Matlab开荒笔记
Emd：
Input Arguments（输入参数）：
1、X：变量
2、SiftRelativeTolerance：柯西型收敛准则，是停止筛分的标准之一，即当前相对容差小于SiftRelativeTolerance时，筛分停止。（对输出的IMF的个数有影响，可以适当调小）
3、SiftMaxIterations：筛选迭代的最大数量，是停止筛选的条件之一，也就是说，当前迭代的数量大于SiftMaxIterations时，筛选停止。
4、MaxNumIMF：提取的imf的最大数量，MaxNumIMF是分解停止条件之一，即当生成的imf数量等于MaxNumIMF时，分解停止。
5、Interpolation：用于构造包络的插值方法，
指定插值:
'spline'，如果X是平滑信号
'pchip'，如果X是一个非平滑信号
“spline”插值方法使用三次样条，而“pchip”使用分段三次Hermite插值多项式方法。
Output Arguments（输出参数）
1、IMF：本征模态函数，返回为矩阵或时间表。
2、residual ：信号的残差，作为一个列向量或单个数据列时间表返回。
3、info：用于诊断的附加信息，以具有以下字段的结构形式返回:
NumIMF -从信号中提取的imf个数
NumExtrema -每个IMF中极值的个数
numzercrossing -每个IMF的零跨越数
NumSifting -为每个IMF执行的筛选次数
平均包络能量-在每次IMF计算中得到的上、下包络的平均能量
相对容忍度-各货币基金组织的相对容忍度
例子：
考虑一个频率变化明显的正弦波组成的非平稳连续信号。
观察混合信号包含不同振幅和频率值的正弦波。
执行经验模态分解来计算信号的固有模态函数和残差。 由于信号不是平滑的，指定'pchip'作为插值方法。
EEMD
该函数为
function allmode=eemd(Y,Nstd,NE)
输入的英文注释如下：
% INPUT:
% Y: Inputted data;
% Nstd: ratio of the standard deviation of the added noise and that of Y;
% NE: Ensemble number for the EEMD
即：Y是输入的数据；Nstd是用来设置添加高斯白噪声的标准差的，用以消去原信号中的噪声，Nstd要根据原信号中的噪声干扰大小具体情况而定，高斯白噪声的标准差设置一般为0.01~0.4,具体设置没有一个确定的公式，根据信号来确定；NE是用来设置添加噪声的次数，NE通常取50或100。
输入的英文注释如下：
% OUTPUT:
% A matrix of N*(m+1) matrix, where N is the length of the input
% data Y, and m=fix(log2(N))-1. Column 1 is the original data, columns 2, 3, ...
% m are the IMFs from high to low frequency, and comlumn (m+1) is the
% residual (over all trend).
即输出一个N*(M+1)的矩阵，其中N是输入数据Y的长度，m=fix(log2(N))-1。第一列是原始数据，之后的是IMFs。
MUSIC算法
输入参数：
1、covmat（Sensor covariance matrix） ：传感器协方差矩阵，默认为复数值的正定 M×M 矩阵。 数量 M 是 ULA 数组中的元素数。 该函数通过平均矩阵及其共轭转置来强制矩阵厄米属性。
2、nsig（Number of arriving signals） ：到达的信号数，指定为一个正整数。 信号的个数必须小于ULA阵列中的元素个数。
3、scanangle（Broadside search angles） ：舷侧搜索角，指定为一个实值向量。 角度必须在范围内(-90°，90°)，并且必须递增。
4、dist（Distance between array elements）：数组元素之间的距离，默认0.5，是一个实值正标量。
输出参数：
1、doas（Directions of arrival angles）：到达角的方向，返回为实数的1 × D向量，其中D为nsig中指定的到达信号数。 角度单位是度。 角度值位于舷侧角指定的范围内。
例1、计算到达半波长间隔的11阵元ULA（Uniform linear array均匀线性阵列）的3个不相关信号的到达方向。 假设信号来自0°、-12°和85°的舷侧角。 每个单元的噪声为高斯白噪声，单元间不相关。 信噪比是2 dB。
指定ULA元素的数量和元素间距(波长)。
指定信号的数量和它们的舷侧到达角。
创建传感器协方差矩阵。
计算MUSIC频谱并估计舷侧到达角。
绘制音乐频谱。
估计的角度与指定的角度匹配。
在指定的方向跨度上显示音乐频谱
使用指定的元素间距显示音乐频谱
LMS算法
语法：
alg = lms(stepsize) 构造了基于最小均方(LMS)算法的自适应算法对象，步长为stepsize。
alg = lms(stepsize,leakagefactor) 设置LMS算法的泄漏系数。 泄漏因子必须在0和1之间。 1对应传统的权值更新算法，0对应无记忆更新算法。
下表描述了LMS自适应算法对象的属性
Algtype 固定值，‘LMS’
Stepsize lms步长参数，非负实数
Leakagefactor lms泄漏系数，为0 ~ 1之间的实数
例子：
使用训练序列进行均衡
1、设置参数和信号
2、使接收的信号相等。
3、计算有和没有均衡的错误率
4、画图象（创建一个散点图，显示均衡化前后的信号，以及QPSK调制的参考信号星座。 均衡化后的信号点更靠近参考信号星座的点，表明均衡化后的信号有所改善。 ）
均衡多时变模式
经验模态分解的对比
分量个数 | 运行时间/s | |||
EEMD | 11 | 6.650467 | ||
CEEMDAN | 13 | 11.254007 | ||
ICEEMDAN | 10 | 11.803960 |
{ 数据集
“@type”:“数据集”,
“标识符”:“10.1038 / s41597 - 020 - 0390 - 1”,
"title": "元数据记录:雷达记录的心音和生命体征数据集，包括同步参考传感器信号"
“relatedPublications”:(
{
“doi”:“https://doi.org/10.1038/s41598 - 018 - 29984 - 5”,
:“@type ScholarlyArticle”
｝
]，
“存储库”:(
{
“名称”:“figshare”,
“价值”:“https://doi.org/10.6084/m9.figshare.c.4633958.v1”,
