现代控制工程 (第五版)Modern Control Engineering(中文版+英文版+课后答案)

40种常用差分格式的源代码（Fortran语言），附说明；适合CFD学习

这系列教程完全以代码的形式来写的，目标是：读者看代码和注释就可以理解代码的意思。虽然作者力求在每个例子中做到功能尽量少，代码尽量的简洁，但为了演示某个功能，不得不添加了一些额外的内容，如有疑问，请参考：《An Introduction To Tkinter》：这是介绍 Tkinter 我见过最全的一本书了http://docs.python.org/lib/tkinter.html：python 模块中介绍关于 Tkinter 编程的入门级教程http://www.tcl.tk/：Tk 的官方网站，最权威 Tk 资料。就是这本书的章节先后顺序,建议从前至后进行阅读。问题与反馈:如果在练习中有疑问或问题欢迎与我联系,一起讨论学习作者联系方式:傅客电邮于北京年月日初步结果教程之篇第一个例子使用内置位图改变的前景色和肯景色设置宽度与高度使用图像与文本文本的多行显小教程之篇第个例子的外观效果显示文本与图像的焦教程之篇的宽度与高度设置文本在控件上的显示位置改变的前景色与背景色设置的边框设置的外观效果设置状态绑定与变量教程之篇第一个程序与变量绑定设置为只读设冒为密码输入框验证输入的內容教程之篇第例设置的事件处理函数改变的显小文本将变量与绑定设置的状态值教程之第例子为指定组创建两个不同的组使用相同的绑定事件处理函数改变外观效果教程之篇第一个可以选中多个使用支持鼠标移动选中位置使向支持和中添加个删除中的选中或取消中的得到当前中的个数返回指定索引的返回当前选中的的索引判断一个是否被选中与变量绑定与事件绑定教程之篇第一个例子指定创建的参数绑定变量使用事件处理函数打印当前的值控制显示位数设置的标签属性设置取得的值教程之篇第·个例了创建时指定参数。设置的值绑定变量设置的事件处理函数的当前内容册除字符(这是个有问题的程序)在指定位置插入文本教程之篇第一个例子设置的位置使用事件处理函数(不建议这样使用)绑定将的解除绑定解除与的关系教程之篇第例子添加下拉菜单向菜单中添加项向菜单中添加顶向菜单中添加分隔符快捷菜单菜单项的操作方法教程之的常用方法教程之第例了改变的宽度设置宽高比例绑定变量文本对齐属性教程之创建设置的显示值打印的值使用作为的选项教程值向中添加删除指定的在指定位置添加个教程之第向实例中添加添加了的支持教程之创建简单的设置的属性使用自凵制作提示框教程之篇第一个例子向中添加文本仗用索引添加内容使用内置的控制添加位置使用表达式来增强教程之使用来指定文本的属性同时使用两个文本指定同一个属性控制的级别对文本块添加使用自定义对文本块添加使用获得中的内容测试对的影响使用对文本属性的影响教程之篇自定义的两个内置属性在中创建按钮在中创建一个图像未实现绑定与事件使用实现编辑常用功能未实现教程之篇第例了创建一个指定的填充色指定的边框颜色指定边框的宽度画虚线使用画刷填充修改的坐标教程之创建的多个使用同一个通过来访问向其它添加返回其它改变在中的顺序教程之篇移动删除缩放绑定与添加绑定事件绑定新的与现有的教程之绘制弧形设置弧形的样式设置弧形的角度绘制位图绘制图像绘制直线直线的属性绘制椭圆创建多边形修饰图形绘制文本选中文本创建组件教程之篇第一个例子的关系向中添加多个组件固定设置到自由变化如何控制子组件的布局如何控制组件的布局改变组件的排放位置设置组件之间的间隙大小教程之篇使用绝对坐标将组件放到指定的位置使用相对坐标放置组件位置使用同时指定多个组件同时使用相对和绝对坐标使用来指定放置的容器深入用法事件与结合使用教程之篇第一个例子使用和来指定位置为其它组件预定位置将组件放置到预定位置上去将两个或多个组件同一个位置改变列(行)的属性值组件使用多列(多行)设置表格中组件的对齐属性教程之篇第一个字体例子仗用系统已有的字体宇体创建属性优先级得到字体的属性值使用系统指定的字体教程之使用用模态对话框使用模块打开文件对话框保存文件对话框使用颜色对话框使用消息对话框使用缺省焦点教程之测试鼠标点击事件测试鼠标的移动事件测试鼠标的释放事件进入事件教程之篇测试离开事件响应特殊键响应所有的按键事件只处理指定的按键消息使用组合键响应事件改变组件人小事件教程之篇两个事件同时绑定到一个控件为一个绑定一个事件。事件各个级别音传递使用的后果使用绑定教程之篇第一个例子:指定显小的文本初始化创建一个使用编码,到现在为止还没有使用过直接通过“就可以完成的显示,必须含有此语句但是不需要(严格地说是必须不这样使用),否则解释器抱怨进入消息循环控件的显示步骤创建这个控件指定这个空间的,即这个控件属于哪一个告诉有一个控什产生了还有更简单的一个例子:将打印到标题上,也不用创建了再没法儿简化了,就这样吧使用内置位图指定显示的位图初始化创建一个,使用编码,到现在为止还没有使用过百接通过“就可以完成的。上面的代码使用了内置位图

