首页 > 编程语言 >深入理解 LMS 算法：自适应滤波与回声消除

深入理解 LMS 算法：自适应滤波与回声消除

时间：2024-11-19 22:19:51浏览次数：3  
标签：axs set 回声 Signal LMS 滤波 信号 np

深入理解 LMS 算法：自适应滤波与回声消除

在信号处理领域，自适应滤波是一种重要的技术，广泛应用于噪声消除、回声消除和信号恢复等任务。LMS（Least Mean Squares）算法是实现自适应滤波的经典方法之一。本文将详细介绍 LMS 算法的原理，包括公式推导，并通过 Python 代码示例展示其在回声消除中的应用。我们还将介绍一些替代算法，比较它们的收敛效果。

收敛效果对比

注：本文参数没有详细调优，效果仅供参考
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

1. LMS 算法介绍

1.1 算法原理

LMS 算法的目标是通过最小化输出信号与目标信号之间的均方误差（Mean Squared Error, MSE）来调整滤波器的系数。我们可以定义以下信号：

  • 参考信号 x(n)：这是我们希望消除的回声信号（例如，来自扬声器的原始信号）。
  • 经过系统的信号 d(n)：这是通过扬声器和麦克风系统接收到的信号，通常包含了回声和噪声。
  • 估计信号 y(n)：这是自适应滤波器的输出信号，用于估计回声。
  • 残余回声 e(n)：这是输出信号与目标信号之间的误差，表示未能消除的回声部分。

1.2 公式推导

LMS 算法的目标是最小化以下均方误差：

E = E { [ d ( n ) − y ( n ) ] 2 } E = \mathbb{E}\{[d(n) - y(n)]^2\} E=E{[d(n)−y(n)]2}

其中，( y(n) ) 是由自适应滤波器生成的输出信号，可以表示为：

y ( n ) = w T ( n ) ⋅ x ( n ) y(n) = w^T(n) \cdot x(n) y(n)=wT(n)⋅x(n)

这里 ( w(n) ) 是滤波器的系数向量。

在每次迭代中，LMS 算法执行以下步骤：

  1. 计算输出：

y ( n ) = w T ( n − 1 ) ⋅ x ( n − 1 ) y(n) = w^T(n-1) \cdot x(n-1) y(n)=wT(n−1)⋅x(n−1)

  1. 计算误差：

e ( n ) = d ( n ) − y ( n ) e(n) = d(n) - y(n) e(n)=d(n)−y(n)

  1. 更新滤波器系数：

w ( n ) = w ( n − 1 ) + μ ⋅ e ( n ) ⋅ x ( n − 1 ) w(n) = w(n-1) + \mu \cdot e(n) \cdot x(n-1) w(n)=w(n−1)+μ⋅e(n)⋅x(n−1)

其中， μ \mu μ 是学习率，控制每次更新的幅度。

1.3 优缺点

优点：

  • 简单易实现，适合实时应用。
  • 能够在线学习，适应信号的变化。
  • 计算复杂度低，适合资源受限的环境。

缺点：

  • 收敛速度可能较慢，尤其在高噪声环境下。
  • 学习率选择不当可能导致不稳定。
  • 可能收敛到局部最优解，而非全局最优解。

1.4. LMS代码介绍

下面是使用 LMS 算法的 Python 示例，展示了如何通过输入信号和目标信号进行自适应滤波。

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
mu = 0.06  # 学习率
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化滤波器系数
order = 10  # 滤波器阶数
w = np.zeros(order)  # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号

# LMS算法迭代
for i in range(order, N):  # 从 order 开始迭代
    # 获取最近的 order 个输入样本
    input_samples = x[i-order:i]  # 当前输入样本

    # 计算输出
    y[i] = np.dot(w, input_samples)  # 使用权重和输入样本计算输出

    # 计算误差
    e[i] = d[i] - y[i]  # 计算误差信号

    # 更新滤波器系数
    w += mu * e[i] * input_samples  # 更新公式

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('LMS Algorithm with Transfer Function Example (Order 8)')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e * e, label='Error Signal rms(e)', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

2. 更好的替代算法

除了 LMS 算法，还有许多其他自适应滤波算法，它们在某些情况下可能表现得更好。以下是一些常见的替代算法及其特点。
是的，除了 LMS（Least Mean Squares）算法，还有许多其他自适应滤波算法，它们在某些情况下可能表现得更好。以下是一些常见的替代算法及其特点：

