原创 中文核心的套路模板

論文大綱 一、摘要 本文就……問題探討了……的解決方案。(……問題略寫,……解決方案用30個字左右寫完)。不同於之前在解決該問題的(A.B.C……)方法,在解決該問題時遇到的……困難,本文提出的方法通過……的步驟(算法裏的步驟都要

原创 Matlab給信號加噪聲

在信號處理中經常需要把噪聲疊加到信號上去,在疊加噪聲時往往需要滿足一定的信噪比,這樣產生二個問題,其一噪聲是否按指定的信噪比疊加,其二怎麼樣檢驗帶噪信號中信噪比滿足指定的信噪比。 在MATLAB中可以用randn產生均值爲0方差爲

原创 LaTex常用技巧

羅馬字母加粗 \usepackage{bm} \bm{\theta} 或 \boldsymbol{\theta} 強制換頁 \clearpage 一行放置兩幅圖(實例爲2*3) \begin{figure}[!ht] \ce

原创 MATLAB logspace( )

一直以來都是看別人寫的博客,覺得能把自己所學所知以文字的形式表達清楚,是一件並不容易的事情,作爲一個初入博士生涯的小菜雞,也要開始自己的博客之路。 今天在學習CVX工具箱手冊的時候,看到了一個全新的logspace函數,現將此函

原创 利用CVX工具箱實現單快拍的稀疏矩陣DOA估計

最近在學習壓縮感知方面的知識,正好自己的研究方向是DOA估計,看到相關方法就拿來試一試,現在把過程記錄下來吧,作爲一個小菜雞,成功的那一秒鐘真想給自己鼓鼓掌。 參考文獻:D. Malioutov, M. Cetin and A. S. W

原创 利用CVX工具箱實現多快拍採樣的稀疏矩陣DOA估計(多快拍視爲獨立的若干個單快拍,結果求均值)

參考文獻:同上篇 方法: 論文中給出的仿真結果: 實驗條件:入射角度:60°,70°,108°。 貼代碼:%date:2017.6.2 %author:Lola %處理多點採樣,將多點採樣中的每一點看成是獨立的單點採樣,從而進行稀疏

原创 2019年新學期隨筆

2019年發生了兩件大事 1.我結婚了,因爲愛情,戀愛207天我們火速領證了 2.我和我的先生在北歐的一個國家裏開始了留學之旅 關於愛情,和所有俗套的愛情一樣,我很幸運找到了一個可以包容我所有缺點的愛人,而且在我看來他既優秀又高顏

原创 Matlab常用繪圖命令

選擇圖形窗口命令 1.打開不同的圖形窗口命令 figure figure(1); figure(2); figure(n);用來打開不同的圖形窗口,以便繪製不同的圖形 2.圖形窗口拆分命令 subplot subplot(m,n,p)

原创 雷達通信術語中英文對照

A/B ADC Analog to Digital Converter 模數轉換器,將模擬(連續)信號轉換成數字(數字)信號的電子設備。 AESA Active Electronically Scanned Array 有源電子掃描

原创 壓縮感知裏的稀疏爲什麼是非線性模型

Sparsity is a highly nonlinear model,since the choice of which dictionary elements are used can change from signal to

原创 CS採樣與傳統採樣方式的對比

從信號類型上看 傳統採樣:長度不限,連續時間信號 CS:有限長度信號 從採樣方式上看 傳統採樣:直接在時間點上採樣 CS:在經過函數變換後的(內積形式上)採樣,是一種線性測量採樣 從信號重構方式上看 傳統採樣:插值,是一種線性的處理

原创 一篇閒扯——500毫升的水爲什麼老是想找1000毫升的容器裝自己

這就是一篇閒扯,因爲我沒有其他地方發泄這個情緒 我想寫的就是最近頻繁有人讓我給他/她介紹對象的事 我現在最害怕聽到別人讓我給他們介紹對象了。 先說男生,男生比較簡單。從始至終要求就很簡單——長的漂亮。長的漂不漂亮不是我說的算的,他們覺

原创 寬帶信號的DOA估計學習筆記(四):空間分辨率

時域/頻域傅里葉限制 指的是傅里葉變換的積分區間不是[−∞,+∞][-\infty,+\infty][−∞,+∞],而是[−t,+t]/[−ω,+ω][-t,+t]/[-\omega,+\omega][−t,+t]/[−ω,+ω] 空

原创 寬帶信號的DOA估計學習筆記(三):寬帶信號陣列接收模型

在寬帶陣列信號處理中,陣列接收到的信號包絡不再恆定,相位延遲和時延不再是簡單的線性關係。 寬帶時域模型 MMM個陣元組成的陣列,接收空間中PPP個寬帶信號,入射角度分別爲θ1,θ2,⋯ ,θP\theta_1,\t

原创 寬帶信號的DOA估計學習筆記(二): 信源數估計

一.窄帶方法(高白噪聲) 信息論方法 只能對獨立信號源的總數作出估計 統一表達式 J(k)=L(k)+P(k)J(k)=L(k)+P(k)J(k)=L(k)+P(k),其中L(k)L(k)L(k)是對數似然函數,P(kP(kP(k)