匹配追蹤的案例
175基于matlab信號匹配追蹤稀疏分解代碼 ￥15.9
<p>基于matlab信號匹配追蹤稀疏分解代碼，基于gabor時頻原子，對信號重構(gòu)效果好。輸出原子選擇過程，重構(gòu)誤差及重構(gòu)后的信號。程序已調(diào)通，可直接運行。</p><div contenteditable="false" width="100%">
<figure class="figure-image" data-img="https://img.jishulink.com/202402/attachment/132e4640a60445a0a945ca7f248feb18.png" style="text-align: center">
<img src="https://img.jishulink.com/202402/attachment/132e4640a60445a0a945ca7f248feb18.png" data-mobile-src="https://img.jishulink.com/202402/attachment/132e4640a60445a0a945ca7f248feb18.png?image_process=/format,webp/resize,w_400" data-pc-src="https://img.jishulink.com/202402/attachment/132e4640a60445a0a945ca7f248feb18.png?image_process=/format,webp/resize,w_760" data-initial-src="https://img.jishulink.com/202402/attachment/132e4640a60445a0a945ca7f248feb18.png">
</figure>
</div><p><br></p>
展開 《機械設備非平穩(wěn)信號的故障診斷原理及應用》
目 錄
第一章 概論
1.1 機械監(jiān)測診斷中的非平穩(wěn)問題
1.2 非平穩(wěn)信號處理
1.3 信號的正交分解和信息的獨立化提取
1.4 我國小波技術(shù)的應用現(xiàn)狀與進展
第二章 主分量自回歸譜分析與應用
2.1 機械摩擦、松動故障特征
2.2 主分量分析
2.3 主分量自回歸譜分析
2.4 正弦分量和有色噪聲的合理估計
2.5 工程應用
第三章 Wigner-Ville分布及其應用
3.1 Wigner-Vill分布的定義
3.2 Wigner-Vill分布的主要性質(zhì)
3.3 Wigner-Vill分布的計算
3.4 交叉干擾項及其抑制
3.5 應用實例
第四章 非平穩(wěn)信號處理方法的時頻分析及應用
4.1 短時傅里葉變換
4.2 小波變換
4.3 小波包信號分解與重構(gòu)
4.4 工程應用
第五章 諧波小波原理及其工程應用
5.1 諧波小波的定義及正交性
5.2 Newland快速算法及時頻剖面圖
5.3 諧波小波濾波
5.4 諧波小波應用舉例
第六章 Laplace小波特征波形相關(guān)濾波
6.1 Laplace小波及其特性
6.2 Laplace小波及其函數(shù)相關(guān)濾波
6.3 應用實例
第七章 匹配追蹤信號分解及應用
7.1 信號展開與內(nèi)積
7.2 匹配追蹤信號展開
7.3 匹配追蹤時頻表示與分布
7.4 機械系統(tǒng)沖擊響應特征提取
7.5 應用實例
第八章 小波包自回歸譜分析
8.1 基本原理
8.2 工程應用
第九章 小波包分解頻帶能量監(jiān)測
9.1 基本原理
9.2 汽輪發(fā)電機組軸瓦松動故障診斷
9.3 高壓透平蒸汽激振分析
第十章 小波分形技術(shù)及其在非平穩(wěn)故障診斷中的應用
10.1 小波分析與機械設備非平穩(wěn)故障診斷中的分形問題
10.2 小波分形技術(shù)原理
10.3 振動信號小波分形盒維數(shù)計算
10.4 機械松動故障的小波分形分析
第十一章 基因小波及其在內(nèi)燃機診斷中的應用
11.1
展開 43基于matlab針對壓縮重構(gòu)感知中的稀疏優(yōu)化問題，實現(xiàn)L1范數(shù)最小化問題求解. ￥55.9
基于matlab針對壓縮重構(gòu)感知中的稀疏優(yōu)化問題，實現(xiàn)L1范數(shù)最小化問題求解，首先構(gòu)造信號，并進行離散余弦變換，保證稀疏度，采用多個方法進行稀疏重構(gòu)，分別有，（1）基于L1正則的最小二乘算法-L1_Ls，（2）軟閾值迭代算法（ISTA)，（3）快速的迭代閾值收縮算法（FISTA），（4）平滑L0范數(shù)的重建算法（SL0算法）,(5)正交匹配追蹤算法（OMP），（6）壓縮感知重構(gòu)算法之壓縮采樣匹配追蹤(CoSaMP)，程序已跑通。
《信號處理的小波導引(原書第2版)》
2.2 可分離濾波器組
8.3 塊變換1
