基于Matlab的FIR数字滤波器的设计与仿真（源程序）

EM算法详细例子及推导数θ),那么对于上面的实验,我们可以计算出他们出现我们观察到的结果即0=(5,9,.8,4,7,20=(B,A,A,B,4)的概率函数P(X=x10),2z)⑨)就叫做θ的似然函数。我们将它对θ求偏导并令偏导数为0,就可以得到如的结果P(X=x0,=20))=(;P(z=A)3(1-P(z=A)2C10(1-64)10A(1-6C104(1-0(1-6B)C106n(1-6我们将这个问题稍微改变一下,我们将我们所观察到的结果修改一…下我们现在只知道每次试验有几次投掷出正面,但是不知道每次试验投掷的是哪个硬币,也就是说我们只知道表中第一列和第三列。这个时候我们就称Z为隐藏变量( Hidden variable),X称为观察变量( Observed variable)。这个时候再来估计参数θ4和θB,就没有那么多数据可供使用了,这个时侯的估计叫做不完整数据的参数估计。如果我们这个时候冇某种方法(比如,正确的猜到每次投掷硬币是A还是B),这样的话我们就可以将这个不完整的数据估计变为完整数据估计当然我们如果没有方法来获得更多的数据的话,那么下面提供了一种在这种不完整数据的情况下来估计参数θ的方法。我们用迭代的方式来进行:(1)我们先赋给θ一个初始值,这个值不管是经验也好猜的也好,反正我们给它一个初始值。在实际使用中往往这个初始值是有其他算法的结果给岀的,当然随机给他分配一个符合定义域的值也可以。这里我们就给定64=0.7,6B=0.4(2)然后我们根据这个来判断或者猜测每次投掷更像是哪枚硬币投掷的结果。比如对于试验1,如果投掷的是Δ,那么出现5个止面的概率为C10×0.75×(1-07)5≈0.1029:;如果投掷的是B,出现5个正面的概率为C105×0.43×(1-0.4)5≈0.2007;基于试验1的试验结果,可以判断这个试验投掷的是使币A的概率为0.10290.10290.2007)-0.389是B的概率为02007(0.1029+0.2007)06611。因此这个结果更可能是投掷B出现的结果(3)假设上一步猜测的结果为B,A,A,B,A,那么恨据这个猜测,可以像完整数据的参数仙计一样(公式2重新计算的值这样一次一次的迭代2-3步骤直到收敛,我们就得到了θ的估计。现在你可能有疑问,这个方法靠谱么?事实证明,它确实是靠谱的。期望最大化算法就是在这个想法上改进的。它在估计每次投掷的硬币的吋候,并不要确定住这次就是硬币A或者B,它计算岀来这次投掷的硬币是A的概率和是B的概率;然后在用这个概率(或者叫做Z的分布)来计算似然函数。期望最大化算法步骤总结如下:F步骤先利用旧的参数值〃计算隐藏变量Z的(条件)分布P(万=2|Xn2),然后计算logP(,X=m)的期望B(o(2,X=x)=∑∑P(Z=别X=)P(Z=X=x)其中θ是当前的值,而θ是上一次迭代得到的值。公式中已经只剩下θ一个变量了,θ是一个确定的值,这个公式或者函数常常叫做Q函数,用Q(6,6)来表示。M步骤极大化Q,往往这一步是求导,得到由旧的θ值′米计算新的θ值的公式aQ总结一下,期望最大化算法就是先根据参数初值估计隐藏变量的分布,然后根据隐藏变量的分布来计算观察变量的似然函数,估计参数的值。前者通常称为E步骤,后者称为M步骤3数学基础首先来明确一下我们的目标:我们的目标是在观察变量X和给定观察样本:1,x2,…,rn的情況下,极大化对数似然函数(=>nP(X2=x;)(5)其中只包含观察变量的概率密度函数P(X2=2)=∑P(X=n,=)这里因为参数θ的写法与条件概率的写法相同,因此将参数θ写到下标以更明确的表述其中Z为隐藏随机变量,{}是Z的所有可能的取值。那么6)=∑h∑P(X=x,z=2)∑h∑。Px=x这里我们引入了一组参数(不要怕多,我们后面会处理掉它的)a,它满足可能的;,0;∈(0,1和∑;a=1到这里,先介绍一个凸函数的性质,或者叫做凸函数的定义。∫(x)为凸函数,=1,2,…,m,A∈[0,1∑1A对∫(x)定义域中的任意n个m1,x2,…,xn有f(∑Aa)≤∑mf(xr)i=1对于严格凸函数,上面的等号只有在x1=2xn的时候成立。关于凸函数的其他性质不再赘述。对数函数是一个严格凸数。