注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于压缩感知的脑电信号压缩采样

  2. 压缩感知在脑电信号中的应用，在医学实践中，通常会进行长时间的多次重复性的多通道脑电图测量，因此会产生 大量数据。如何有效处理这些数据是一个函待解决的问题。近年来出现的压缩感知理论 为有效解决这个问题提出了新的解决思路。鉴于此，本文首先介绍了EEG信号的先验 基础知识和压缩感知的理论框架。接下来研究了基于压缩感知理论对单通道EEG信号 的压缩采样，内容包括脑电信号最佳稀疏分解，通过实验对比发现，对于EEG信号， 以高斯函数、高斯小波函数、墨西哥草帽函数作为原子的生成函数构造的冗余字典，可 以实现

  3. 所属分类：医疗

    • 发布日期：2012-07-12
    • 文件大小：7mb
    • 提供者：yonghan911

  1. 压缩感知中构造测量矩阵研究

  2. 压缩感知中构造测量矩阵研究，压缩感知权威论文，介绍压缩感知概念，系统讨论如何构建测量矩阵即观测矩阵。

  3. 所属分类：教育

    • 发布日期：2013-07-13
    • 文件大小：180kb
    • 提供者：mcllei

  1. 压缩感知常见测量矩阵一维仿真信号实验代码

  2. 该实验主要用于研究压缩感知中常见测量矩阵的构造方法，并用一维仿真信号进行了实验，里面包含所有的代码

  3. 所属分类：专业指导

    • 发布日期：2017-07-06
    • 文件大小：2mb
    • 提供者：rookiemonkey

  1. 压缩感知中构造测量矩阵研究

  2. 对压缩感知的感兴趣的举个手，本文主要介绍各种不同测量矩阵构造方法，以及改进的措施，不用多说了，下回去自己研究研究吧。

  3. 所属分类：专业指导

    • 发布日期：2012-11-01
    • 文件大小：121kb
    • 提供者：huanghw22

  1. 稀疏信号恢复的测量矩阵构建算法

  2. 介绍了一种在压缩感知框架内的简单测量矩阵构造算法（MMCA）。 在压缩感测中，测量矩阵和稀疏字典（基本）之间的较小相干性可以具有更好的信号重建性能。 随机测量矩阵（例如，高斯矩阵）已被广泛使用，因为它们与几乎所有稀疏基数都具有较小的相干性。 但是，通过降低与固定稀疏基的相干性来优化测量矩阵将大大提高CS的性能，这一结论已被许多先前的研究人员很好地证明。 基于以上分析，我们通过迭代采用收缩和奇异值分解（SVD）技术来实现此目的。 最后，优化矩阵和稀疏字典的列之间的相干性可以大大降低，甚至接近韦氏边

  3. 所属分类：其它

  1. 压缩感知综述

  2. 压缩感知理论的诞生使得采样速率与信号的结构和内容相关, 并以低于奈奎斯特采样定理要求的频率采 样、编码和重构. 在实际应用中, 为解决数据冗余和资源浪费的瓶颈问题开拓了一条新道路, 也为其他学科发展提供 了新的契机. 从发展历史和研究现状等方面入手, 对稀疏表示、测量矩阵的构造、稀疏重构算法和主要应用方面进行 了详细的梳理和研究. 对当前研究的热点、难点作了分析和探讨, 并指出了未来的发展方向和应用前景.

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：171kb
    • 提供者：weixin_38680664