盈建科地震波库

一个原创的一个 Matlab gui 绘制三维曲面图小程序，很实用，也非常基础，包括一个按钮，一个图表，一个程序输入框组成。

陈天奇论文及翻译+演讲PPT+论文讲解（陈天奇XGBoost: A Scalable Tree Boosting System）

matlab 5*5十字型窗口中值滤波源代码

【实例简介】一个项目的总结文档，英文，主要功能： 1、分布式作业管理、调度、监控； 2、基于spark streaming+Cassandra的实时分析和监控，包括性能分析、账号安全主动防御。 web部分采用spring boot开发，前端采用angularJS组织页面相关的各个部分，系统的技术和效果在2016~2017年在行业具有一定先进性。

c# GUI+ 适合电力，汽车，温度等多种图表应用，

简单描述自适应滤波的原理及在MATLAB中实现的方法，并辅以相关MATLAB代码供大家交流。1绪论11引言人类传递信息的主要媒介是语言和图像。据统计,在人类接受的信息中,听觉信息占20%,视觉信息占60%,其它如味觉、触觉、嗅觉总的加起来不过占20%,所以图像信息是十分重要的信息。然而,在图像的获取和图像信号的传输过程中,图像信号中不可避免的混入各种各样的随机噪声,造成图像失真(图像退化)。造成人类所获取的信息和实际是有偏差的,成为人类从外界获取准确信息的障碍。因此,对图像信号中的随杋噪声的抑制处理是图像处理中非常重要的一项工作在图像的获取和传输过程中所混入的噪声,主要来源于通信系统中的各种各样的噪声,根据通信原理及统计方面的知识,可以知道在通信系统中所遇到的信号和噪声,大多数均可视为平稳的随机过稈。又有“高斯过程又称正态随机过程,它是一种普遍存在和重要的随机过程,在通信信道中的噪声,通常是一种高斯过程,故又称高斯噪声。囚此,在大多薮的情况下,我们可以把造成图像失真的噪声可视为广义平稳高斯过程本文针对图像信号中混入的随机噪声,在怎样把现有的滤波算法应用到实际的图像复原中去的问题上提出了解决方法,并且应用 Matlab软件编程对图像进行处理。1.2研究目标及现状121图像复原技术的目标为了从含有噪声的数据中提取我们所感兴趣的、接近规定质量的图像,我们需要设计个系统满足:当信号与噪声同时输入吋,在输出端能将信号尽可能精确地重现出来,而噪声却受到最大抑制,即最佳滤波器。122图像复原抆术的研究现状日前的图像复原技术,即去噪的滤波技术可以分为两大类:传统滤波和现代滤波。传统滤波技术是建立在已知有用信号和干扰噪声的统计特性(自相关函数或功率谱)基础上的噪声去除;现代滤波技术则是不需要知道图像的先验知识,只是根据观测数据,即可对噪声进行有效滤除。早在20世纪40年代,就对平稳随机信号建立了维纳滤波理论。根据有用信号和干扰噪声的统计特性(自相关函数或功率谱),以线性最小均方误差(MSE)估计准则所设计的最佳滤波器,称为维纳滤波器。这种滤汲器能最大程度的滤除干扰噪声,提取有用信号。但是,当输入信号的统计特性偏离设计条件,则它就不再是最佳的了,这在实际应用中受到了限制。到60年代初,由于空间技术的发展,出现了卡尔曼滤波理论,即利用状态变量模型对非平稳、多输入多输出随机序列作最优估计。卡尔曼滤波器既可以对平稳的和平稳的随机信号作线性最佳滤波,也可以作为非线性滤波[2]。