傅里叶采样数据的生成过程，从语言和详细的说明…

非线性控制 Matlab编译(nonlinear control Matlab Compiler)

实现数据的高通、带阻、低通的数字滤波。 非常适合初学者使用(Data of high-pass, band stop, low-pass digital filtering. Very suitable for beginners to use)

说明：  最小均方算法的仿真， LMS算法仿真在移动通信的应用(Least mean square algorithm simulation, LMS algorithm for the application of simulation in mobile communications)

最小二乘法的参数辨识研究。逐个的程序实现了最小二乘法算法以及实现的研究。(Least squares method of parameter identification studies. Procedures achieved by least squares algorithm and realize research.)

极大似然估计是概率论中的重要思想，阅读此文献可以帮助我们了解极大似然估计的含义(Maximum likelihood estimation is important in probability theory thinking, reading this literature can help us understand the meaning of maximum likelihood estimation)

可以得到很精确的幅值、频率、相位估计，微分方程组数值解方法，验证可用，包括 MUSIC算法，ESPRIT算法 ROOT-MUSIC算法，与理论分析结果相比，搭建OFDM通信系统的框架。

1985年，Powell提出了多变量插值的径向基函数（RadicalBasis Function）方法。1988年Moody和Darken提出了一种神经网络结构，即RBF神经网络，属于前向神经网络类型，它能够以任意精度逼近任意函数。RBF网络的结构与多层前向网络类似，是一种三层前向网络。输入层有信号源结点组成；第二层为隐藏层，隐单元数视所描述问题的需要而定，隐单元的变换函数RBF()是对中心点径向基对称且衰减的非负非线性函数；第三层为输出层，它对输入模式的作用作出响应。从输入空间到隐藏层空间的变换是非线性的，而从隐藏层空间的输出层空间变换则是线性的。RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接（即不需要通过权连接）映射到隐空间。当RBF的中心点确定以后，这种映射的关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和。此处的权即为网络可调参数。由此可见，从总体上看，网络由输入到输出的映射也是非线性的，而网络输出对可调参数而言又是线性的。这样的网络的权就可以由线性方程直接解出，从而大大加快学习速度并避免局部极小问题。RBF神经网络学习算法需要求解的参数有3个：基函数的中心，方差以及隐含层到输出层的权值。根据径向基函数中心选取方法的不同，RBF网络有多种学习方法，如随机选取中心法，自组织选取法，有监督选取中心法和正交最小二乘法等。

骨架算法的matlab实现，仿照matlab的库实现，并且用这个算法求出了一张样例图片的骨架。( Skeleton algorithm matlab realize, modeled matlab library implementation, and use this algorithm to obtain a sample picture of a skeleton.)

用粒子群算法PSO,优化支持向量机SVM，提高故障分类精度。(Using particle swarm optimization (PSO, optimization of support vector machine SVM, improve the fault classification accuracy.)

本实验首先介绍了现代控制理论中最优控制部分的核心知识，通过MATLAB实例看到最优控制的优点及实现方法，并与极点配置法进行对比，加深了对控制理论的认识