2.1. NLMS（Normalized Least Mean Squares）算法

  • 概述：NLMS 是 LMS 的一种改进版本，通过归一化输入信号的能量来调整学习率。这有助于提高算法的稳定性和收敛速度。
  • 优点：
    • 更加稳定，尤其是在输入信号能量变化较大的情况下。
    • 收敛速度通常比 LMS 更快。
  • 公式：
    w ( n + 1 ) = w ( n ) + μ ∥ x ( n ) ∥ 2 e ( n ) x ( n ) w(n+1) = w(n) + \frac{\mu}{\|x(n)\|^2} e(n) x(n) w(n+1)=w(n)+∥x(n)∥2μ​e(n)x(n)

2.2. RLS（Recursive Least Squares）算法

  • 概述：RLS 是一种基于最小二乘原理的自适应滤波算法，通过递归更新滤波器系数来最小化误差平方和。
  • 优点：
    • 收敛速度快，通常优于 LMS 和 NLMS。
    • 能够处理非平稳信号，适应性强。
  • 缺点：
    • 计算复杂度较高，尤其是在滤波器阶数较大时。
    • 需要更多的内存和计算资源。
  • 公式：
    • 更新公式较为复杂，涉及协方差矩阵的计算。

2.3. Affined LMS（A-LMS）算法

  • 概述：A-LMS 是对 LMS 的一种变体，结合了线性预测和自适应滤波的思想。
  • 优点：
    • 可以更好地处理噪声和信号相位的变化。
    • 在某些应用中表现出更好的性能。

2.4. Sign LMS（S-LMS）算法

  • 概述：S-LMS 是 LMS 的一种简化版本，它只使用符号信息（正负）来更新权重。
  • 优点：
    • 计算复杂度低，适合实时应用。
    • 在某些情况下，能够提供与 LMS 相似的性能。
  • 缺点：
    • 收敛速度较慢，且对噪声的鲁棒性较差。

2.5. Adaptive Filter with Kalman Filter

  • 概述：卡尔曼滤波器是一种基于状态空间模型的滤波方法，适用于动态系统的状态估计。
  • 优点：
    • 能够处理动态变化的系统，适应性强。
    • 提供最优估计，尤其是在高噪声环境下表现良好。
  • 缺点：
    • 数学推导复杂，计算资源消耗大。

2.6. 代码实现

1. NLMS（Normalized Least Mean Squares）

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
initial_mu = 0.06  # 初始学习率
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化滤波器系数
order = 10  # 滤波器阶数
w = np.zeros(order)  # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号

# NLMS算法迭代
for i in range(order, N):  # 从 order 开始迭代
    # 获取最近的 order 个输入样本
    input_samples = x[i-order:i]  # 当前输入样本

    # 计算输出
    y[i] = np.dot(w, input_samples)  # 使用权重和输入样本计算输出

    # 计算误差
    e[i] = d[i] - y[i]  # 计算误差信号

    # 动态学习率
    mu = initial_mu / (1 + 0.01 * np.dot(input_samples, input_samples))  # 归一化学习率

    # 更新滤波器系数
    w += mu * e[i] * input_samples  # 更新公式

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('NLMS Algorithm with Transfer Function Example (Order 10)')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e**2, label='Error Signal (rms[e])', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation (NLMS)')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

2. RLS（Recursive Least Squares）

# RLS算法实现
import numpy as np
import matplotlib.pyplot as plt

# 参数设置
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化滤波器系数
M = 10 # 滤波器阶数
w = np.zeros(M)  # # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号
P = np.eye(M) * 1000  # 初始协方差矩阵

# RLS算法迭代
for i in range(M, N):
    x_vec = x[i-M:i][::-1]  # 获取当前输入信号的向量
    y[i] = np.dot(w, x_vec)  # 计算输出信号
    e[i] = d[i] - y[i]  # 计算误差信号
    k = P @ x_vec / (1 + np.dot(x_vec.T, P @ x_vec))  # 计算增益
    w += k * e[i]  # 更新权重
    P = (P - np.outer(k, k.T) * (1 + np.dot(x_vec.T, k)))  # 更新协方差矩阵

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('RLS Algorithm with Transfer Function Example')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e**2, label='Error Signal (rms[e])', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation (RLS)')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

3. Affined LMS

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
initial_mu = 0.06  # 初始学习率
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化滤波器系数
order = 10  # 滤波器阶数
w = np.zeros(order)  # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号

