间谱估计——对空间信号波达方向进行超分辨估计；零点形成技术——使天线的零点对准干扰方向；波束形成技术——使阵列方向图的主瓣指向所需的方向。其研究的三个主要方向分别在不同的时期进行了不同的主要研究，这三个阶段分别是： 1、20世纪60年代主要集中在波束形成技术方面[1]，如自适应相控天线、自适应波束操控天线和自适应聚束天线等，主要目的是使阵列方向图的主瓣指向所需要的方向。 2、20世纪70年代主要集中在零点形成技术方面[2]，如自适应置零技术、自适应调零技术、自适应杂波抑制和自适应旁瓣相消等，可以提高信号输出的信噪比（SNR）。 3、20世纪80年代主要集中在空间谱估计方面[3]，如最大似然谱估计、最大熵谱估计、子空间谱估计等，它是现代谱估计理论与自适应阵列技术结合的产物，主要是研究在阵列处理带宽内空间信号的波达方向的估计问题，这标志着阵列信号处理研究的重大变化。 信号的波达方向（DOA）估计是阵列信号处理领域的一个非常重要的研究内容。信号的DOA估计算法大多是一种极值搜索法，即首先形成一个包含待估计参数的函数（一般是一个伪谱函数），然后通过对该函数进行峰值搜索，得到的极值就是信号的波达方向。这些算法主要包括：1965年Bartlett基于波束形成的思想提出的DOA估计算法，但是该算法不能分辨出两个空间距离小于波束宽度的信号源。1968年Schweppe首先研究了虽大似然估计算法（ML），但是比较重要的还是后来Capon提出的高进度的ML，该算法对于服从高斯分布的信源估计可以达到克劳—拉美界，但是需要对接收阵列数据的自相关矩阵进行求了逆运算，运算量相当大。1979年Schmidt提出了多重信号分类法[4]（Multiple Signal Classification，MUSIC）以及各种改进的MUSIC算法等，它们都需要进行特征值分解运算，可以得到比较高精度的参数估计，但是计算量太大。1985年Roy和Kailath提出了一种借助旋转不变技术的参数估计算法[6]（Estimating Signal Via Rotational Invariance Techniques，ESPRIT），它是利用阵列流行的某些特性形成一个可以直接求解的函数，能够比较方便的得到所需要的估计参数。在此之后，人们以MUSIC和ESPRIT为基础，提出了各种各样的算法，例如最小范数法[7]、ROOT-MUSIC[8]、TLS-ESPRIT[9]等。这些不同的算法是基于不同的理论提出的，并且建立在不同的约束条件之下，所以其特性和适用对象也会不同。 2.数据模型 2.1平面波与阵列
盲源分离算法初步研究 一、盲源分离基本问题 1.概念 BSS 信号盲分离，是指从若干观测到的混合信号中恢复出未知的源信号的方法。典型的观测到的混合信号是一系列传感器的输出，而每一个传感器输出的是一系列源信号经过不同程度的混合之后的信号。其中，“盲”有两方面的含义：（1）源信号是未知的；（2）混合方式也是未知的。 根据不同的分类标准，信号盲分离问题可以分成以下几类： （1）从混合通道的个数上分，信号的盲分离可以分为多通道信号分离和单通道信号分离。单通道信号分离是指多路源信号混合后只得到一路混合信号，设法从这一路混合信号中分离出多个源信号的问题就是单通道信号分离。多通道信号分离是M 个源信号混合后得到N 路混合信号（通常N ≥M ）。从N 路混合信号中恢复出M 个源信号的问题即为多通道信号分离。一般情况下，单通道信号分离的难度要超过多通道信号分离。 （2）从源信号的混合方式上分，可将信号盲分离问题分为瞬时混合和卷积混合、线性混合和非线性混合等不同种类。在目前信号盲分离的研究文章中，所建模型大部分为瞬时混合。但是，作为更接近实际情况的卷积混合方式正受到越来越多的关注。 （3）根据源信号的种类，也可将信号盲分离分为多类。在通常的处理方法上，根据不同种类信号的特点，也有一些独特的处理技术。 2.盲分离问题的描述 BSS 是指仅从观测的混合信号（通常是多个传感器的输出）中恢复独立的源信号，在科学研究和工程应用中，很多观测信号都可以假设成是不可见的源信号的混合。所谓的“鸡尾酒会”问题就是一个典型的例子。在某个场所，多个人正在高声交谈。我们用多个麦克风来接受这些人说话的声音信号。每个人说话的声音是源信号，麦克风阵列的输出是观测信号。由于每个麦克风距离各个说话者的相对方位不同，它们接受到的也是这些人的声音信号以不同方式的混合。