HowtouseGui__sinMatLab

matlab画图方法介绍，自己留用的资料，欢迎使用交流。(matlab drawing method, the information retained their own are welcome to use the exchange.)

2-D FDTD TE code with PML absorbing boundary conditions Program author: Susan C. Hagness

MATRIX MULTIPLICATION GPU PROGRAM

完整版的频谱检测算法的MATLAB实现，有原理，有程序，有结果。(Full version of the spectrum to achieve detection algorithm of MATLAB, there are principles, procedures and results.)

GSM的物理层仿真 基于matlab 采用simulink形式 非常好(GSM physical layer simulation based on matlab simulink form of very good)

通信原理中维比特算法编码，主要用于卷积码的译码(Viterbi algorithm)

目前，互联网上HHT信号处理技术有 三种实现方式，采用MATLAB编程语言，一种是法国研究者设计的G Rilling 2007 另一种是MATLAB文件交换中心由Alan Tan开发的plot_hht程序包，第三种是台湾中央大学数据研究中心提供的EEMD包。 其中，我使用了plot_hht程序包，其使用了三个终止条件，驻留分量的单调性，极值点与零点的个数相差不超过1，还有黄锷1998经典文献提出的 SD>0.1，单调性的判断，并不是去判定驻留分量是否是单调函数，而是当曲线是双曲线时，循环结束，由于没有考虑端点效应，程序比较简洁，好读懂，大家 学习HHT可以从这个程序包入手，在此抛砖引玉，希冀有人能比较这三种不同的算法的性能和时间复杂度，以及对各种信号的适应性。 (There provides three types of HTT program packages: one developed by France researcher G. Rilling 2007, the other provided by by Alan Tan from Matlab file exchange center and the third one by Taiwan Central University Data Research Center. Please start from the simple one by Tan to learn more.)

这个是检测NEMA语句的matlab代码 主要检测GGA(This is to test the main NEMA statement matlab code detect GGA)

二维码扫描应用demo，精选ios编程学习源码，很好的参考资料。(Two dimensional bar code scanning application demo, select learning IOS programming source code, a good reference.)

说明：  高斯过程(GP)模型中推理和预测的实现。它实现了在《Rasmussen & Williams:机器学习的高斯过程》(麻省理工学院出版社，2006)和《Nickisch & Rasmussen:二进制高斯过程分类的近似》(JMLR, 2008)中讨论的算法。该函数的优点在于灵活性、简单性和可扩展性。该函数具有一定的灵活性，首先通过定义均值函数和协方差函数来确定遗传算法的性质。其次，它允许指定不同的推理过程，如精确推理和期望传播(EP)。第三，它允许指定似然函数，如高斯函数或拉普拉斯函数(用于回归)和累积逻辑函数(用于分类)。简单性是通过一个简单的函数和紧凑的代码实现的。可扩展性是通过模块化设计来保证的，允许为已经相当广泛的推理方法、均值函数、协方差函数和似然函数库轻松添加扩展。(Gaussian Processes for Machine Learning , the MIT press, 2006 and Nickisch & Rasmussen: Approximations for Binary Gaussian Process Classification , JMLR, 2008. The strength of the function lies in its flexibility, simplicity and extensibility. The function is flexible as firstly it allows specification of the properties of the GP through definition of mean function and covariance functions. Secondly, it allows specification of different inference procedures, such as e.g. exact inference and Expectation Propagation (EP). Thirdly it allows specification of likelihood functions e.g. Gaussian or Laplace (for regression) and e.g. cumulative Logistic (for classification). Simplicity is achieved through a single function and compact code.)