粒子群优化算法

可用于雷达信号、脉冲信号的幅度相位FFT分析，适合初学者仿真使用

function [RT,R,wg,h]=longbeige(fun,a,b,wucha,m)%RT是龙贝格积分表%R是数值积分值%wg是误差估计%h是最小步长%fun是被积函数%a b是积分上下限%m是龙贝格积分表中行最大数目%wucha是两次相邻迭代值的绝对误差【核心代码】

MATLAB细胞神经网络（CNN）图像处理.zip

【实例简介】包含论文，代码，示例，采集的土壤数据集

【实例简介】机器学习中的多示例包层次SVM分类算法 【核心代码】Bag_KI_SVM.m KI-SVM ├── Bag KI-SVM │   ├── Bag_KISVM_prediction.m │   ├── Bag_KI_SVM.m │   ├── Find_y.m │   ├── Find_y_linear.m │   ├── Max_Violated_y_set.m │   ├── Readme.htm │   ├── celltomatrix.m │   ├── genIndex.m │   └── normalization_gaussian.m ├── Instance KI-SVM │   ├── Find_y.m │   ├── Find_y_linear.m │   ├── Inst_KISVM_prediction.m │   ├── Inst_KI_SVM.m │   ├── Max_Violated_y_set.m │   ├── Readme.htm │   ├── celltomatrix.m │   ├── genIndex.m │   └── normalization_gaussian.m ├── experiments.m ├── experiments_KISVM_musk1.m ├── libsvm-mat-2.88-MI-svm │   ├── COPYRIGHT │   ├── Makefile │   ├── README │   ├── doc.txt │   ├── heart_scale.mat │   ├── make.asv │   ├── make.m │   ├── read_sparse.c │   ├── read_sparse.mexw32 │   ├── read_sparse.mexw64 │   ├── svm.cpp │   ├── svm.cpp.bak │   ├── svm.h │   ├── svm.h.bak │   ├── svm.obj │   ├── svm_model_matlab.c │   ├── svm_model_matlab.c.bak │   ├── svm_model_matlab.h │   ├── svm_model_matlab.obj │   ├── svmpredict.c │   ├── svmpredict.mexw32 │   ├── svmpredict.mexw64 │   ├── svmtrain.c │   ├── svmtrain.c.bak │   ├── svmtrain.mexw32 │   └── svmtrain.mexw64 └── normedmusk1.mat 3 directories, 47 files

【实例简介】

【实例简介】多尺度排列熵 多尺度排列熵计算代码，用于计算信号的多尺度排列熵的特征提取以进行后续工作。

1D2D信号去噪(小波分析)

m=1;%模数z=17;%齿数ha=1;c=0.25;x=0;%齿顶高系数;顶隙系数;变位系数alpha=deg2rad(20);%压力角r=z*m/2;%分度圆半径ra=r (ha x)*m;%齿顶圆半径rf=r-(ha c-x)*m;%齿根圆半径rb=r*cos(alpha);%基圆半径

Computer Explorations in Signals and Systems Using MATLAB.pdf