Matlab

(1) 产生数值为±1的用户随机数据；给出Matlab下对应的模块； (2) 产生并给出64×64的Walsh矩阵，作为用户接入的扩频码； (3) 利用上述一个用户的扩频码和用户数据演示扩频过程；给出Simulink工作框图； (4) 利用FFT，计算并画出基带数据和扩频信号的频谱（在一个图中给出）； ((1) value of ± 1 generated random data users given under the corresponding Matlab module (2) generation and gives the Walsh 64 × 64 matrix, as the user access to the spreading code (3) the use of the a user' s spreading code and spread spectrum user data presentation process given work Simulink block diagram (4) the use of FFT, calculate and draw the base-band spectrum data and the spread spectrum signal (given in a diagram) )

MATLAB代码,利用卡尔曼滤波实现加入白色噪声后的语音信号的增强.效果不错.(MATLAB code, the use of Kalman filter to achieve by adding white noise to enhance the voice signals. Good results.)

MATLAB简单约简算法，可以使用可以使用(Reduction Algorithm)

各种方程的解法，包括代数方程，线性方程组，线性微分方程等等。。(Solution of various equations, including algebraic equations, linear equations, linear differential equations and so on. .)

example simulation s of analysis of electrical machinery and drive systems - Pual C. Krause - Ex4

embedded zero tree coding

利用MATLAB负折射率材料 导纳矩阵法(Negative refractive index materials using MATLAB admittance matrix)

根据公式产生多相码的相位，对应着转化为复数序列，然后相关脉压(generate P3 code)

Addition for existing code

测试可以跑，根据自己情况修改下函数即可. NSGA-III 首先定义一组参考点。然后随机生成含有 N 个（原文献说最好与参考点个数相同）个体的初始种群，其中 N 是种群大小。接下来，算法进行迭代直至终止条件满足。在第 t 代，算法在当前种群 Pt的基础上，通过随机选择，模拟两点交叉（Simulated Binary Crossover，SBX）和多项式变异 产生子代种群 Qt。Pt和 Qt的大小均为 N。因此，两个种群 Pt和 Qt合并会形成种群大小为 2N 的新的种群 Rt=Pt∪Qt。 为了从种群 Rt中选择最好的 N 个解进入下一代，首先利用基于Pareto支配的非支配排序将 Rt分为若干不同的非支配层（F1，F2等等）。然后，算法构建一个新的种群St，构建方法是从 F1开始，逐次将各非支配层的解加入到 St，直至 St的大小等于 N，或首次大于 N。假设最后可以接受的非支配层是 L层，那么在 L+ 1 层以及之后的那些解就被丢弃掉了，且 St FL中的解已经确定被选择作为 Pt+1中的解。Pt+1中余下的个体需要从 FL中选取，选择的依据是要使种群在目标空间中具有理想的多样性。(The test can run and modify the function according to its own situation. NSGA-III first defines a set of reference points. Then the initial population containing N individuals (preferably the same number of reference points as the original literature) was randomly generated, where N was the size of the population. Next, the algorithm is iterated until the termination condition is satisfied. On the basis of current population Pt, the algorithm simulates two-point crossover (SBX) and polynomial mutation to produce offspring population Qt by random selection.)