因而我们可以有下面这个结果0)=∑hn∑≥∑∑ah(X=2n,2=C现在我们根据等号成立的条件来确定a;即P(X=x,Z=2)C(10)其中c是一个与j无关的常数。因为∑,=1,稍作变换就可以得到P(X;=x;)现在来解释下我们得到了什么。c;就是Z=2;在X=x;下的条件概率戌者后验概率。求α就是求隐藏随机变量Z的条件分布。总结一下目前得到的公式就是)-∑∑P(Xi=i,Z(12)直接就极大值比较难求,EM算法就是按照下面这个过程来的。它就是大名鼎鼎的琴生( Jensen)不等式(1)根据上一步的θ来计算α,即隐藏变量的条件分布(2)极大化似然函数来得到当前的的估计3.1极大似然估计好吧,我觉得还是再说说极大似然估计吧。给定一个概率分布D,假设其概率密度函数为f,其中f带有一组参数6。为了估计这组参数6,我们可以从这个分布中抽出一个具有n个采样值的X1,X2,…,Yn,那么这个就是n个(假设独立)同分布随机变量,他们分别有取值x1,x2…,xn,那么我们就可以计算出出现这样一组观察值的概率密度为lI f(ai)(13)对于f是离散的情况,就计算出现这组观察值的概率10)注意,这个函数中是含有参数0的。0的极大似然估计就是求让上面似然函数取极大值的时候的参数O值。般来说,会将上面那个似然函数取自然对数,这样往往可以简化计算。记住,这样仅仅是为了简化计算。取了自然对数之后的函数叫做对数似然函数。ln()=∑lnf(n)因为对数是一个严格单调递增的凹函数,所以对似然函数取极人值与对对数似然函数取极大值是等价的。3取了对数之后还可以跟信息熵等概念联系起来4关于凸函数有很多种说法,上凸函数和下凸函数,凸函数和凹函数等等,这里指的是二阶导数大」(等」)0的一类函数,而凹函数是其相反数为凸数的一类函数32期望最大化算法收敛性如何保证算法收敛呢?我们只用证明l(04+1)≥1(00)就可以了l(0(t11)∑∑(+1)1PX=x;2=2)(+(t+1∑∑nf(X=x;,z=z;)(+1)(t)o(tn /(r=i,Z=2(t)≥∑∑ahn(t)7(0其中第一个人于等于号是因为只有当a取值合适(琴生不等式等号成立条件)的时候才有等号成立,第二个人于等于号正是M步骤的操作所致。这样我们就知道l(θ)是随着迭代次数的增加越来越人的,收敛条件是值不再变化或者变化幅度很小。4应用举例4.1参数估计很直接的应用就是参数估计,上面举的例子就是参数估计42聚类但是如果估计的参数可以表明类别的话,比如某个参数表示某个样本是否属于某个集合。这样的话其实聚类问题也就可以归结为参数估计问题。References[]最大似然估计[oNline].Availablehttp://zh.wikipediaorg/wiki.%E6%9c%80%E5%A4%A7%E4%BC%BC%E7%84%B6%E4%BC%B0%E8%AE%A1[2] Ceppellini, r, Siniscalco, M.& Smith, C.A. Ann. Hum. Genet. 20, 97-115(1955)3 Hartley, H. Biometrics 14, 174-194(1958)4 Baum, L.E., Petric, T, Soulcs, G.& Weiss, N. Ann. Math. Stat 41, 164-171(1970)[ 5] Dempster, A P, Laird, N.M., Rubin, D B.(1977). "Maximum Likelihoodfrom Incomplete Data via the em algorithm. Journal of the royal statis-tical Society Series B(Methodological)39(1): 1-38. JSTOR 2984875 MR0501537[6]Whatistheexpectationmaximizationalgorithm[oNline].Avaiable:http//ai. stanford. edu/-chuongdo/papers/em tutorial pdf[7TheEmAlgorithmOnline.Availablehttp://www.cnblogs.com,jerrylead/ archive/2011/04/06/2006936html

