基于神经信号的功率谱密度估计

在此研究中，我们使用高斯窗和方窗两种方法，对给定的男女生身高体重分布进行概率密度估计。同时，我们设计了基于贝叶斯最小错误率的分类器，用于有效地对测试样本进行性别分类。

这个功能利用核平滑函数计算每个点的概率密度估计（PDE），并且用颜色表示每个点。输入x表示X轴上的位置，y表示Y轴上的位置。varargin可用于向scatter函数发送一组指令，支持MarkerSize参数，不支持MarkerColor参数。输出h返回创建的散点对象的句柄。例如，生成数据x = normrnd(10, 1, 1000, 1); y = x * 3 + normrnd(10, 1, 1000, 1); 使用scatter_kde(x, y, '填充', 'MarkerSize', 100); 添加颜色栏cb = colorbar(); cb.Label.String = '概率密度估计'。

MATLAB中的DFT源代码演示-功率谱和功率谱密度（PSD）这是展示如何实时计算功率谱（PS）和功率谱密度（PSD）的演示。我们直接使用DFT（或FFT）计算功率谱。使用MATLAB函数周期图来计算功率谱和功率谱密度。观察到：（1）功率谱等于DFT绝对值的平方。 （2）功率谱中所有功率谱线的总和等于输入信号的功率。 （3）PSD的积分等于输入信号的功率。通过周期图获得的PSD是等效噪声功率谱密度（ENPSD）。可以看到ENPSD与PS的相关系数为1 / T，等于频率分辨率或频率间隔。应当注意，功率谱是离散序列或离散连续自变量函数，而ENPSD是非离散连续自变量函数。为了强调这一点，我将茎用于功率谱，将图用于ENPSD。在本演示中，我们从具有各种参数的正弦信号开始。然后，我们继续处理实际的音频信号。

无参密度估计，不同于优化L2误差的交叉验证（CV），拓扑密度估计（TDE）优化单峰类别的估计。在高度多模态分布的定性度量中，TDE表现优于CV，且速度更快，无需参数，仅需采样数据和内核选择（支持高斯、Epanechnikov和直方图）。

这是一个基于MATLAB编写的功率谱估算程序，提供了六种不同的情况分析。该程序采用图形用户界面（GUI）进行操作。使用方法：将文件放入MATLAB安装目录下的work文件夹，打开MATLAB并输入guide，选择Open Existing GUI，找到名为zbuttonzuoye的文件即可。如果只需查看运行效果，双击打开文件即可。

这个实现是一个可靠且极快的一维数据核密度估计器，假设采用高斯核并自动选择带宽。与其他许多实现不同，它不受多模态密度的影响，这种估计不会因数据中存在广泛分离模式而恶化。输入数据为构建密度估计的数据向量，网格点数间隔为2的幂，如果不是2的幂则向上取整为2的下一个幂。默认网格点数为2^12。区间[MIN, MAX]由数据的最小值和最大值确定。输出为自动选择的带宽。

这段代码利用阈值倒谱技术对功率谱进行平滑的非参数估计。它基于Petre Stoica和Niclas Sandgren在2006年发表于IEEE信号处理杂志的文章《通过倒谱阈值法进行平滑的非参数频谱估计》。压缩文件包含CepSpec.m函数（用于执行功率谱估计的代码），以及自述文件和一些演示数据文件。

如果您使用我们的代码，请务必引用我们的论文《一种新的基于傅立叶功率谱的DNA序列聚类方法》！论文链接：http://dx.doi.org/10.1016/j.jtbi.2015.026

使用Matlab编写的仿真程序，用于数字信号处理中的AR参数模型功率谱估计。