# Affined LMS算法迭代
for i in range(order, N):  # 从 order 开始迭代
    # 获取最近的 order 个输入样本
    input_samples = x[i-order:i]  # 当前输入样本

    # 计算输出，增加偏置项
    y[i] = np.dot(w, input_samples) + 0.5 * input_samples[-1]  # 使用权重和输入样本计算输出，增加偏置

    # 计算误差
    e[i] = d[i] - y[i]  # 计算误差信号

    # 更新滤波器系数
    w += initial_mu * e[i] * input_samples  # 更新公式

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('Affined LMS Algorithm with Transfer Function Example (Order 10)')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e**2, label='Error Signal (rms[e])', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation (Affined LMS)')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

4. Sign LMS（S-LMS）

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
initial_mu = 0.06  # 初始学习率
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化滤波器系数
order = 10  # 滤波器阶数
w = np.zeros(order)  # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号

# Sign LMS算法迭代
for i in range(order, N):  # 从 order 开始迭代
    # 获取最近的 order 个输入样本
    input_samples = x[i-order:i]  # 当前输入样本

    # 计算输出
    y[i] = np.dot(w, input_samples)  # 使用权重和输入样本计算输出

    # 计算误差
    e[i] = d[i] - y[i]  # 计算误差信号

    # 更新滤波器系数（只使用符号信息）
    w += initial_mu * np.sign(e[i]) * input_samples  # 更新公式

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('Sign LMS Algorithm with Transfer Function Example (Order 10)')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e**2, label='Error Signal (rms[e])', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation (Sign LMS)')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

5. 卡尔曼滤波器

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
N = 300  # 迭代次数
f1 = 0.1  # 正弦波频率1
f2 = 0.07  # 正弦波频率2
np.random.seed(0)  # 设置随机种子以便重现

# 生成原始参考信号（复杂信号）
n = np.arange(N)
x = 0.5 * np.sin(2 * np.pi * f1 * n) + 0.5 * np.sin(2 * np.pi * f2 * n)  # 复杂信号

# 定义传递函数的参数
a = 1.0  # 基础传递函数增益
variation = 0.2  # 传递函数的微小变动范围

# 生成经过传递函数的信号，添加随机变化
transfer_function = a + np.random.uniform(-variation, variation, N)  # 随机变化
d = x * transfer_function  # 目标信号

# 初始化卡尔曼滤波器参数
Q = 1e-6  # 过程噪声协方差
R = 0.2   # 测量噪声协方差
P = 0.2  # 估计误差协方差
M = 10  # 滤波器阶数
w = np.zeros(M)  # 初始化权重为零
y = np.zeros(N)  # 输出信号
e = np.zeros(N)  # 误差信号

# 卡尔曼滤波器迭代
for i in range(M, N):  # 从 M 开始迭代
    # 获取最近的 M 个输入样本
    x_vec = x[i-M:i]  # 当前输入样本

    # 预测更新
    y[i] = np.dot(w, x_vec)  # 预测输出

    # 更新卡尔曼增益
    K = P / (P + R)  # 卡尔曼增益

    # 计算误差
    e[i] = d[i] - y[i]  # 计算误差信号

    # 更新估计
    w += K * e[i] * x_vec  # 更新权重

    # 更新估计误差协方差
    P = (1 - K) * P + Q  # 更新协方差

# 创建子图
fig, axs = plt.subplots(2, 1, figsize=(12, 10))

# 绘制目标信号、原始信号和输出信号
axs[0].plot(d, label='Received Signal (d)', color='blue', linestyle='-', alpha=0.5)  # 目标信号
axs[0].plot(x, label='Original Signal (x)', color='green', linestyle='--', alpha=0.5)  # 原始信号
axs[0].plot(y, label='Estimated Signal (y)', color='red', linestyle='-')  # 输出信号
axs[0].set_title('Kalman Filter Algorithm with Transfer Function Example (Order 10)')
axs[0].set_xlabel('Sample Index')
axs[0].set_ylabel('Amplitude')
axs[0].legend()
axs[0].grid()

# 绘制误差信号
axs[1].plot(e**2, label='Error Signal (rms[e])', color='orange', linestyle='-', alpha=0.7)  # 误差信号
axs[1].set_title('Error Signal After Echo Cancellation (Kalman Filter)')
axs[1].set_xlabel('Sample Index')
axs[1].set_ylabel('Amplitude')
axs[1].legend()
axs[1].grid()

