第1章 用于可靠數(shù)字傳輸和存儲(chǔ)的編碼 第2章 代數(shù)引論 第3章 線性分組碼 第4章 重要的線性分組嗎 第5章 循環(huán)碼 第6章 二進(jìn)制BCH碼 第7章 非二進(jìn)制BCH碼、RS碼及其譯碼算法 第8章 大數(shù)邏輯可譯碼有限幾何碼 第9章 線性分組碼的網(wǎng)絡(luò) 第10章 基于可靠性的線性分組碼軟判決譯碼算法 第11章 卷積碼 第12章 卷積碼的最優(yōu)譯碼 第13章 卷積碼的次優(yōu)譯碼 第14章 基于網(wǎng)絡(luò)的軟判決譯碼算法 第15章 級(jí)聯(lián)編碼、碼分解與多階段譯碼 第16章 Turbo編碼 第17章 低密度單奇偶校驗(yàn)碼 第18章 網(wǎng)絡(luò)編碼調(diào)制 第19章 分組編碼調(diào)制 第20章 糾突發(fā)錯(cuò)誤碼 第21章 糾突發(fā)錯(cuò)誤卷積碼 第22章 自動(dòng)請(qǐng)求重傳（ARQ）策略 附錄A 伽羅華域的表 附錄B GF（2m）中元素的最小多項(xiàng)式 附錄C 長度至2 10-1的二進(jìn)制本原BCH碼的生成多項(xiàng)式 9.6 卷積碼
標(biāo)簽： BCH 二進(jìn)制 線性 數(shù)字傳輸
上傳時(shí)間： 2014-01-10
上傳用戶：fnhhs
摘要:為了提高圖像復(fù)原算法的性能 ,提出了一種改進(jìn)的奇異值分解法估計(jì)圖像的點(diǎn)擴(kuò)散函數(shù)。從圖像的退化離散模型 出發(fā) ,對(duì)圖像進(jìn)行逐層分塊奇異值分解 ,并自動(dòng)選取奇異值重組階數(shù)以減少噪聲對(duì)估計(jì)的影響。利用理想圖像奇異值向 量平均能譜指數(shù)模型 ,估計(jì)點(diǎn)擴(kuò)散函數(shù)奇異值向量的頻譜 ,再反傅里葉變換得到其時(shí)域結(jié)果。實(shí)驗(yàn)結(jié)果表明 ,該方法能 在不同信噪比情況下估計(jì)成像系統(tǒng)的點(diǎn)擴(kuò)散函數(shù) ,估計(jì)結(jié)果比原有估計(jì)方法有所提高 ,有望為圖像復(fù)原算法的預(yù)處理提 供一種有效的手段。
上傳時(shí)間： 2014-08-06
上傳用戶：litianchu
數(shù)字水印算法中常用的 MATLAB 函數(shù)，應(yīng)用MATLAB語言實(shí)現(xiàn)了一個(gè)空間域數(shù)字水印算法的嵌入、提取和攻擊過程，并給出了程序運(yùn)行的結(jié)果。
標(biāo)簽： MATLAB 數(shù)字水印算法 函數(shù)
上傳時(shí)間： 2017-04-09
上傳用戶：ippler8
該程序?qū)fdm系統(tǒng)中mmsnr的信道縮短算法的誤碼率性率進(jìn)行了仿真，而且與沒有信道縮短的只加cp的ofdm的系統(tǒng)進(jìn)行了對(duì)比.程序包可以完整實(shí)現(xiàn)仿真，并得到理想的效果圖，相信對(duì)做信道時(shí)域均衡的人會(huì)有所幫助！
上傳時(shí)間： 2014-01-16
上傳用戶：semi1981
頻域?qū)崿F(xiàn)圖像的濾波是一種比較好的濾波辦法，采用了求平均值等算法
上傳時(shí)間： 2013-12-25
上傳用戶：縹緲
提出了一種用于矢量量化的改進(jìn)的聚類算法,該算法在MKM(Modified K-Means)算法的框架的基礎(chǔ)上,對(duì)初始碼本的生成、失真測(cè)度的選擇、非典型胞腔的處理等方面進(jìn)行了改進(jìn),從而減少了原算法在能量和增益上對(duì)聚類結(jié)果的影響.并將該算法應(yīng)用于波形編輯孤立字識(shí)別器,這種識(shí)別器直接對(duì)語音樣本的時(shí)域波形進(jìn)行訓(xùn)練和聚類,不需要提取語音參數(shù),算法復(fù)雜度較低,加上提出的聚類算法失真測(cè)度簡單易實(shí)現(xiàn),對(duì)芯片的運(yùn)算能力要求不高,非常適用于有低成本要求的語音識(shí)別器場(chǎng)合.通過中文元音字識(shí)別的實(shí)驗(yàn)證明,在相同碼本尺寸下,運(yùn)用改進(jìn)后的聚類算法的識(shí)別器的識(shí)別率有所提高.
