弹道matlab代码环境地震噪声互相关的不确定性 作者：刘鑫 斯坦福大学 主程序是driveXcorrDiffuseUncertainty_SymmetricSynthetics.m 代码已在Matlab 2016中测试 本作品采用知识共享 (CC) 许可 3.0：署名-NonCommercial-NoDerivs 3.0 如果您在研究中使用该程序的任何部分，请引用： Liu, X., & Beroza, GC (2020)。 从南加州地震噪声干涉测量法的方差量化非扩散噪声对弹道波和尾波振幅的影响。 地球物理研究杂志：固体地球，125，e2019JB017617。 . 预印本： Liu, X.、Ben-Zion, Y. 和 Zigone, D.（2016 年）。 环境地震噪声互相关误差的频域分析。 国际地球物理杂志，207(3)，1630-1652。

生成椭圆的matlab代码大规模最优运输算法 这是的课程项目“大规模最佳运输算法”的资料库。 这是由王一飞和朱峰（按字典顺序）进行的一个小组项目。 数值实验 要在我们的报告中重现结果，请运行以下Matlab程序： 3.1.2节中的图1和图2 plot_gmm.m 4.1.3节中的图3 plot_ellipse.m 4.1.4节中的图4 plot_caff.m mosek和gurobi在第4.2.1节中随机生成的数据上的性能 Test_RGD_mb.m 第4.2.2节中mosek和gurobi在DOTmark上的性能 Test_DOTmark_mb.m mosek和gurobi在4.2.3节中的椭圆示例和Caffarelli示例中的性能 Test_ellipse_mb.m Test_caff_mb.m 关于4.3.2节中随机生成的数据的一阶方法的性能 Test_RGD_fo.m 第4.3.3节中关于DOTmark的一阶方法的性能 Test_DOTmark_fo.m 第4.3.4节中的椭圆示例和Caffarelli示例的一阶方法的性能 Test_ellipse_fo.m Test_caff

这是用于非目标排序和拥挤距离方法（MOBO2）的多目标bo黑猩猩优化程序（MOBO）的Matlab代码。 开发了三个版本的MOBO， 例如采用网格索引方法的 MOBO (MOBO1)、采用非支配排序和拥挤距离方法的 MOBO (MOBO2) 和采用分解技术的 MOBO (MOBO3)。 通常，在这三个版本中，与其他两种方法相比，MOBO2方法具有更好的性能。 这是为解决无约束的优化问题而编写的。 然而，它也可以用惩罚函数方法解决约束优化问题。 用户应编写自己的目标函数并进行相应的修改。 根据问题的需要修改通用参数和算法特定参数。 有关 MOBO 算法的详细信息，请参考并引用如下所述： Das，AK，Nikum，AK，Krishnan，SV等。 Multi-objective Bonobo Optimizer (MOBO)：一种用于多标准优化的智能启发式算法。 Knowl Inf S

常见的图形算法主要有以下几种：栅格法，拓扑法，自由空间法和可视法。栅格法根据特定分辨率将外部环境离散为相同大小的网格。每个栅格由状态表示，即占用状态和空闲状态，指示栅格位置是否是障碍物。路径规划算法占用一个栅格，并通过搜索自由栅格并避开障碍物来规划由多个栅格组成的路径。拓扑方法将机器人的工作环境图规划成几个小空间，并通过小空间之间的连接线建立拓扑网络结构，路径规划算法搜索拓扑网络以规划由拓扑连接线组成的路径。自由空间法将实际环境规划成两个区域，即可移动区域和不可移动障碍区域。组合连接可移动区域中每个线段的中点形成地图模型，移动机器人在其中进行路径规划。视觉方法将初始位置，障碍的各个转折点和目的地两两相连，组成多线段路径结构。通过路径规划算法，可以在这些线段上规划从起始位置到目的地的完整路径。

基于贝叶斯优化长短期记忆网络(bayes-LSTM)的时间序列预测，matlab代码，要求2019及以上版本。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

逻辑回归matlab代码预测PRNG 使用机器学习技术预测伪随机数生成器 要运行一个学习者的单个实例，请使用exampleKNN.m脚本（例如，运行KNN）。 要重新运行实验，请运行deployConfig.m。 我们总共实施了五名学习者： 随机抽样-按比例随机抽取训练集中标签的比例 随机森林-传统的随机森林算法，以固定深度生长自举树-预测由树预测的标签的模式 KNN（k最近邻）-从训练集中预测k最近邻标签的模式 朴素贝叶斯-假设给定标签的每个特征在条件上均独立于所有其他特征-通过在训练集中计数来学习概率，并根据未归一化的贝叶斯规则预测具有最高概率的标签 Logistic回归-传统的logistic回归分类器使用Barzilai Borwein方程对更新进行了梯度下降训练-预测每个输出最可能的标签 我们还实现或硬编码了几个伪随机数生成器（PRNG）。 除非另有说明，否则每一项我们都支持k = 2、3和5个标签的值。 Mercenne Twister-我们在Matlab内置的Mercenne Twister算法的默认实现中包装了一个函数。 线性同余生成器-我们已使用Borland C /

亨利气体溶解度算法matlab代码

这个代码对相应路径下的所有的EXCEL表的数据都做Mann-Kendall检验

1.版本：matlab2014/2019a/2021a，内含运行结果，不会运行可私信 2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题所示，对于介绍可点击主页搜索博客 4.适合人群：本科，硕士等教研学习使用 5.博客介绍：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可si信

%% 数据归一化 [p_train, ps_input] = mapminmax(P_train, 0, 1); p_test = mapminmax('apply', P_test, ps_input); [t_train, ps_output] = mapminmax(T_train, 0, 1); t_test = mapminmax('apply', T_test, ps_output); %% 转置以适应模型 p_train = p_train'; p_test = p_test'; t_train = t_train'; t_test = t_test'; %% 创建网络 k = 7; % 保留成分个数 [theta, ch0] = my_pls(p_train, t_train, k); %% 仿真测试 t_sim1 = sim_pls(p_train, theta, ch0); t_sim2 = sim_pls(p_test , theta, ch0); %% 数据反归一化 T_sim1 = mapminmax('reverse', t_sim