西门子S7-200的通讯协议源代,支持复合多区块读取和单区块的写入,已经验证过和S7-200的通讯,目前支持M和VB,VW,VD,需要支持其他的寄存器请参考网上的寄存器定义

利用K-means算法，在matlab环境下实现图像处理，具有GUI界面，形象的展现各种K值处理的效果！希望对大家有所帮助

SAR雷达成像点目标仿真，包含RD算法和CS算法的原理+Matlab程序，程序每一行均有注释，适合入门以τ的时闫发射啁啾脉冲,然后切换天线开关接收回波信号。脉冲重复间隔为l发接收图雷达发射脉冲串的时序当雷达不处于发射状态时,它接收反射回波。发射和接收回波的时间序列如图所示在机载情况下,每个回波可以在脉冲发射间隔内直接接收到。但是在星载情况下,由于距离过大,某个脉冲的回波要经过个脉冲间隔才能接收到。这里仿真为了方便,默认为机载情況脉冲回波时间图脉冲雷达的发射与接攻周期假设为信号持续时间,下标表示距离向:为重复频率,为重复周期,等于。接收序列中,τ衣示发射第个脉冲时,目标回波相对于发射序列的延时。雷达的发射序列数学表达式为式式中,表示矩形信号,为距离向的信号调频率,为载频。雷达回波信号由发射信号波形,天线方向图,斜距,目标,环境等因素共同决定,若不考虑环境因素,则单点目标雷达回波信号可写成式所示:其中,G表示点目标的雷达散射截面,表示点目标天线方向图双向幅度加权,z表示载机发射第个脉冲时,电磁波再次回到载机时的延时r,带入式中得式就是单点目标叵波信号模型,其中,是分量,它决定距离向分辨率;为多普勒分量,它决定方位向分辨率对于任意一个脉冲,回波信号可表小为式所小我们知道,由于随慢时间的变化而变化,所以计算机记录到的回波数据存储形式如图所示:贴棘·●鲁通ib●幽●中@中●●●。●●鲁●●ed●●i●●一●●:b●t老!y·●●●●●Outuinh0ib●●●●·:·:·;D●●中·!达脉冲长度斜距(军样数或单元置)图目标照射时间内,单个点目标回波能量在信号处理器的二维存储器中的轨迹4距离徙动及校正根据图可知,在倾斜角为零或很小的时侯,目标与雷达的瞬时距离为,根据几何关系可知,,根据泰勒级数展开可得:由式可知,不同慢时间对应着不同的并且是一个双曲线形式或者近似为个二次肜式。如图所示,同一目标的回波存储在计算机里不在同一直线上,存在距离徙动从而定义距离徙动量:为了进行方位向的压缩,方位向的回波数据必须在同一条直线上,也就是说必须校止距离徙动Δ。由式()可知,不同的最近距离对应着不同的▲,因此在时域处理距离徙动会非常麻烦。因此,对方位向进行傅里叫变换,对距离向不进行变换,得到新的域。由于方位向的频率即为多普勒频率,所以这个新的域也称为距离多普勒域将斜距写成多普勒的函数,即。众所周知,对最近距离为的点目标回波多普勒是倾斜角b的函数,即=2,斜距,于是6:≈所以距离多普勒域中的我距离徙动为Δ,可发现它不随慢时间变换同一最短距离对应着相同大小的距离徙动。因此在距离多普勒域对一个距离徙动校正就是对一组具有相同最短距离的点目标的距离徙动校止,这样可以节省运算量。为了对距离徙动进行校正,需要得到距离徙动单元,即距离徙动体现在存储单元中的移动数值,距离徙动单元可以表示为△这个值通常为一个分数,由于存储单元都是离散的,所以不同通过在存储单元简单的移动得到准确的值。