:“@type DataCatalog”
｝
]，
“分析”:[
{
" measurementType ": {
“annotationValue”:“心功能测量”，
“termAccession”:“http://www.ebi.ac.uk/efo/EFO_0004311”,
:“termSource EFO”,
:“@type PropertyValue”
}，
" technologyType ": {
“annotationValue”:“雷达系统”,
:“@type PropertyValue”
}，
:“@type variableMeasured”
}，
{
" measurementType ": {
“annotationValue”:“心跳”,
“termAccession”:“http://www.ebi.ac.uk/efo/EFO_0004326”,
:“termSource EFO”,
:“@type PropertyValue”
}，
" technologyType ": {
“annotationValue”:“雷达系统”,
:“@type PropertyValue”
}，
:“@type variableMeasured”
}，
{
" measurementType ": {
“annotationValue”:“呼吸”,
:“termAccession http://ncicb.nci.nih.gov/xml/owl/EVS/Thesaurus.owl C17091”,
:“termSource NCIT”,
:“@type PropertyValue”
}，
" technologyType ": {
“annotationValue”:“雷达系统”,
:“@type PropertyValue”
}，
:“@type variableMeasured”
}，
{
" measurementType ": {
“annotationValue”:“心音”,
:“@type PropertyValue”
}，
" technologyType ": {
“annotationValue”:“雷达系统”,
:“@type PropertyValue”
}，
:“@type variableMeasured”
｝
]，
“因素”:[
{
“名称”:“性”,
"类型":{
“annotationValue”:“性”,
“termAccession”:“http://purl.obolibrary.org/obo/PATO_0000047”,
:“termSource EFO”,
:“@type PropertyValue”
}，
:“@type variableMeasured”
}，
{
“名称”:“时代”,
"类型":{
“annotationValue”:“年龄”,
“termAccession”:“http://purl.obolibrary.org/obo/PATO_0000011”,
“termSource”:“帕托”,
:“@type PropertyValue”
}，
:“@type variableMeasured”
}，
｛
“名称”:“重量”,
"类型":{
“annotationValue”:“重量”,
:“termAccession http://purl.org/obo/owl/PATO PATO_0000128”,
“termSource”:“非营利组织”,
:“@type PropertyValue”
}，
:“@type variableMeasured”
}，
｛
“名称”:“高度”,
"类型":{
“annotationValue”:“高度”,
:“termAccession http://purl.org/obo/owl/PATO PATO_0000119”,
“termSource”:“非营利组织”,
:“@type PropertyValue”
}，
:“@type variableMeasured”
}，
｛
“名称”:“身体质量指数”,
"类型":{
"annotationValue": "body mass index"，
“termAccession”:“http://www.ebi.ac.uk/efo/EFO_0004340”,
:“termSource EFO”,
:“@type PropertyValue”
}，
:“@type variableMeasured”
｝
]，
" studyCharacteristics ": {
“有机体”:(
｛
“annotationValue”:“智人”,
“termAccession”:“http://purl.bioontology.org/ontology/NCBITAXON/9606”,
:“termSource NCBITAXON”,
:“@type PropertyValue”
｝
]，
“environmentType”:[],
“geographicalLocation”:[],
:“@type variableMeasured”
}，
" ontologySourceReferences ": {
" EFO ": {
“名称”:“EFO”,
“描述”:“实验因素本体论”，
“文件”:“http://data.bioontology.org/ontologies/EFO”,
“版本”:“2.105”,
:“@type DefinedTermSet”
}，
“帕托”:{
“名称”:“帕托”,
“描述”:“表型质量本体论”，
“文件”:“http://data.bioontology.org/ontologies/PATO”,
“版本”:“未知”,
:“@type DefinedTermSet”
}，
“禁食”:{
“名称”:“非营利组织”,
“描述”:“纳米颗粒本体”,
“文件”:“http://data.bioontology.org/ontologies/NPO”,
“版本”:“2011-12-08 (yyyy-mm-dd)”,
:“@type DefinedTermSet”
}，
" NCIT ": {
“名称”:“NCIT”,
"描述":"国家癌症研究所词典"，
“文件”:“http://data.bioontology.org/ontologies/NCIT”,
“版本”:“20.01 d”,
:“@type DefinedTermSet”
}，
" NCBITAXON ": {
“名称”:“NCBITAXON”,
“描述”:“国家生物技术信息中心(NCBI)生物分类”，
“文件”:“http://data.bioontology.org/ontologies/NCBITAXON”,
“版本”:“2019 ab”,
:“@type DefinedTermSet”
}，
:“@type CategoryCodeSet”
