fluent 进行气泡模拟的动画及教程-1gambit建模动画

包括了常用的机器学习数据集，都是csv格式的。有iris.csv、wine.csv、abalone.csv、glass.csv一共由11个数据。

能够完美运行的分支定界法源程序，很好的学习实例

信号DCT字典稀疏表示，匹配追踪算法（MP）搜索稀疏系数，重构误差达到精度停止循环。

【实例简介】软件测试在软件生命周期中横跨两个阶段。通常在编写出每个模块之后就对他做必要的测试（称为单元测试），模块的编写者和测试者是同一个人，编码和单元测试属于软件生命周期的同一阶段。在这个阶段结束后，对软件系统还应该进行各种综合测试，这是软件生命周期中另一独立的阶段，通常由专门的测试人员承担这项工作。 我们要通过测试发现错误之后还必须诊断并改正错误，即调试。我们在测试阶段所能做的，就是测试一个个模块。使之更完善。

从国外下的代码，可以计算1D,2D,3D的分形盒维数，很好用

stm32控制nfc（PN532）模块进行读写卡的程序

【实例简介】pixhawk原理图和pcb图

77GHz多载频MIMO汽车雷达信号处理方法的研究，主要是一分期刊感觉值1分微波学报2017年第33卷增刊8月3 MUSIC角度估计算法从上节可知,由于发射阵元产生不同频率的信号,因此在接收阵元回波上存在一定的频差-距离相位差,在应用算法前首先对其进行预处理补偿,然后使用MUSC算法进行测角。图2阵列形状示意图定义等效阵列的协方差矩阵为4.1动目标等速不等距R=EX]=A(的RA"(O)+an1实验中将2个日标速度设置为等速10ms,其距离和角度参数分别为(30m,2.59)、40m59)。其频其中R为信号协方差矩阵,σ衣示噪声功率,/谱和角度估计结果如图3、图4所示。为单位矩阵。对其进行特征值分解可得R=EAE +EME其中λ,e;(i=1,2,…,MN)分别为升序排列的矩阵R的特征值和对应的特征向量En=span{e,e2,…和E、=span{eM-p+,eM-p+2,……,M}分别表小矩阵R的信号子空间和噪声子空间。在该情况下的 MUSIC空间谱定义为MUSIC(6)=[A( DEEnA(O)(8)由于存在噪声,上式倒数中的数值不为零,而是个很小的值,所以 MUSIC空间谱会出现一个尖峰。通过对θ的不断交化进行谱峰搜索来估计波达角。图3上/下扫频频谱图4计算机仿真本文以毫米波段的多载频MIMO雷达为例,传统雷达取上/下扫频周期为T=10ms,调频带宽B=500MHz,阵列形状如图2所示,发射天线为均匀线阵,间距d=元/2,阵元数M=2,天线问的频率间隔△f=100MHz,发射天线1、2的载波频率分别为77GHz77.1GH。模型采取线阵的结构,且发射天线分别布置在接收天线两端,接收天线间距d=4/2,阵元数N=8图4速度相同距离不同时角度估计结果接收阵元与发射阵元间距h=4/2,所以由MIMO雷达特性可知,最后得到的虚拟阵元数为通过仿真,测得动目标距离和速度信息为MN=16。(30.019m,10.034ms),(40.293m,9.981ms)=MMO为了验证本文所提方法的有效性,本文同时雷达角度佔计仿真结果为(-497°,-2.519),传统雷达引入相同参数指标的单发多收传统雷达做仿真对角度估计结果为(-336°)比实验。216?1994-2018ChinaacAdcmicJOurnalElcctronicPublishingHousc.Allrightsrescrvcd.http://www.cnki.nct微波学报2017年第33卷增刊8月4,2动目标等距不等速进一步验证了该方法的可行性,非常适合运用在实验,将2个日标距离设置为等距35m,汽车防撞雷达这种高分辨、小型化系统上其速度和角度参数分别为(10ms,2.5°),(15m/s,59)。参考文献其最终角度仿真图如图5所示。l]韩峻峰,张惠敏,潘盛辉,林川汽车防撞雷达概述「J广西科技大学学报.201,22(4):54-58传线雨达[2]侯宪美.多载频MIMO高频雷达的波束形成方法硏究[D,哈尔滨工业大学,2014[3]杨明磊,张守宏,陈伯孝,张焕颖.多载频MMO雷达的一和新的信号处理方法山电子信息学报,2009,31(1):147-151[4]田燕妮,张杨,徐晶晶.MMO技术舰载反导探测系统构成方法[J兵工自动化2015(1)4-6图5距离相同速度不同时角度估计结果[5]党宏社,韩崇昭,赵广社.汽车毫米波FMCW雷达中频由仿真结果可知,测得动目标距离和速度信信号的采样与处理[J现代雷达,200,24(4)43-45息为(29.879m,10.07mns),(30.155m,15.102ms)「6]魏星,万建伟,皇甫堪基于长短基线干涉仪的无源定MMO雷达角度估计仿真结果为(-5.01°,2.499),传位系统研究叮现代雷达,2007,29(5):22-25.统雷达角度估计结果为(4.87°,-2739)[7 KRIM H, VIBERG M. Two decades of array signal通过上述两个实验可以看出,在目标邻近的processing research the parametric approach[]. Signal情况下,MIMO雷达可以清晰地分辨出目标所在Proccssing Magazine, IEEE, 1996, 13(4): 67-94方向,而传统雷达则无法区分两个日标或分辨较[8 Duofang C, Baixiao C, Guodong Q. Angle estimation差using ESPrit in MIMO Radar[J. Electron Lett,2008:44(12):770-7715结论9]杨晓玉冯大政. ESPRIT算法在单基地MMO雷达中的应用[J电子科技,2009,22(12)91-本文讨论了7Hz多载频MIMO汽车雷达的[10染浩,崔,代林,余剑.阵列误差条件下MMo信号处理方法,运用线性调频连续波的近程探测雷达测向敏感性分析[微波学报,2015,31(41-8优点特性精准地测量出目标的距离和速度信息并通过MUSC算法准确测量出多运动目标相对季晓宇男,193年生,硕士研究生。主要研究方向:微应的角度,达到精确测向的理想效果,仿真结果波毫米波汽车雷达信号处珥,MMO雷达信号处理。证明了该方汯精度可以达到001°。在系统体积和Em-9191562@q40m参数不变的情况下,利用与传统雷达的仿真对比217?1994-2018ChinaacAdcmicJOurnalElcctronicPublishingHousc.Allrightsrescrvcd.http://www.cnki.nct