盲信号分离此时的任务是从麦克风阵列的输出信号中估计出每个人各自说话的声音信号，即源信号。如果混合系统是已知的，则以上问题就退化成简单的求混合矩阵的逆矩阵。但是在更多的情况下，人们无法获取有关混合系统的先验知识，这就要求人们从观测信号来推断这个混合矩阵，实现盲源分离。 3.混合模型 信号的混合模型包含两个方面的内容：（1）源信号的统计特征；（2）源信号的混合方式。 3.1源信号的统计特征 已有的研究表明如果加上源信号间相互独立的限制条件，就可以有效地补偿对以上先验知识的缺乏。如果用q i 表示第i 个分量的概率密度函数，则这种统计独立性可以表示为： 11221()()...()()n n n i i i q s q s q s q s ==???=∏q(s) 其中q(s)是s 的联合概率密度函数。 3.2源信号的混合方式 最简单的混合模型假定各个分量是线性叠加混合在一起而形成观测信号的。基于这样的假设，我们可以把观测信号和源信号用矩阵的方式表示为： ()()t t =x Hs 式中H 是n ×n 阶的混合矩阵。基于该模型，盲信号分离()()t t =x Hs 的目标可以表
不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外，成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。 在实际的图像分割中，往往只用到一阶和二阶导数，虽然，原理上，可以用更高阶的导数，但是，因为噪声的影响，在纯粹二阶的导数操作中就会出现对噪声的敏感现象，三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在有些情况下，如灰度变化均匀的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声，再进行边缘检测。不过，利用二阶导数信息的算法是基于过零检测的，因此得到的边缘点数比较少，有利于后继的处理和识别工作。 各种算子的存在就是对这种导数分割原理进行的实例化计算，是为了在计算过程中直接使用的一种计算单位 1.Sobel算子 其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值， Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响。Sobel算子对于象素的位置的影响做了加权，与Prewitt算子、Roberts算子相比因此效果更好。 Sobel算子包含两组3x3的矩阵，分别为横向及纵向模板，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。实际使用中，常用如下两个模板来检测图像边缘。
有限元法边界条件的处理 边界上的节点通常有两种情况， 1. 一种边界上的节点可自由变形，此时节点上的载荷等于0，或者节点上作用某种外载荷，可以令该点的节点载荷等于规定的载荷Q。这种情况的处理是比较简单的。 2. 另一种边界上的节点，规定了节点位移的数值。这种情况下，有两种方法可以处理： * 划0置1法 * 置大数法 划0置1法是精确的方法，置大数法则是近似的方法。下面分别介绍这两种方法 置大数法 假设v自由度的位移已知为b(b可以为0或者其他任意值)。 1. 将v自由度相应对角线上的刚度系数k(v,v) 换成一个极大的数，例如可以换成k(v,v)*1E8 k(v,v) ---> k(v,v) * 1E8 2. 将v自由度相应节点载荷F(v) 换成F(v) * 1E8 * b F(v) ---> F(v) * 1E8 * b 3. 其余均保留不变，求出的 v =~ b 此方法的处理只需要修改两个数值即可，简单方便，虽然求得的是近似值，但一般仍然推荐使用。 置大数法来源于约束变分原理，本质和罚函数是一样的，得到的都是一个非精确值，施加起来在程序实现上相对简单，但是过大的大数可能引起线性方程的病态，造成在某些求解方法下无法求解，过小的大数有可能引起计算的误差，因此大数的选择也算是一个优化的过程吧，因此如果位移边界条件为0的话，主1副0的方法通用性更好吧 而位移非零的情况下，还有一种类似主1副0的方法可以采用吧，不过程序处理相对麻烦一点，我一下也没找到，你不妨找找看 这是在不增加方程个数的情况下的处理方式，拉格朗日乘子法好像也可以处理边界条件，但是会增加方程的个数，所以大家一般都不太用来着，拉格朗日乘子法和罚函数法的原理可以看一下王勖成写的那本有限元，如果英文好，不放看看监克维奇的那本英文的《finite element method》