標(biāo)簽： Modified K-Means 算法 MKM
上傳時(shí)間： 2017-05-30
上傳用戶：tianjinfan
獨(dú)立成分分析( I C A) 是一項(xiàng)把混合信號(hào)分解成具有統(tǒng)計(jì)獨(dú)立性成分的新技術(shù) 。I C A近年已在生物醫(yī) 域的信號(hào)分離中展示 了很好的應(yīng)用前景 。 我們比較系統(tǒng)地介紹了 I C A的基本原理 、 主要算法 、 應(yīng)用和 究的發(fā)展方向，旨在進(jìn)一步推動(dòng)有關(guān)的理論與應(yīng)用研究工作。
標(biāo)簽： 分 獨(dú)立 信號(hào)分離 混合信號(hào)
上傳時(shí)間： 2017-06-13
上傳用戶：erkuizhang
自己編的lms算法，用于擴(kuò)頻通信抑制窄帶干擾的時(shí)域預(yù)測(cè)仿真
上傳時(shí)間： 2014-12-08
上傳用戶：Ants
本課題研究的主要內(nèi)容是在空間域直接處理圖像的基礎(chǔ)上，幾種典型的變 換域快速算法分析與研究及這些快速算法的程序設(shè)計(jì)實(shí)現(xiàn)。還研究了圖像增強(qiáng) 中的變換域處理方法，主要針對(duì)幾種典型變換域?yàn)V波器及其程序?qū)崿F(xiàn)；最后對(duì) 小波變換的算法分析及在圖像壓縮中的應(yīng)用進(jìn)行了理論研究。
標(biāo)簽： 圖像
上傳時(shí)間： 2013-12-27
上傳用戶：zhaoq123
遺傳算法為群體優(yōu)化算法，也就是從多個(gè)初始解開始進(jìn)行優(yōu)化，每個(gè)解稱為一個(gè)染色體，各染色體之間通過競(jìng)爭、合作、單獨(dú)變異，不斷進(jìn)化。 優(yōu)化時(shí)先要將實(shí)際問題轉(zhuǎn)換到遺傳空間，就是把實(shí)際問題的解用染色體表示，稱為編碼，反過程為解碼，因?yàn)閮?yōu)化后要進(jìn)行評(píng)價(jià)，所以要返回問題空間，故要進(jìn)行解碼。SGA采用二進(jìn)制編碼，染色體就是二進(jìn)制位串，每一位可稱為一個(gè)基因；解碼時(shí)應(yīng)注意將染色體解碼到問題可行域內(nèi)。 遺傳算法模擬“適者生存，優(yōu)勝劣汰”的進(jìn)化機(jī)制，染色體適應(yīng)生存環(huán)境的能力用適應(yīng)度函數(shù)衡量。對(duì)于優(yōu)化問題，適應(yīng)度函數(shù)由目標(biāo)函數(shù)變換而來。一般遺傳算法求解最大值問題，如果是最小值問題，則通過取倒數(shù)或者加負(fù)號(hào)處理。SGA要求適應(yīng)度函數(shù)>0，對(duì)于<0的問題，要通過加一個(gè)足夠大的正數(shù)來解決。這樣，適應(yīng)度函數(shù)值大的染色體生存能力強(qiáng)。 遺傳算法有三個(gè)進(jìn)化算子：選擇（復(fù)制）、交叉和變異。 SGA中，選擇采用輪盤賭方法，也就是將染色體分布在一個(gè)圓盤上，每個(gè)染色體占據(jù)一定的扇形區(qū)域，扇形區(qū)域的面積大小和染色體的適應(yīng)度大小成正比。如果輪盤中心裝一個(gè)可以轉(zhuǎn)動(dòng)的指針的話，旋轉(zhuǎn)指針，指針停下來時(shí)會(huì)指向某一個(gè)區(qū)域，則該區(qū)域?qū)?yīng)的染色體被選中。