本文件中包含了车牌识别中所需要的数字和字母样本集，样本个数多，图片清晰。

【实例简介】本书是MATLAB中文论坛神经网络版块数千个帖子的总结，充分强调“案例实用性、程序可模仿性”。所有案例均来自于论坛会员的切身需求，保证每一个案例都与实际课题相结合。 读者调用案例的时候，只要把案例中的数据换成自己需要处理的数据，即可实现自己想要的网络。如果在实现过程中有任何疑问，可以随时在MATLAB中文论坛与作者交流，作者每天在线，有问必答。 该书共有30个MATLAB神经网络的案例(含可运行程序），包括BP、RBF、SVM、SOM、Hopfield、LVQ、Elman、小波等神经网络；还包含PSO(粒子群）、灰色神经网络、模糊网络、概率神经网络、遗传算法优化等内容。该书另有31个配套的教学视频帮助读者更深入地了解神经网络。 本书可作为本科毕业设计、研究生项目设计、博士低年级课题设计参考书籍，同时对广大科研人员也有很高的参考价值。 ------- 目录 第1章 P神经网络的数据分类——语音特征信号分类 第2章 BP神经网络的非线性系统建模——非线性函数拟合 第3章 遗传算法优化BP神经网络——非线性函数拟合 第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻优 第5章 基于BP_Adaboost的强分类器设计——公司财务预警建模 第6章 PID神经元网络解耦控制算法——多变量系统控制 第7章 RBF网络的回归——非线性函数回归的实现 第8章 GRNN的数据预测——基于广义回归神经网络的货运量预测 第9章 离散Hopfield神经网络的联想记忆——数字识别 第10章 离散Hopfield神经网络的分类——高校科研能力评价 第11章 连续Hopfield神经网络的优化——旅行商问题优化计算 第12章 SVM的数据分类预测——意大利葡萄酒种类识别 第13章 SVM的参数优化——如何更好的提升分类器的性能 第14章 SVM的回归预测分析——上证指数开盘指数预测 第15章 SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测 第16章 自组织竞争网络在模式分类中的应用——患者癌症发病预测 第17章SOM神经网络的数据分类——柴油机故障诊断 第18章Elman神经网络的数据预测——电力负荷预测模型研究 第19章 概率神经网络的分类预测——基于PNN的变压器故障诊断 第20章 神经网络变量筛选——基于BP的神经网络变量筛选 第21章 LVQ神经网络的分类——乳腺肿瘤诊断 第22章 LVQ神经网络的预测——人脸朝向识别 第23章 小波神经网络的时间序列预测——短时交通流量预测 第24章 模糊神经网络的预测算法——嘉陵江水质评价 第25章 广义神经网络的聚类算法——网络入侵聚类 第26章 粒子群优化算法的寻优算法——非线性函数极值寻优 第27章 遗传算法优化计算——建模自变量降维 第28章 基于灰色神经网络的预测算法研究——订单需求预测 第29章 基于Kohonen网络的聚类算法——网络入侵聚类 第30章 神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类