学号姓名成绩 《信号分析与处理中的数 学方法》 考试题目： 1、叙述卡享南—洛厄维变换，为什么该变换被称为最佳变换，何为 其实用时的困难所在，举例说明其应用。 2、最小二乘法的三种表现形式是什么？以傅里叶级数展开为例说明 其各自的优缺点。 3、二阶矩有限的随机变量希尔伯特空间中平稳序列的预测问题的法 方程称为关于平稳序列预测问题的yule-walker方程，试用投影法和求导法推导该方程。该方程的求解算法称为最小二乘算法，请对这些算法的原理予以描述。 4、简述卡尔曼滤波的原理，并指出其可能的应用。 5、什么是插值？有多少种插值，举一个教材之外的例子说明其应用。
1、 叙述卡享南—洛厄维变换，为什么该变换被称为最佳变换，何为 其实用时的困难所在，举例说明其应用。 形为 的方程称为齐次佛莱德霍姆积分方程，其中 为未知函数， 是参数，(),C t s 为已知的“核函数”，它定义在 ， ， 上，我们假定它是连续的，且是对称的： (1-1) 使积分方程(1-1)有解的参数 称为该方程的特征值，相应的解 称为该方程的特征函数。 固定一个变量t ，则 ()()() 1,n n n n C t s t s λ??∞ -=∑ (1-2) 表示以s 为变量的函数(),C t s 关于正交系(){}n t ?的傅立叶级数展开，而傅立叶系数正好是()n n t λ?。 设()x t 为一随机信号，则其协方差函数 (1-3) 是一个非随机的对称函数，而且是非负定的。为了能方便地应用式(1-2)，假定(),C t s 是正定的，在多数情况下，这是符合实际的。当然，还假定(),C t s 在 ， ， 上连续。 现在用特征函数系(){}n t ?作为基来表示()x t ： ()()1n n n x t t α?∞ -=∑ (1-4) 其中()()0 T n n x t t dt α?=?。因为(){}n t ?是归一化正交系，所以展开式类似于 傅里叶级数展开。但是因为()x t 是随机的，从而系数n α也是随机的，因此这个展开式实际上并不是通常的傅里叶展开。式(1-4)称为随机信号的卡享南-洛厄维展开。
实验2 基2时域抽选的FFT 程序设计与调试 一、实验目的 掌握信号处理，尤其是数字信号处理的基本原理和方法。要求能通过实验熟练掌握基2时域抽选的快速傅立叶变换算法（FFT ）的基本原理，了解二维及多维快速傅立叶变换算法。 二、实验原理 1．复数类型 对于FFT 算法涉及的复数运算，使用自定义的COMPLEX 来定义复数类型，其使用方法与常规类型（如int,float,double ）相似。 typedef struct { float real, imag; } COMPLEX; 2．FFT 基本原理 FFT 改进了DFT 的算法，减少了运算量，主要是利用了旋转因子W 的两个性质： （a ）W 的周期性：W = W （b) W 的对称性：W =-W FFT 把N 点DFT 运算分解为两组N/2点的DFT 运算，然后求和： )()()(21k X W k X k X k N += 1,,1,0 ),()()2 (2 21-=-=+ N k N k k X W k X N k X 其中， ∑∑∑∑-=-=-=-=+== = = 1 1 2 21 1 112 2 2 2 2 2 2 2 )12()()()2()()(N N N N N N N N r rk r rk r rk r rk W r x W r x k X W r x W r x k X 在计算X 1(k)与X 2(k)时，仍利用上述公式，把它们看成是新的X(k)。如此递归下去，便是FFT 算法。 3．蝶形运算 从基2时域抽选FFT 运算流图可知： ① 蝶形两节点的距离为2m-1，其中，m 表示第m 列，且m =1,… ,L 。 例如N=8=23， 第一级(列)距离为21-1=1， 第二级(列)距离为22-1=2， 第三级(列)距离为23-1=4。 ② 考虑蝶形运算两节点的距离为2m-1，蝶形运算可表为： X m (k)=X m-1(k)+X m-1(k+2m-1) W N r X m (k+2m-1)= X m-1(k)-X m-1(k+2m-1) W N r 由于N 为已知，所以将r 的值确定即可确定W N r 。为此，令k=(n 2n 1n 0)2 ,再将k 左移(L-m)位，右边位置补零，就可得到(r)2 的值，即(r)2 =(k)22L-m 。 例如 N=8=23
