Matlab的M文件編寫的數控插補2D直線算法仿真。具體參數可使用：X-500,Y-600，Fc-600，Fs-0，Fa-0，at--200.仿真的本意是為了驗證DSP上同類插補算法的正確性
上傳時間： 2017-09-17
上傳用戶：zhyiroy
用遺傳算法求解函數最大值的示例程序。目標函數為y=10*cos(3*x)-4*x.
上傳時間： 2017-09-18
上傳用戶：zyt
%========================開始提取加噪信號的各類特征值================================ for n=1:1:50; m=n*Ns; x=(n-1)*Ns; for i=x+1:m; %提取加噪信號'signal_with_noise=y+noise'的前256個元素，抽取50次 y0(i)=signal_with_noise(i); end Y=fft(y0); %對調制信號進行快速傅里葉算法（離散） y1=hilbert(y0) ; %調制信號實部的解析式 factor=0; %開始求零中心歸一化瞬時幅度譜密度的最大值gamma_max for i=x+1:m; factor=factor+y0(i); end ms=factor/(m-x); an_i=y0./ms; acn_i=an_i-1; end gamma_max=max(fft(acn_i.*acn_i))/Ns
上傳時間： 2020-04-07
上傳用戶：如拷貝般復制
本文件為用C語言實現的可實現廣義異或問題的bp神經網絡算法。該問題是對標準異或問題的推廣。在標準異或問題中，輸入X1和X2取離散量-1或+1，在廣義異或問題中，輸入（X1,X2）可以在區間[-1，+1] X [-1, +1]內任意取值，而輸出為Y=sign(x1,x2)，其中sign()為符號函數，在區間[-1，+1] X [-1, +1]內隨機產生500個訓練樣本.本程序用標準BP網實現該分類問題.
上傳時間： 2015-05-03
上傳用戶：清風冷雨
bp算法，網絡為1－5－2－2－1。函數為y=sin(3x)cosx+1。這是用c語言寫的，能運行，可以畫圖，這是神經網絡的一個作業。
標簽： 算法
上傳時間： 2014-01-06
上傳用戶：qilin
用遺傳算法解決通信中的TDOA問題 文件名 program 完成功能 求出在進行account_test次的試驗中每一次的最優染色體，并且求出均值MV，和均方誤差MSE 文件名 definition_constant( ) 完成功能 對各個常量試驗參數進行設定 文件名 main_program 完成功能 完成一次試驗的計算 文件名 all_Noise 完成功能 計算TDOA值（由基站所測量的TDOA（受到噪聲的干擾）) 文件名 gen_ini_pop_arr 完成功能 產生染色體矩陣pop_arr，矩陣的1，2行為估計的x，y坐標，矩陣的3，4行為0。
標簽： account_test program TDOA 算法
上傳時間： 2013-12-22
上傳用戶：shinesyh
二維的DBSCAN聚類算法，輸入（x,y）數組，搜索半徑Eps，密度搜索參數Minpts。輸出: Clusters，每一行代表一個簇，形式為簇的對象對應的原數據集的ID
上傳時間： 2015-06-01
上傳用戶：sy_jiadeyi
LCS（最長公共子序列）問題可以簡單地描述如下： 一個給定序列的子序列是在該序列中刪去若干元素后得到的序列。給定兩個序列X和Y，當另一序列Z既是X的子序列又是Y的子序列時，稱Z是序列X和Y的公共子序列。例如，若X={A，B，C，B，D，B，A}，Y={B，D，C，A，B，A}，則序列{B，C，A}是X和Y的一個公共子序列，但它不是X和Y的一個最長公共子序列。序列{B，C，B，A}也是X和Y的一個公共子序列，它的長度為4，而且它是X和Y的一個最長公共子序列，因為X和Y沒有長度大于4的公共子序列。 最長公共子序列問題就是給定兩個序列X={x1,x2,...xm}和Y={y1,y2,...yn}，找出X和Y的一個最長公共子序列。對于這個問題比較容易想到的算法是窮舉，對X的所有子序列，檢查它是否也是Y的子序列，從而確定它是否為X和Y的公共子序列，并且在檢查過程中記錄最長的公共子序列。X的所有子序列都檢查過后即可求出X和Y的最長公共子序列。X的每個子序列相應于下標集{1,2,...,m}的一個子集。因此，共有2^m個不同子序列，從而窮舉搜索法需要指數時間。
上傳時間： 2015-06-09
上傳用戶：氣溫達上千萬的
求取一幅灰度圖像中的光斑形心的位置的Matlab的源代碼。算法使用的是最大類間方差法編寫的程序，可以得到光斑形心位置的（x,y）坐標。
上傳時間： 2014-09-02
上傳用戶：bibirnovis
* 本算法用最小二乘法依據指定的M個基函數及N個已知數據進行曲線擬和 * 輸入: m--已知數據點的個數M * f--M維基函數向量 * n--已知數據點的個數N-1 * x--已知數據點第一坐標的N維列向量 * y--已知數據點第二坐標的N維列向量 * a--無用 * 輸出: 函數返回值為曲線擬和的均方誤差 * a為用基函數進行曲線擬和的系數, * 即a[0]f[0]+a[1]f[1]+...+a[M]f[M].
上傳時間： 2015-07-26
上傳用戶：
