本例程展示了信号处理中低通滤波的作用，首先生成一个高斯白噪声，然后对其进行低通滤波。低通滤波器的截止频率和Q值可以自己设定，得到低通滤波器的传输函数后，在经过双线性变换法得到其单位脉冲响应。滤波后对原始信号的频谱和滤波后的信号的频谱进行了对比。%% 低通滤波器演示程序%% 生成白噪声信号clc;clear all; close all;N = 1000; %采样点数fs = N;%采样频率fre_

不同于plot函数，这个函数的功能是绘制符号函数的图像，只需给出函数的解析表达式即可，不需计算，也可不指出绘图区间，是一种十分简单的绘图方式，看名字就知道eazy是简单的意思，因此很好用。其调用格式为：ezplot（<隐函数表达式>,[x最小值，x最大值，y最小值，y最大值])隐函数表达式必须给出，是个字符串例如要绘制正弦函数：ezplot('sin(x)')ezplot(fun)绘制

dt = 0.001;%T = 1; %仿真时间t = 0:dt:T; %时间向量x = sin(10*2*pi*t);subplot(2,1,1);plot(t, x)y = awgn(x,-5,'measured');subplot(2,1,2);plot(t, y)awgn()函数可以对指定信号加一定信噪比的噪声

下面是使用matlab的自带的例子进行离散傅里叶变换的程序，非常的简单。写下来主要是给自己看的。%% matlab离散傅里叶变换%% Vsesion:1.0 Written by zhenhuaLiu@ 2021.11.15 HIT ATCIclearclcclose allfs = 1000;t = 0: (1/fs): (1-1/fs);%时间向量x = sin(2*pi*100*t)+sin

搭建的卷积神经网络为：3个卷积层和3个池化层以及一个全连接层#2021.11.8 HIT ATCI LZH#TensorFlow二维卷积神经网络实现MNIST数据集的的数字识别#从mnist中选取一部分样本from __future__ import division,print_function#python2中也能使用python3的函数import tensorflow as tfimpor

t = 0:1:(307200-1);%采样时间t = (t/307200)*0.002;fc = 10000000;I = real(data);%取I路Q = imag(data);%取Q路I_carrier = cos(2*pi*fc*t);%对I路进行调制Q_carrier = sin(2*pi*fc*t);%对Q路进行调制I_carrier = I_carrier';%I路调制Q_car

卷积神经网络最具特色的地方在于引入了卷积层，这使得数据量降低，进而在计算能力核内存有限的情况下能够实现深层的网络。卷积核的操作是受生物启发的，它具有局部感知功能。卷积核的Size代表感受野的大小，卷积核的步长度代表提取的精度：例如：Size为3的卷积核，如果step为1，那么相邻步感受野之间就会有重复区域，重复区域是两列的数据；如果step为2，那么相邻感受野的重复区域会更少；；如果step为3，

过拟合不只是出现在卷积神经网络中，但凡是机器学习，都会存在此类问题。他是我们不想看到的一种现象，“拟合”是说，模型能够对训练集进行良好的预测，但是对预测集/测试集预测的效果比较差，这种现象也被称之为“泛化能力差”。引起过拟合的原因有很多种，最重要的一种就是样本不足，或者训练集样本不具备代表性。为缓和过拟合问题，有以下几种方法：由于过拟合问题本质上是数据规模无法满足网络模型训练的要求。因此，数据集扩

在机器学习中，epoch是指将所有训练样本进入一次模型，我们知道，机器学习的过程就是不断地调整权值和阈值的过程，可以只输入一个样本就进行一次调整，也可以输进去一批样本进行一次调整。以MNSIT数据集为例，可以通过如下的方式编程实现：batch_size = 200 #批处理样本数x_train_num = 10000 #训练集样本数量batch_steps = int(mnist.train.nu

文章目录matplotlib绘图库Matplotlib Pyplot库函数：plotMatplotlib Pyplot库函数：scatterMatplotlib Pyplot库函数：stem线条及颜色的参数配置matplotlib绘图库Matplotlib 是 Python 的绘图库，它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。Matplotlib 可以用来绘制各种静态，动态，交互