顯然適應(yīng)度高的染色體由于所占的扇形區(qū)域大，因此被選中的幾率高，可能被選中多次，而適應(yīng)度低的可能一次也選不中，從而被淘汰。算法實(shí)現(xiàn)時(shí)采用隨機(jī)數(shù)方法，先將每個(gè)染色體的適應(yīng)度除以所有染色體適應(yīng)度的和，再累加，使他們根據(jù)適應(yīng)度的大小分布于0-1之間，適應(yīng)度大的占的區(qū)域大，然后隨機(jī)生成一個(gè)0-1之間的隨機(jī)數(shù)，隨機(jī)數(shù)落到哪個(gè)區(qū)域，對(duì)應(yīng)的染色體就被選中。重復(fù)操作，選出群體規(guī)模規(guī)定數(shù)目的染色體。這個(gè)操作就是“優(yōu)勝劣汰，適者生存”，但沒有產(chǎn)生新個(gè)體。 交叉模擬有性繁殖，由兩個(gè)染色體共同作用產(chǎn)生后代，SGA采用單點(diǎn)交叉。由于SGA為二進(jìn)制編碼，所以染色體為二進(jìn)制位串，隨機(jī)生成一個(gè)小于位串長度的隨機(jī)整數(shù)，交換兩個(gè)染色體該點(diǎn)后的那部分位串。參與交叉的染色體是輪盤賭選出來的個(gè)體，并且還要根據(jù)選擇概率來確定是否進(jìn)行交叉（生成0-1之間隨機(jī)數(shù)，看隨機(jī)數(shù)是否小于規(guī)定的交叉概率），否則直接進(jìn)入變異操作。這個(gè)操作是產(chǎn)生新個(gè)體的主要方法，不過基因都來自父輩個(gè)體。 變異采用位點(diǎn)變異，對(duì)于二進(jìn)制位串，0變?yōu)?，1變?yōu)?就是變異。采用概率確定變異位，對(duì)每一位生成一個(gè)0-1之間的隨機(jī)數(shù)，看是否小于規(guī)定的變異概率，小于的變異，否則保持原狀。這個(gè)操作能夠使個(gè)體不同于父輩而具有自己獨(dú)立的特征基因，主要用于跳出局部極值。 遺傳算法認(rèn)為生物由低級(jí)到高級(jí)進(jìn)化，后代比前一代強(qiáng)，但實(shí)際操作中可能有退化現(xiàn)象，所以采用最佳個(gè)體保留法，也就是曾經(jīng)出現(xiàn)的最好個(gè)體，一定要保證生存下來，使后代至少不差于前一代。大致有兩種類型，一種是把出現(xiàn)的最優(yōu)個(gè)體單獨(dú)保存，最后輸出，不影響原來的進(jìn)化過程；一種是將最優(yōu)個(gè)體保存入子群，也進(jìn)行選擇、交叉、變異，這樣能充分利用模式，但也可能導(dǎo)致過早收斂。 由于是基本遺傳算法，所以優(yōu)化能力一般，解決簡單問題尚可，高維、復(fù)雜問題就需要進(jìn)行改進(jìn)了。 下面為代碼。函數(shù)最大值為3905.9262，此時(shí)兩個(gè)參數(shù)均為-2.0480，有時(shí)會(huì)出現(xiàn)局部極值，此時(shí)一個(gè)參數(shù)為-2.0480，一個(gè)為2.0480。算法中變異概率pm=0.05，交叉概率pc=0.8。如果不采用最優(yōu)模式保留，結(jié)果會(huì)更豐富些，也就是算法最后不一定收斂于極值點(diǎn)，當(dāng)然局部收斂現(xiàn)象也會(huì)有所減少，但最終尋得的解不一定是本次執(zhí)行中曾找到過的最好解。
標(biāo)簽： 遺傳算法
上傳時(shí)間： 2015-06-04
上傳用戶：芃溱溱123
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