然而只有在对信号和噪声的统计特性已知的情况下,这两种滤波器才能获得最优解。在实际的应用中,往往无法得到这些统计特性的完验知识,或者统计特性是随时间变化的,因此,这两种滤波器就实现不了真正的最佳滤波。Widrow B.和Hof于1967年提出的自适应滤波理论,可使在设计自适应滤波器时不需要事先知道关于输入信号和噪声的统计特性的知识,它能够在自己的工作过程中逐渐估计出所需的统计特性,并以此为依据自动调整自己的参数,以达到最佳滤波效果。一旦输入信号的统计特性发生变化,它又能够跟踪这种变化,自动调整参数,使滤波器性能重新达到最佳。自适应滤波器自动调节参数可以通过各和不同的递推算法来实现,由于它采用的是逼近的算法,使得实际估计值和理论值之间必然存在差距,也就造成了自适应滤波问题没有唯一的解。依照各种递推算法的特点,我们把它应用于不同的场合。现在广为应用的自适应滤波方法主要是基于以下几种基本理论,再融合递推算法导出来的:(1)基于维纳滤波理论的方法维纳滤波是在最小均方误差准则下通过求解维纳霍夫方程来解决线性最优滤波问题的。基于维纳滤波原理,我们利用相关的瞬时值通过在工作过程中的逐步调整参数逼近信号的统计特性,实现最优滤波。由此,我们得到一种最常用的算法—最小均方算法,简称LMS算法。(2)基于卡尔曼滤波理论的方法卡尔曼滤波是线性无偏最小方差滤波递推滤波,它能使滤波器工作在平稳的或非平稳的环境,得到最优解。利用卡尔曼滤波理论的递推求解法导出自适应滤波器更新权矢量得不同递推算法。比LMS算法有极快的收敛速率,可是计算复杂度也增大∫,它需要计算卡尔曼矩阵。(3)基于最小二乘准则的方法维纳滤波和卡尔曼滤波推导的算法是基于统计概念的,而最小二乘佔计算法是以最小误差平方和为优化目标的。根据滤波器的实现结构,有以下3种不同的最小二乘自适应滤波算法:自适应递归最小二乘法(RLS),自适应最小二乘格型算法,QR分解最小二乘算法。(4)基于神经网络理论的方法神经网络是有大量的神经元相互连接而成的网络系统,实质上它是一个高度非线性的动力学网络系统,这个系统具有很强的自适应、自学习、自组织能力,以及巨量并行性、容错性和坚韧性,因而,它可以做很多传统的信号和信息处理技术所不能做的事情。因其超强的自动调节能力,使符它在自适应信号处理方面有着广阔的前景[2]在一系列的自适应算法中,虽然基于后面3种基本理论的方法在收敛速率和稳定、坚韧性方面有着更好的性能,但是,基于维纳滤波理论的IMS算法因其算法简单,而且能达到满意的性能,得到了青睐,成为了应用最广泛的自适应算法。为此,本文主要研究LMS自适应滤波器在图像去噪方面的应用。2理论基础21基本自适应滤波器的模块结构自适应滤波器通常由两部分构成,其一是滤波子系统,根据它所要处理的功能而往往有同的结构形式。另一是自适应算法部分,用来调整滤波子系统结构的参数,或滤波系数。在自适应调整滤波系数的过程中,有不同的准则和算法算法是指调整自适应滤波系数的步骤,以达到在所描述的准则下的误差最小化。自适应滤波器含有两个过程,即自适应过程和滤波过程。前一过程的基本目标是词节滤波系数"(),使得有意义的目标函数或代价函数()最小化,滤波器输出信号y()逐步逼近所期望的参考信号4k),由两者之间的误差信号(k)驱动某种算法对滤波系数进行调整,使得滤波器处于最佳工作状态以实现滤波过程。