前沿技术 尺寸的减小，场区参数R1和R2相应收缩。这是一个很有意义的结果。 5 结束语 基于以上的分析和验算，可以说明ISO/IEC18047标准规定的测试参数：观察距离3λ和10λ，天线尺寸 0.1m和 是可行的。 ★【作者简介】 刘礼白：研究员级高工，中国电子科技集团公司第七研究所科技委主任、专家委员会副主任，信息产业部宽带无线移动通信技术专家组成员。中华人民共和国电子工业部有突出贡献专家，享受国务院颁发的 政府特殊津贴。 1 引言 盲分离是信号处理领域一个极富挑战性的研究课题。由于盲分离在语音识别、信号去噪、无线通讯、声纳问题、生物医学信号处理、光纤通信等众多应用领域有着广泛的应用前景，从而成为信号处理领域和神经网络领域的研究热点。 盲分离（B S S，B l i n d S o u r c e S e p a r a t i o n）的研究起源于鸡尾酒问题。在多个说话人同时讲话的语音环境中，通常每个麦克风接收到是多个说话者的混合声音，如何仅仅从话筒接收到的语音信号中分离出所需要的说话者的声音？这便是盲分离问题。 盲分离问题的主要特征就是在未知混叠参数的情 盲信号分离的理论与发展现状＊ 李荣华 赵 敏 华南理工大学电子与信息学院 王 进 国家移动通信工程中心 【摘要】文章首先介绍了盲信号分离问题的起源、特征、含义，然后介绍了盲信号分离的原理 和算法，最后介绍了盲分离研究的现状，探讨了盲分离研究仍存在的一些问题。 【关键词】盲信号分离 混叠模型 瞬时线性 非线性 卷积 收稿日期：2008年3月14日 *本文得到国家自然科学基金重点项目（U0635001），国家 自然科学基金（60774094）的资助。
最大信噪比盲源分离算法研究 1 程序说明 该算法参考文为“基于最大信噪比的盲源分离算法”（《计算机仿真》，2006），程序的Matlab代码如下： function[ys,w]=SNR_Max(x) [n,T]=size(x); x=x-mean(x')'*ones(1,T); %去均值 %---------------白化处理------------------------- [F,D]=eig((x*x')/T); v=F*(D^(-0.5))*F'; x=v*x; p=80; a=ones(1,p)/p; x=x'; S=filter(a,1,x); %滑动平均处理 U=cov(S-x,1); %计算协方差 V=cov(x,1); [W d]=eig(V,U); %计算特征值 ys=(x*W)'; %源信号估计 mplot(x); figure(2); mplot(ys); 上述程序中引用了一个画图子程序mplot(s)，能画小于6个信号的图形，该程序代码如下： function mplot(s) [dim,sample]=size(s); if dim>sample s=s'; [dim,sample]=size(s); end if dim>6 error('dim can not more than six'); end for i=1:dim subplot(dim,1,i); plot(s(i,:)); axis('tight'); set(gca,'XTick',[]); end 程序调用说明：输入混合信号x为一个n*T阶数据矩阵，输出的分离信号ys是n*T阶
卷积混合盲源分离算法研究 在客观环境中,我们通过传感器接收到的信号不但含有信号本来的信息,而 且还混合由其他信源及环境噪声。因而,当信道和信源等先验知识未知,仅通过得到的观测信号估计出源信号成为需要及时解决的问题。 我们称此类问题为盲源分离(Blind Source Separation, BSS)司题。随着盲源分离技术的发展,它已经在通信系统、语音分离、生物医学、图像处理等许多领域有着广泛的应用。 根据源信号的混合方式,可以将盲源分离问题分为线性混合、卷积混合和非线性混合三类。关于线性混合问题,现已涌现出许多优秀的算法,但在实际中,信号在传输过程中会发生延时,因而卷积混合模型比瞬时混合更具有实际意义,所 以本文着重对卷积混合盲源分离算法进行研究。 