8.3.1 塊基
8.3.2 余弦基
8.3.3 離散余弦基
8.3.4 快速離散余弦變換2
8.4 重疊正交變換2
8.4.1 重疊投影子
8.4.2 重疊正交基
8.4.3 局部余弦基
8.4.4 離散重疊變換
8.5 局部余弦樹2
8.5.1 余弦基的二叉樹
8.5.2 離散基的樹
8.5.3 圖像余弦四叉樹
8.6 習題
第9章 逼近
9.1 線性逼近1
9.1.1 線性逼近的誤差
9.1.2 線性傅里葉逼近
9.1.3 線性多分辨率逼近
9.1.4 Karhunen-Loeve逼近2
9.2 非線性逼近1
9.2.1 非線性逼近的誤差
9.2.2 小波自適應網(wǎng)格
9.2.3 Besov空間3
9.3 小波圖像逼近1
9.4 自適應基的選擇2
9.4.1 最佳基和Schur凹性
9.4.2 快速最佳基的樹搜索
9.4.3 小波包和局部余弦最佳基
9.5 追蹤法逼近
9.5.1 基追蹤法
9.5.2 匹配追蹤法
9.5.3 正交匹配追蹤法
9.6 習題
第10章 估計即逼近
10.1 貝葉斯方法與極小化極大方法2
10.1.1 貝葉斯估計
10.1.2 極小化極大估計
10.2 基下的對角估計2
10.2.1 用Oracle的對角估計
10.2.2 閾值估計
10.2.3 閾值加細3
10.2.4 小波閾值計算
10.2.5 最好的基閾值計算3
10.3 極小化極大最優(yōu)性3
10.3.1 線性對角極小化極大估計
10.3.2 正交對稱集合
10.3.3 用小波的近似極小化極大
10.4 恢復
10.4.1 任意高斯噪聲下的估計
10.4.2 逆問題與解卷積
10.5 連貫性估計3
10.5.1 連貫性基閾值計算
10.5.2 連貫性匹配追蹤
10.6 譜估計2
10.6.1 功率譜
10.6.2 近似Karhunen-Loeve
展開 
機械設備非平穩(wěn)信號的故障診斷原理及應用
介紹提取故障信息的非平穩(wěn)信號處理方法——Wigner-Ville時頻分布、短時傅氏變換、小波變換、小波包分析、諧波小波、Laplace小波、Hermitian小波、匹配追蹤(matching pursuits)等的基本原理和應用。闡明信號小波變換后的再處理技術(shù)——小波包自回歸譜分析、小波包分解頻帶能量監(jiān)測、小波分形分析、諧波小波軸心軌跡法、基因小波分析、小波包模糊聚類神經(jīng)網(wǎng)絡，以及實現(xiàn)這些方法和技術(shù)的機械設備在線監(jiān)測診斷網(wǎng)絡系統(tǒng)。列舉了這些方法在工礦企業(yè)機械設備監(jiān)測診斷中的應用實例。 本書取材先進，實用性強，可供從事機械設備狀態(tài)監(jiān)測與故障診斷、設備管理與維護的廣大科技人員使用和參考，也適合作高等院校機械、能源、動力等專業(yè)的高年級本科生、研究生的教材或參考書。
展開 一文熟悉視頻目標跟蹤
由于l1范數(shù)的求解過程復雜度很高，后續(xù)的研究采用了改進的優(yōu)化算法如加速近似梯度算法（Accelerated Proximal Gradient，APG）和正交匹配追蹤（Orthogonal Matching Pursuit OMP）處理跟蹤任務。Jia等人采用基于局部圖像塊的稀疏表達建模方法，并獲得穩(wěn)健的跟蹤結(jié)果。Zhong等人將基于局部圖像稀疏表達的生成模型和基于前景背景的辨別模型結(jié)合起來以達到模型間的優(yōu)勢互補。最近的工作中，Zhang等人通過在稀疏表達框架中引入循環(huán)矩陣的性質(zhì)，從而獲得了頻域上的高效運算，進一步提高了稀疏表達跟蹤的效率。
２．判別式模型
基于SVM的跟蹤算法：
早在2001年，Avidan將支持向量機（Support Vector Machine，SVM）用于視頻目標跟蹤，通過ＳＶＭ學習的分類器模型來區(qū)分正負樣本。
隨后，各種改進的ＳＶＭ跟蹤器不斷涌現(xiàn)。
Supancic等人提出了基于自步學習（Self-paced learning）的SVM跟蹤器。
Hare等人提出了結(jié)構(gòu)化輸出的ＳＶＭ跟蹤算法Struck，在當時取得了令人印象深刻的性能。
Zhang等人在2014年提出了基于熵最小化原則的集成式ＳＶＭ跟蹤框架，達到了十分魯棒的預測結(jié)果。
隨著深度學習的興起，將神經(jīng)網(wǎng)絡和ＳＶＭ算法結(jié)合的CNN-SVM跟蹤器大幅度超越了之前采用手工特征的SVM跟蹤器。
基于相關(guān)濾波器的跟蹤算法：相關(guān)濾波器（Correlation Filter，CF）通過學習一個具有區(qū)分力的濾波器來處理待跟蹤圖片，其輸出結(jié)果為一個響應圖，表示目標在后續(xù)幀中不同位置的置信度。相關(guān)濾波器通過利用循環(huán)樣本和循環(huán)矩陣的性質(zhì)求解嶺回歸問題，得到了頻域上的高效閉合解，計算效率十分出色。
展開 