所以自适应过程是一个闭合的反馈环,算法决定了这个闭合环路的自适应过程所需要的时间。但是,由于目标函数)是输入信号(k),参考信号(k)及输出信号y(k)的函数,即20=ack,.y,因此目标函数必须具有以下两个性质(1)非负性g (=8[x(k), d(k), y(k] 20Vx(), u(k), y(k)(2.1)(2)最佳性E()=E[x(k),d(k),y(k)]=0(22在自适应过程中,自适应算法逐步使目标函数(最小化,最终使()逼近于(),滤波参数或权系数()收敛于",这里"是自适应滤波系数的最优解即维纳解。因此,自适应过程也是自适应滤波器的最佳线性估计的过程,既要估计滤波器能实现期望信号()的整个过程,又要估计滤波权系数以进行有利于主要目标方向的调整。这些估计过程是以连续的时变形式进行的,这就是自适应滤波器需要有的自适应收敛过程。如何缩短自适应收敛过程所需要的收敛时间,这个与算法和结构有关的问题时人们一直重视研究的问题之—[2]。当然滤波子系统在整个自适应滤波器的设计中也占有很重要的地位,因为它对最终的滤波性能有很大的影响。本文要研究的是基于维纳滤波原理的LMS算法,那么下面我们需要介绍一下基本维纳滤波原理。22基本维纳滤波原理基本维纳滤波就是用来解决从噪声中提取信号问题的一种过滤(或滤波)方法。它基于平稳随机过程模型,且假设退化模型为线性空间不变系统的。实际上这种线性滤波间题,可以看成是种估计问题或种线性佔计问题。基本的维纳滤波是根据全部过去的和当前的观察数据来估计信号的当前值,它的解是以均方误差最小条件下所得到的系统的传递函数万(3)或单位样本响应h(k)的形式给出的,因此更常称这种系统为最住线性过滤器或滤波器。设计维纳滤波器的过程就是寻求在最小均方误差下滤波器的单位样本响应h(k)或传递函数h(x)的表达式,其实质是解维纳-霍大( Wiener-Hopf方程。基木维纳滤波器是这样的,有两个信号x(k)和y(k)同时加在滤波器上。典型地y(k)包含一个与x(k)相关地分量和另一个与x(k)个相关地分量。维纳滤波器则产生y(k)中与x(k)相关分量地最优估计,再从y(k)中减去它就得到ε(k)。y(kak)输出rk)维纳德波n=∑v(D)x(k-)f=0图21基本维纳滤被模型假定一个N个系数(权值)的FR滤波器的结构,维纳滤波和原始信号y(k)之间的差信号c(k)为ek= yk-nk=ye∑w(i)x(23)其中和w分别为输入信号矢量和权矢量,由下式确定(24)k-N-1)H(N-1)误差平方为2Y, x,w+w x.x,w对(3)式两边取期望得到均方误差(MSE),若输入x(k)与输出yk)是联合平稳的,则ELel=Ely,-2ELYXiwItElwx, x, w2.62P其中E[代表期望,=Ex是(k)的方差,P=E[yx1是长度为N地互相关矢量,R=Exx是NxN的自相矩阵。一个MSE滤波系数的图形是碗形地,且只有唯一地底部,这个图称为性能曲面,它是非负的。性能曲面地梯度可由下式给出2P+2R(2.7)Ytrim图22误差性能曲面每组系数w(i)(i=1,2,N-1)对应曲面是一点,在由面是地最小点梯度为0滤波权矢量达到最优”呷R P(28)即著名的维纳霍夫方稈的解。