PAST

QMF滤波器在语音编码中的应用,通过matlab 实验程序设计和实现二通道镜像滤波器(QMF、CQF、OQF)在语音编码中的应用，针对不同的滤波器阶数，采用批量算法，实现和比较波形编码的效率和精度(qmf filter use in wave)

SVD-TLS算法进行参数估计，本文用SVD-TLS算法估计观测信号的功率谱，步骤如下： （1） 计算样本相关函数矩阵R的SVD，并存储奇异值和矩阵V （2） 确定R的有效秩，本文使用的是归一化奇异值法来求有效秩 （3） 用总体最小二乘法估计参数 (SVD-TLS algorithm for parameter estimation, this paper observed SVD-TLS algorithm estimates the signal power spectrum, the following steps: (1) Calculate the sample correlation function matrix R, SVD, and store singular values and matrix V (2) to determine R, effective rank, this is normalized using the singular value method to be effective rank (3) The total least squares method to estimate the parameters)

利用matlab编写的二维fdtd，加点源，pml吸收边界，适合fdtd初学者学习研究(Prepared using matlab dimensional fdtd, plus a point source, pml absorbing boundary, suitable for beginners study fdtd)

关于光伏组件研究的相关资料，很有参考价值(Related information on the study of PV modules, a good reference value)

说明：  DEAP 数据库 EEG_feature.txt 包含了1216个脑电信号样本的160维特征，每行为一个样本，每列为一种特征。特征从左至右分别是每个脑电电极的theta（1-32列）、slow alpha（33-64列）、alpha（65-96列）、beta（1-97128列）、gamma（129-160列）波段的脑电特征。 subject_video.txt 包含了1216个脑电信号对应的32名被试和38段视频信息，其中包含两列。第一列是对应的被试编号，第二列是对应的视频编号。 EEG_feature.txt 与 subject_video.txt和valence_arousal_label.txt中每行都是一一对应的，例如subject_video.txt的第二行就是EEG_feature.txt中第二个样本（第二行）的被试和视频信息；valence_arousal_label.txt的第二行也是EEG_feature.txt中第二个样本（第二行）的愉悦度和唤醒度标签。valence_arousal_label.txt中第一列为愉悦度标签，1代表positive，2代表negative；第二列为唤醒度标签，1代表high，2代表low。 DEAP数据库并未提供情感类别标签。(EEG dataset, including DEAP database and MAHNOB-HCI database)

数字信号处理 )丁玉美，标准课件，PPT形式，很强大 很实用(Ding Mei, digital signal processing) standard courseware, PPT form, very powerful and very practical)

关于雷达系统的仿真matlab程序，分章节列举，希望对大家有用(About multiple radar systems simulation matlab program, I hope useful)

This file is a literature survey of password authentication

说明：  一种经典的流形学习算法，IsomapR1，用matlab与c++混合编程实现(A classical manifold learning algorithms)

利用svm进行分类器 很方便实用 强大 简介(Use svm classifier 13# highest feature index 3# kernel parameter-d 1# kernel parameter-g 1# kernel parameter-s 1# kernel parameter-r 270# number of training documents 117# number of support vectors plus 1 )