针对线性混合模型,提出一种基于峰度值和改进粒子群优化的盲源分离算法。该算法采用改进粒子群代替传统算法对基于峰度值最大化的目标函数进行优化。 对四路会议语音信号进行盲源分离仿真,结果验证了算法的有效性。但是该算法处理信号类型单一,且源信号最多只能含一路高斯信号。 为此,提出一种改进的基于非线性函数和简化粒子群优化的算法,该改进算 法依据源信号类型选取的非线性函数作为目标函数,采用简化粒子群优化算法进行优化。仿真结果表明,该改进算法能够有效实现源信号为多类型和含有两路高斯信号的盲源分离。 与其他算法相比,具有更快收敛速度和更高分离精度。针对卷积混合模型, 提出一种基于峰度值和简化粒子群优化的消源盲源分离算法。 该算法采用基于参考基的参考目标函数,并通过去相关性来实现消源,最终
实现逐一提取源信号。仿真结果表明,该算法可有效实现对BPSK、PAM和随机信号的卷积混合盲源分离。 针对卷积混合模型,还提出一种基于四阶互累积量和粒子群优化的盲源分离算法。该方法采用信号的四阶互累积量作为目标函数,使用粒子群优化算法来优化,实现从卷积混合信号中提取出源信号。 仿真结果表明,该算法可以有效实现对通信信号卷积混合的盲源分离。
阵列信号处理中的DOA（窄带） 空域滤波 波束形成：主要研究信号发射/接收过程中的信号增强。 空间谱估计 空域参数估计：从而对目标进行定位/给空域滤波提供空域参数。 测向波达方向估计(DOA) 空间谱：输出功率P关于波达角θ的函数，P(θ). 延迟——相加法/经典波束形成器注，延迟相加法和CBF法本质相同，仅仅是CBF法的最优权向量是归一化了的。
1、传统法常规波束形成CBF/Bartlett波束形成器 常规波束形成（CBF：Conventional Beam Former） Capon最小方差法/Capon 波束形成器/MVDR波束形成器 最小方差无畸变响应（MVDR：minimum variance distortionless response）Root-MUSIC算法
多重信号分类法解相干的MUSIC算法（MUSIC） 基于波束空间的MUSIC算法 2、[object Object]
TAM 旋转不变子空间法 LS-ESPRIT （ESPRIT） TLS-ESPRIT 确定性最大似然法（DML：deterministic ML） 3、最大似然法 随机性最大似然法（SML：stochastic ML）
4、综合法：特性恢复与子空间法相结合的综合法，首先利用特征恢复方案区分多个信号，估计空间特征，进而采用子空间法确定波达方向 最大似然估计法是最优的方法，即便是在信噪比很低的环境下仍然具有良好的性能，但是通常计算量很大。同子空间方法不同的是，最大似然法在原信号为相关信号的情况下也能保持良好的性能。 阵列流形矩阵（导向矢量矩阵）只要确定了阵列各阵元之间的延迟τ，就可以很容易地得出一个特定阵列天线的阵列流形矩阵A。 传统的波达方向估计方法是基于波束形成和零波导引概念的，并没有利用接收信号向量的模型（或信号和噪声的统计特性）。知道阵列流形 A 以后，可以对阵列进行电子导引，利用电子导引可以把波束调整到任意方向上，从而寻找输出功率的峰值。 ①常规波束形成(CBF)法 CBF法，也称延迟—相加法/经典波束形成器法/傅里叶法/Bartlett波束形成法,是最简单的DOA 估计方法之一。这种算法是使波束形成器的输出功率相对于某个信号为最大。 （参考自：阵列信号处理中DOA估计及DBF技术研究_赵娜）注意：理解信号模型
信号处理常用方法 对于实时数据采集系统，为了消除干扰信号，通常需要对采集到的数据进行数字滤波，常采用的数字滤波法有以下几种： 一、算术平均滤波法 算术平均滤波法是指对一点数据连续采n个值，然后取其平均值。这种方法能够滤除一般的随机干扰信号，使信号变的平滑，但当n值较大时，灵敏度会降低，故n值要视具体情况进行选取。一般情况下取3～5平均即可。 二、滑动平均滤波法 算术平均滤波法每计算一次数据需要采集n次数据，这对于测量数据较慢或要求数据计算速度较快的实时控制系统则无法使用，此时可采用滑动平均滤波法。滑动平均滤波法是把n个采样值看成一个队列，队列是长度为n，每进行一次采样就把采样值放入队尾，而去掉原队首的一个采样值，这样，队列中就始终有n个“最新”的采样值，对这n个值进行平均就可以得到新的滤波值。 