自适应滤波地仟条是采用合适的算法来调节滤波权重W,0)W,1),…W,N-1),从而找到性能曲面地最优点维纳滤波的实际用途有限,因为:(1)它需要已知自相关矩阵R和可相关矢量P,这两个量通常是未知的。(2)它包含∫矩阵的求逆,非常的耗时3)若信号为非平稳的,则R和P是时变的,导致必需重复计算。对于实际的应用需要一种能够依次加入地抽样点而得到"的算法。自适应算法就就是用于达到这个目的,而且不需显式计算R和P或进行矩阵求逆[3]3自适应滤波原理及算法在实际应用中常常会遇到这样的情况:随机信号的统计特性是未知的,或者信号的统计特性是缓慢的变化着的(非≯稳信号),这就促使人们去研究一类特殊的滤波器,这类滤波器具有以下特点:当输入过程的统计特性未知时,或者输入过程的统计特性变化时,能够相应的调整自身的参数,以满足某种准则的要求,由于这类滤波器能变动自身的参数以“适应”输入过程统计特性的估计或变化,因此,就把这类滤波器称为自适应滤波器41。在本文中我们研究的是退化图像复原的问题,由于图像自身的多样性和所混入的噪声的随机性和多样性,我们选择自适应滤波取出图像中混入的噪声。3.1横向滤波结构的最陡下降算法3.11最陡下降算法的原理首先考虑如下图所示的横向FIR自适应滤波器x(k-1k-2)x、-M+2)xR-M+l)e自适应控制算法1图31自适应横向滤波器结构它的输入序列以向量的形式记为X(k)=[x(k)x(k-1)(k-M+1)(3.1假设x()取自一均值为零,自相关矩阵为R的广义平稳随机过程,而滤波器的系数矢量(加权矢量)为:k)=[w,(k)w2(k)(32)以上二式中括号内的k为时间指数,因此,X()和W()分别表示时刻k的滤波器输入序列和加权值,滤波器的输山y(k)为:y(k)=∑w(n)x(n-t+1)33)式中M为滤波器的长度。图31中的“k称为“期望理想响应信号”,有时也可称为“训练信号”,它决定了设计最佳滤波器加权向量W(k)的取值方向。在实际应用中,通常用一路参考信号来作为期望响应信号。(k)是滤波器输出y(k)相对于a(k)的误差,即e(k)=d(k)-v(h)(34)显然,自适应滤波控制机理是用误差序列(k按照某种准则和算法对其系数w)n),=1.2…,M进行调节的,最终使自适应滤波的目标(代价)函数最小化,达到最佳滤波状态。按照均方误差(MSE)准则所定义得目标函数是E(h)=Ele()(35)eId()-2d(k)y(k)+y(k)将式(3.4)代入式(3.5),目标函数可以化为c(k)=Ele(k)(3.6)E[d(k)]-2Eld(kw(k)x(k]+ elw(kX(eX(s)w(k)当滤波系数固定时,目标函数又可以写为c(k=[d(k]-2W(k)P+W(k)RW (k)(3.7)其中,P-趴是长度为N的期望信号与输入信号的互相关矢量,R=Exx是Nx的输入向量得自相关矩阵。由式(37)可见,自适应滤波器的目标函数()是延迟线抽头系数(加权或滤波系数)的二次函数。当矩阵R和矢量P已知时,可以由权矢量W(k)直接求其解。现在我们将式(3.7)对W求倒数,并令其等于零,同时假设R是非奇异的,由此可以得到目标函数最小的最佳滤波系数w为R P(38)

一种基于mpi的FFT（快速傅里叶变换）实现 数字信号处理 DSP 离散信号分析