为了得到准确的徙动校正值,通常需要进行插值运算。本仿真釆用了两种插值方法最近邻点插值和插值,下面分别进行介绍。最近邻点插值法的优点是简单而快速,缺点是不够精确。Δ其中为整数部分为小数部分,整数部分徙动可以直接通过平移消除,对于小数部分则通过四舍五入的方法变为或者,这样就可以得到较为精确的插值插值原理如下:在基带信号下,卷积核是函数插值信号为即为所有输入样本的加权平均。可通过频域来理解,如图所示,采样信号频普等于以采样率重复的信号频谱。为了重建信号,只需要一个周期频谱(如基带周期),因此需要理想矩形低通滤波器在频域中提取基带频谱(如图)所示。凵知该理想滤波器在时域中是函数。由于频域相乘相当于时域卷积,故插值可以通过与核的卷积来实现信号频谱幅度理想低通滤波器-101频率图理憇低通滤波器怎样对采样信号进行插值5点目标成像 matlab仿真5.1距离多普勒算法距离多普勒算法(是在年至年为民用星载提出的,它兼顾了成熟、简单、髙效和精确等因素,至今仍是使用最广泛的成像算法。它通过距离和方位上的频域操作,到达了高效的模块化处理要求,同吋又具有了一·维操作的简便性。图示意了的处理流程。这里主要讨论小倾斜角及短孔径下的基本处理框当数据处在方位时域时,可通过快速卷积进行距离压缩。也就是说,距离后随即进行距离向匹配滤波,再利用距离完成距离压缩。回波信号为:距离向压缩后的信号为:通过方位将数据变换至距离多普勒域,多普勒中心频率估计以及大部分后续操作都在该域进行。方位向傅里叶变换后信号为:在距离多普勒域进行随距离时间及方位频率变化的,该域中同距离上的组日标轨迹相互重合。将距离徙动曲线拉直到与方位频率轴平行的方向。这里可以采用最近邻点插值法或者插值法,具体插值方法见前面。假设插值是精确的,信号变为:通过每一距离门上的频域匹配滤波实现方位压缩。为进行方位压缩,将后的乘以频域匹配滤波器最后通过方位将数据变换回时域,得到压缩后的复图像。复原后的图像为:正达原始教据距离压缩方位向傅里叶变换距离徙动校正方位压方位向傅里叶逆变及多视叠加压缩数据图距离多普勒算法流程图5.2 Chirp Sca l ing算法距离多普勒算法具有诸多优点,但是距离多普勒算法有两点不足:首先,当用较长的核函数提高距离徙动校正()精度时,运算量较大:其次,二次距离压缩()对方位频率的依赖性问题较雉解决,从而限制了其对某些大斜视角和长孔径的处理精度。算法避免」中的插值操作,通过对信号进行频率调制,实现了对该信号的尺度变换或平移图显示了算法处理流程。这里主要讨论小倾斜角及短孔径下的基本处理框图。主要步骤包括四次和三次相位相乘。通过方位向将数据变换到距离多普勒域。通过相位相乘实现操作,使所有目标的距离徙动轨迹·致化。这是第步相位相乘。用以改交线调频率尺度的二次相位函数为通过距离向将数据变到二维频域。通过与参考函数进行相位相乘,同吋完成距离压缩、和‘致这是第二步相位相乘。用于距离压缩,距离徙动校正的相位函薮写为:通过距离向将数据变回到距离多普勒域。通过与随距离变化的匹配滤波器进行相位相乘,实现方位压缩。此外,由于步骤中的操作,相位相乘中还需要附加一项相位校正。这是第三步相位相乘。