# 调整布局
plt.tight_layout()
plt.show()

标签：axs,set,回声,Signal,LMS,滤波,信号,np
From： https://blog.csdn.net/qq_34941290/article/details/143892491

相关文章

  • 【IMM EKF MATLAB CVCA】IMM滤波器，结合匀速运动 (Constant Velocity, CV) 和匀加速运
    文章目录程序简介运行截图程序代码程序讲解概述主要功能详细讲解1.初始化2.状态转移矩阵和协方差矩阵3.生成真实数据4.IMM算法5.结果后处理与可视化6.卡尔曼滤波函数总结程序简介该函数实现了交互式多模型(IMM)滤波器，结合了匀速运动(ConstantVelocity,......
  • 登上Nature封面！强化学习+卡尔曼滤波上大分
    2024深度学习发论文&模型涨点之——强化学习+卡尔曼滤波强化学习与卡尔曼滤波的结合在提高导航精度、适应复杂环境以及优化资源利用方面显示出明显优势，并且已经在多个领域中得到应用和验证。这种结合创新十分有前景，目前多篇成果被顶会顶刊录用，例如"Champion-leveldronera......
  • 我谈逆滤波——给逆滤波上升理论高度
    所谓复原，图像复原是图像降质模型的求逆过程，其目的是使估计图像逼近原图像。人家是有目标的，目标是估计图像与原图像之间的差异。逆滤波尽管看着很简单，也不实用，但人家也是有理论依据的，有理论依据就可以从理论上分析误差，而不是想当然地除以传递函数那样简单。更不能像这样没......
  • 在MATLAB中实现自适应滤波算法
    自适应滤波算法是一种根据信号特性自动调整滤波参数的数字信号处理方法，其可以有效处理噪声干扰和信号畸变问题。在许多实时数据处理系统中，自适应滤波算法得到了广泛应用。在MATLAB中，可以使用多种方法实现自适应滤波算法。本文将介绍自适应滤波算法的基本原理和在MATLAB中实现自......
  • 19. Savitzky-Golay 滤波器
    Savitzky-Golay滤波器1.Savitzky-Golay滤波器的工作原理2.示例2.1代码解释2.2结果展示通过Savitzky-Golay滤波器来平滑数据。1.Savitzky-Golay滤波器的工作原理Savitzky-Golay滤波器是一种数字滤波技术，用于平滑数据并减少噪声。它的主要优点是可以保留......
  • 探索大型语言模型（LLMs）能否在不泄露私人信息的情况下联合其他大型语言模型共同解决问题
    概述谷歌的GeminiUltra（2023年）和OpenAI的GPT-4（2023年）等大规模语言模型在许多任务中都表现出了令人印象深刻的性能。然而，这些模型不仅推理成本高昂，而且运行于数据中心，而数据中心并非本地环境，无法获得私人数据。另一方面，可以在私人环境中运行的模型，如GeminiNano，可以......
  • 双边滤波器原理简述及C++实现
    双边滤波器原理简述及C++实现一、文章简介二、双边滤波器原理三、C++实现1、代码2、效果展示四、标准差的选取1、空间域标准差(sigmaSpace)2、值域标准差(sigmaColor)3、参数调试一、文章简介本文主要简述双边滤波器原理，尽可能通俗易懂，最后用C+......
  • canny 算法 python实现， 双边滤波--自适应阈值改进--形态学操作
    #-*-coding:utf-8-*-importnumpyasnpimportcv2importosimportcsv#高斯滤波defsmooth(image,sigma=1.4,length=5):#Computegaussianfilterk=length//2gaussian=np.zeros([length,length])foriinrange(length):for......
  • RC滤波器截止频率：【公式推导】
    目录１：RC滤波器２：截止频率３：截止频率公式推导电子领域的滤波器，可以“过滤掉”我们不需要的某个频率的波形。按内部是否有电源和有源器件，可以分为：有源滤波器：一般由集成运放和RC网络组成，由电源向集成运放提供能量。除了滤除波形以外，还能够放大特定频率的波形。无源滤波器：一般由电......
  • Python从0到100（六十九）：Python OpenCV-图像加噪与滤波
    前言：零基础学Python：Python从0到100最新最全教程。想做这件事情很久了，这次我更新了自己所写过的所有博客，汇集成了Python从0到100，共一百节课，帮助大家一个月时间里从零基础到学习Python基础语法、Python爬虫、Web开发、计算机视觉、机器学习、神经网络以及人工智能相关知......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99