xiahouzuoxin

压缩感知介绍压缩感知（Compressive Sensing，CS），有时也叫成Compressive Sampling。相对于传统的奈奎斯特采样定理——要求采样频率必须是信号最高频率的两倍或两倍以上（这就要求信号是带限信号，通常在采样前使用低通滤波器使信号带限），压缩感知则利用数据的冗余特性，只采集少量的样本还原原始数据。这所谓的冗余特性，借助MLSS2014马毅老师的课件上的例子来说明，因为自

本文讨论的是实际使用过程中计算过零率的一种自适应方法。过零率常用于语音检测识别中，一般叫短时过零率更贴切些（指一段短时平稳信号才能计算过零率），简单有效，近期亦打算将这个简单的概念用于识别脚步声和卡车声（近似短时平稳）。过零率的定义计算一般通过下面的表达式描述：过零率是对频率从时域进行的一种简单的度量，一般情况下，过零率越大频率近似越高，反正亦然，相关推倒可参考相关文献。自然信号由于电路、环境引入

目录包括：Kalman滤波器的历史渊源、从牛顿到卡尔曼、一场递推的游戏、均方误差中的门道、Matlab程序看过来、Kalman滤波C程序、参考资料

互相关函数有许多实际的用途，比如通过不同的传感器检测不同方向到达的声音信号，通过对不同方位传感器间的信号进行互相关可计算声音到达不同传感器间的时延。自相关函数还可以用来计算周期信号的周期。对此，有时间将还会对此进行详细研究。本文通过C语言和Matlab结合的方法，实现互相关算法并力图应用之。

======= Wikipedia的解释 =======自适应滤波器是能够根据输入信号自动调整性能进行数字信号处理的数字滤波器。作为对比，非自适应滤波器有静态的滤波器系数，这些静态系数一起组成传递函数。对于一些应用来说，由于事先并不知道所需要进行操作的参数，例如一些噪声信号的特性，所以要求使用自适应的系数进行处理。在这种情况下，通常使用自适应滤波器，自适应滤波器使用反馈来调整滤波器

数字信号处理功率谱估计方法分经典功率谱估计和现代功率谱估计，现代功率谱估计以参数模型功率谱估计为代表，参数功率谱模型如下：             u(n) ——>  H(z)   ——> x(n)参数模型的基本思路是：—— 参数模型假设研究过程是由一个输入序列u(n)激励一个线性系统H(z)的输出。—— 由假设参数模型的输出x(n)或其自相关函数来估计H(z)的参数—— 由H

傅里叶变换或者FFT的理论参考：[1] http://www.dspguide.com/ch12/2.htm      The Scientist and Engineer's Guide to Digital Signal Processing,   By Steven W. Smith, Ph.D.[2] http://blog.csdn.net/v_JULY_v/articl

LMS算法可认为是机器学习里面最基本也比较有用的算法，神经网络中对参数的学习使用的就是LMS的思想，在通信信号处理领域LMS也非常常见，比如自适应滤波器。本文主要对LMS（Least Mean Square）算法进行简单的整理，包括内容：（1）理论上介绍基于LMS的梯度下降算法（包括BACH/STOCHASTIC），给出一个matlab的实现（2）DSP上的实现，主要使用C语言

有关卷积的理论有很多，感觉http://www.dspguide.com/ch6/3.htm对卷积的讲解最清晰易懂，这里贴过来（如下）供参考。Figure 6-5 shows a simple convolution problem: a 9 point input signal,x[n], is passed through a system with a 4 point impul

==================== 持续更新，敬请指正 =================1. 线性卷积的基本理论线性卷积是对线性移不变（LSI）系统的输入输出关系的描述，体现系统的特性。线性卷积的表达式为一般情况，现实的系统为因果系统，有k此时输出y(n)也为因果信号。若x(n)是一个N点序列，h(n)是一个m点序列，