补偿由引起的剩余相位函数是:最后通过方位向将数据变回到二维时域,即图像域雷达原始数据SAR信号域方位向傅里叶变换第一步相位相乘补余RCMC中的距离多Chirp sealing操作普勒域距离向傅里叶变换第一步相位相乘参考函数相乘用于距离压细、SRC和一致RCMC频域距离向傅里叶逆变美第三步(最后方位压缩及相位校王步)相位相乘距离多晋勒域方位向傅里叶道变换SAR图像域压缩数据图算法流程图简而言之,算法是将徙动曲线逐一校正,算法是以某一徙动曲线为参考,在域内消除不同距离门的徙动山线的差异,令这些曲线成为一组相互平行的曲线,然后在二维频率域內统一的去掉距离徒动。通俗一点就是,算法是将弯曲的信号一根根矫直,而算法是先把所有信号都掰得一样弯,然后再统一矫直。6仿真结果6.1使用最近邻点插值的距离多普勒算法仿真结果本文首先对个点目标的回波信号进行了仿真,个点目标构成了矩形的个顶点和中心,其坐标分别如下,格式为(方位向距离向后向反射系数):图的上图是距离向压缩后的图像,从图中可以看到条回波信号(其中有几条部分重合,但仍能看出米)目标回波信号存在明显的距离徙动,需要进行校正。图的下图是通过最近邻点插值法校正后的图像,可以看出图像基本被校正为直线。配萬向压缩,未交正距离徒动的图像距高可距离压缩,权E距高徒动日的图像L图距离向压缩后最近邻点插值的结果图为进行方位向压缩后形成的图像,可以明显看出个点日标,并且个点日标构成了矩形的四个顶点及其中心。方位向压缩后的图像图通过最近邻点插值生成的点目标图像6.2使用最近邻点插值的距离多普勒算法仿真结果图上图为通过距离压缩后的图像,图的下图为通过插值法校止后的图像。距离甸压缩,未校正距离徙动的图像距离向距离向压缩,校止离徙动后的图像距离向图距离向压缩后插值的结果图为进行方位向压缩后形成的图像,可以明显看出个点目标,并且个点目标构成了矩形的四个顶点及其中心。方位向缩后的图像图通过插值生成的点目标图像6.3 Chirp Scal ing算法仿真结果可样,在中,对个点目标的回波信号进行了仿真,个点目标构成了矩形的个顶点和中心,其坐标分别如下,格式为(方位向距离向后向反射系数):

上述代码是有关匿名飞控代码解读配套的资源，链接如下 https://blog.csdn.net/zhiyu_buliang/article/details/89045200希望能对大家有所帮助

倒立摆系统是自动控制理论中比较典型的控制对象,许多抽象的控制理论概念如系统稳定性、可控性和系统抗干扰能力等,都可以通过倒立摆系统直观地表现出来。因此它成为自动控制理论研究的一个较为普遍的研究对象。倒立摆系统作为一个被控对象,是快速、多变量、开环不稳定、非线性的高阶系统,必须施加十分有力的控制手段才能使之稳定。本文是通过模糊控制来实现其稳定的。

本系统采用stm32f407作为主控芯片，实现对环境的监测。并且通过和手机通信，获取当前的天气预报信息，结合当前测得的温湿度，可以为用户提供出行建议。利用stm32自带的RTC可以实现时间及闹钟功能。此外RTC还可以用于电子日历的制作。从机主控芯片是STM32f103，其主要功能是测取当前的温湿度信息和语音识别。主从机通过nrf24l01无线通信。

序列二次规划matlab程序/亲测可用/带实例

java里用JFreeChart画柱状图、折线图、雷达图，三个封装好的方法，可以直接调用。

3G9bus_D201880419.psc