滑动平均滤波法对周期性的干扰具有较好的抑制作用，但对偶然出现的脉冲性干扰抑制作用差，难以消除由于脉冲干扰而引起的采样值的偏差。 三、去极值滤波法 算术平均滤波法和滑动平均滤波法都难以消除脉冲干扰所引起的误差，会将脉冲干扰“平均”到结果中去。在脉冲干扰严重的场合可采用去极值平均滤波法。去极值平均滤波法的思想是：连续采样n个值，找出并去除其中的最大值和最小值，然后对其余的n-2个值求平均，即可得到有效采样值。为了使算法简单，n通常取偶数，如4，6，8，10等。 四、中位值滤波法 对某一被测信号连续采样n次，然后把n次采样值按大小排序，取中间值为本次采样值。为方便，n一般取奇数。算法上，则可以采用“冒泡法”来对这n个数据进行排序。中位值滤波法能有效地克服因偶然因素引起的波动干扰，但对于一些快变参数则不宜采用。
浅谈信号分析与处理方法及应用论文 作者：魏旺 摘要 今天的人们正生活在分享着信息学科与技术日新月异发展带来的各种成果之中。信息科学与技术的研究对象是信息传输、处理和控制等。信息科学与技术的基础是信号、系统和信号分析与处理的理论与方法。“信号分析与处理”这门课程正是近几年来在适应信息学科迅速发展、相应基础理论教学要求不断更新的情况下，形成的一门新课程。它整合了“信号与系统分析”和“数字信号处理”两门课程体系彼此存在的内存联系，注重了与“自动控制理论”的分工，从电子信息学科的基本任务出发，以信号分析为基础，系统分析为桥梁，处理技术为手段，设计系统为目的，实现原理、方法和应用三结合，把系统分析与设计系统服从于信号交换与处理的需要，从根本上改变了传统的以系统分析为主、信号处理为辅的状况，加强了两门课程之间的联系。 随着信息技术的不断发展和信息技术应用领域的不断扩展，这门课程已经从电子信息工程类专业的专业基础课程扩展成电子信息、自动控制、电子技术、电气工程、计算机技术、生物医学工程等众多电类专业的专业基础课程，甚至在很多非电专业中也设置了这门课程。而其内容也从单一的电系统分析扩展到许多非电系统分析。虽然各个专业开设这门课程时的侧重点会有所不同，应用背景也有差异，但是，本课程所提练的信号与系统的分析与处理的基本理论与基本方法是通用的。 关键词：信号系统与处理信号分析电子信息
第一章、信号系统的线性分析 数字信号处理是一个新的学科领域，它通过计算机或专用处理设备，用数字方式去处理数字或符号所表示的序列，以得到更符合人们要求的信号形式。 传统的超声波检测用手工进行，操作人员凭借经验对探伤仪上显示的波形进行评定，有一定的主观性，缺乏对信号本身的解剖，无法从根本上求证信号与被测对象之间的必然联系。为了能准确地提取出蕴涵于超声波信号中的信息，我们可以利用数字信号处理技术，从时域方面建立超声波信号的有限参数模型，从而将含在大量数据中的信息浓缩在有限个参数上。模型不仅可用于对信号的内在变化规律性与统计特性的描述，还可用于对过程的预测、控制，或对设备的工况监测、故障诊断等等，它比一个具体的时间序列或按数据所估计的特征量，更具有代表性。 信号可定义为一个承载信息的函数，通常表示为时间，的函数。对于幅度和时间都取连续值的信号称为模拟信号或时域连续信号；对于幅度值取连续值，而时间耿离散值的信号成为时域离散信号；而对于幅度和时问均为离散值的信号称为数字信号。我们所研究的超声回波信号就属于幅度和时间均为离散值的信号，亦称为超声回波的数字信号。 数字信号处理是一个新的学科领域，它是把数字或符号表示的序列，通过计算机或专用处理设备，用数字方式去处理这些序列，以达到更符合人们要求的信号形式。例如对信号的滤波、信号有用分量的提取和增强、无用分量的削弱以及对信号某些特征参数的估计。总之，凡是用数字方式对信号进行滤波、变换、增强、压缩、估计、识别等都是数字信号处理的研究对象。 时域信号到频域信号的转换是进行超声波频谱分析的基础。频谱分析是对信号在频率域内进行分析，分析的结果是以频率为坐标的相关物理量的谱线或曲线。以模拟信号的数字化处理系统为例，此系统先把模拟信号变换为数字信号，然后用数字技术进行处理，最后再还原成模拟信号。 由于数字信号处理的直接对象是数字信号，处理的方式是数值运算方式，使它相对模拟信号处理具有许多优点，归纳起来有以下几点： (1)灵活性 数字信号处理系统的性能取决于系统参数，这些参数存储在存储器中，很容易改变，因此系统的性能容易改变，甚至通过参数的改变，系统变成了另外完全不同的系统。灵活性还表现在数字系统可以分时复用，用一套数字系统分时处理