最大似然序列估计（MLSE）MATLAB实现

【实例简介】模糊控制与PID的对比 大作业 考虑一个单连杆机器人控制系统，其可以描述为： 其中J为杆的转动惯量，为杆的质量，为杆长，，为杆的角位置，为杆的角速度，为杆的角加速度， 为系统的控制输入。控制目标：使系统输出能跟踪期望指令信号。 具体要求：       1、采用fuzzy工具箱或编程实现模糊控制器。       2、分析量化因子和比例因子对模糊控制器控制性能的影响。    3、分析系统在模糊控制和PID控制作用下的抗干扰能力(加噪声干扰)、抗非线性能力(加死区和饱和特性)和参数变化的能力。

【实例简介】基于质量图导向的解包裹相位

【实例简介】

阵列信号处理中的面阵中二维角度估计 Unitary -ESPRIT算法MATLAB程序

（1）设有AR（1）模型：W(n)是零均值正态白噪声，方差为4。（1）用MATLAB模拟产生X(n)的500观测点的样本函数，并绘出图形；（2）用产生的500个观测点估计X(n)的均值和方差；（3）画出X(n)的理论的自相关函数和功率谱；（4）估计X(n)的自相关函数和功率谱。

MVDR波束形成DOA估计

二维码图像定位、摆正算法。可以用于摄像头捕捉的二维码而不仅仅是原图保存的二维码。算法找到二维码的3个Finder Points后进一步用向量算法找到二维码正方形的4个顶点，再由投影变换矫正图形，并用Zxing解码。

本文展示了一种自动识别视频中移动目标的方法。论文中提取移动目标通过帧序列，这种方法不需要先验知识，比如：时间阈值调整。基于相邻帧的连续对称差分，我们能得到全分辨率显著图；然后利用最大熵方法计算阈值决定候选区域和获得兴趣点的种子；最后用修改的模糊生长方法获得最终的结果。本文中提出的算法是有效的、具有鲁棒性的。实验结果也证明它具有很好的效果。移动目标检测在计算机视觉中有广泛应用，但是在研究过程中也有很多挑战。通常目标检测方法被分为三类：（1）基于时间信息。例如：帧差法能很快检测出目标，但很难得到整个物体的轮廓，并且易受背景的影响。（2）基于空间信息的。（3）基于时间和空间信息的。有较好的效果，计算复杂度高。本文提出了一种基于时间信息的方法。（1）通过相邻帧对称差分获得显著图；（2）使用最大熵模型得到一个阈值去二值化时间显著图和获得候选区域。然后选择候选区域最显著的点作为兴趣种子点。（3）对于每一兴趣种子点，在显著图上应用模糊生长方法直到没有点能被聚集和能获得移动物体的轮廓A.移动显著图的产生①获得一段连续帧②相邻帧做差分得到移动目标。③对得到的差分显著图做开运算。作用：消除小的和亮的细节。④为了去除噪声和背景运动的影响，对差分得到的显著图做和再平均。B.兴趣种子选择由于图像是连续变化的，一个固定的阈值不能很好的二值化显著图，本文采用最大熵方法得到一个变化的阈值去二值化显著图和提取候选兴趣区域。然后选择兴趣种子点。C.移动目标检测为了提取移动的目标，本论文应用模糊生长方法去使兴趣点的种子生长成一片区域。如果像素值满足下列条件，对兴趣点的种子使用模糊生长算法。a和u表示如下图实验数据集：PETS2000, PETS2001 and Dataset2014设备：The algorithm is implemented with C on a personal computer with Core i3 3.3 GHz CPU and 2G RAM.评价标准：假负率(False Negative Rate , FNR) ：FNR = FN /(TP FN) ，即被预测为负的正样本结果数/正样本实际数假正率(False Positive Rate , FPR) ：FPR = FP /(FP TN) ，即被预测为正的负样本结果数 /负样本实际数    Specificity (负例的覆盖率，True Negative Rate) =正确预测到的负例个数/实际负例总数     PBC ：Percentage of Bad Classifications召回率（Re、recall）：预测为真实正例除以所有真实正例样本的个数准确率(Precision) ：预测为真实正例除以所有被预测为正例样本的个数F-measure：查准率和查全率的调和平均值, 更接近于P, R两个数较小的那个: F=2* P* R/(P R)实验结果如下图 表一表示的是本论文实验得出的结果；Fig7和Fig8本文的实验结果与图中方法的比较，可以看出本文中的方法表现很出色。论文中的检测结果本论文的贡献共以下五点：（1）产生特征图基于时间信息。（2）对于场景不需要任何先验知识。（3）扩展了差分从相邻两帧到相邻n帧。（4）对于复杂的背景和相机的抖动具有很好的鲁棒性。（5）自动的提取移动目标。

function [modes its]=ceemdan(x,Nstd,NR,MaxIter)% WARNING: for this code works it is necessary to include in the same%directoy the file emd.m developed by Rilling and Flandrin.%This file is available at %http://perso.ens-lyon.fr/patrick.flandrin/emd.html%We use the default stopping criterion.%We use the last modification: 3.2007% % This version was run on Matlab 7.10.0 (R2010a)%----------------------------------------------------------------------% INPUTs% x: signal to decompose% Nstd: noise standard deviation% NR: number of realizations% MaxIter: maximum number of sifting iterations allowed.%% OUTPUTs% modes: contain the obtained modes in a matrix with the rows being the modes % its: contain the sifting iterations needed for each mode for each realization (one row for each realization)% -------------------------------------------------------------------------% Syntax%% modes=ceemdan(x,Nstd,NR,MaxIter)% [modes its]=ceemdan(x,Nstd,NR,MaxIter)%%--------------------------------------------------------------------------% This algorithm was presented at ICASSP 2011, Prague, Czech Republic% Plese, if you use this code in your work, please cite the paper where the% algorithm was first presented.

本实例用matlab实现了时域有限差分法解偏微分方程