1、资源内容：基于Matlab实现凸优化各种算法（源码+使用说明）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、更多仿真源码和数据集下载列表（自行寻找自己需要的）：https://blog.csdn.net/m0_62143653?type=download 4、免责声明：本资源作为“参考资料”而不是“定制需求”不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。

基于MATLAB语言，主要涉及.mat格式文件的读取，数据的解析，table格式的生成，csv文件的写入。

1、资源内容：基于Matlab实现模拟退火算法路径规划（源码）.rar 2、适用人群：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业或毕业设计，作为“参考资料”使用。 3、解压说明：本资源需要电脑端使用WinRAR、7zip等解压工具进行解压，没有解压工具的自行百度下载即可。 4、免责声明：本资源作为“参考资料”而不是“定制需求”，代码只能作为参考，不能完全复制照搬。不一定能够满足所有人的需求，需要有一定的基础能够看懂代码，能够自行调试代码并解决报错，能够自行添加功能修改代码。由于作者大厂工作较忙，不提供答疑服务，如不存在资源缺失问题概不负责，谢谢理解。

使用SIMULINK仿真的通信系统，有助于初学者学习通信系统原理和matLAB的使用。

我们将建立一个类似iFEM的包或具有某些扩展的简化版本，称为mFEM工具箱。 fem：它包括各种源代码。 示例：所有与有限元和变分对应的示例都放在示例文件夹中。 工具：您可以找到涉及可视化、边界设置、网格生成和数值积分等功能。 pdedata：它提供了与示例文件夹中的示例相关联的方程的信息。 meshdata：它讲述了各种示例中使用的网格数据。 matlabupdate：更新版本的matlab中的一些函数是用相同的输入和输出重构的。例如，包含.m--->分枝杆菌.m。 多边形网格的显示和标记 我们提出了一些显示多边形网格的基本函数，包括节点、元素和（边界）边的标记。 辅助网格数据和setboundary.m 为了便于计算，我们引入了一些辅助网格数据。这个想法源于iFEM中对三角测量的处理，该处理被推广到经过某些修改的多边形网格。 FEM1D.m和main_FEM1D.m介绍了一维问题的有限元程序设计。详细说明了刚度矩阵和载荷矢量的组合。 给出了求解二维泊松方程的源代码，见Poisson.m、PoissonP2.m和PoissonP3.m。 对于线性弹性问题，我们给出了一个统一的规划框架

深度学习模型现在很火，应用的领域也是各方各面。在序列预测方面，当属LSTM模型的应用最广。我基于matlab编写了用LSTM模型实现多步预测时间序列的程序代码。序列数据是我随机生成的，如果有自己的数据，就可以自己简单改一下代码，读取txt或excel都可以。注意读取后的序列必须命名为行向量。代码最后还提供了误差分析部分，展示了绝对误差、MAE、RMSE、MAPE共4个误差指标，可供参考。代码基于matlab2021版编写，适用于2018版之后的所有版本。

基于matlab的人脸检测程序代码OpenCV Open CV 代表“开源计算机视觉”。 它是一个预定义的算法库，主要用于计算机视觉应用，如物体检测、人脸检测、人员/车辆计数、生物识别等。 Open CV 使新的 AI 识别系统更容易采用以前的模型框架。 采用的框架可以保持不变或稍作修改，因此可以节省再次制作类似代码的时间。 Open CV 是使用 C++ 创建的，可以与许多语言一起使用，如 Java、MATLAB、C++、Python。 [8] Python 被认为是与 Open CV 一起使用以创建基于目标检测的程序的最佳语言： 字典 ii 支持 Python。 简单的 OOP（面向对象的编程系统） iii． Python 有一个开放和免费的源代码 iv。 它易于阅读和可编程 v。python vi 中使用从零开始的编号。 Python的一个模块可以嵌入很多功能[8] （附上 .docx 文件以供下载）

基于MATLAB对遥感图像或矩进行中值，众数或均值滤波。 实现了数字图像处理中的中值、众数、均值、最大、最小值等滤波，可以根据需求选择。 代码中是正方形的滤波窗口，你可以更改为线、十字、X，棱形、圆形等的滤波窗口。 全都是自己写的，有注释。

支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一。

用单纯形法求解线性规划 用完整单纯形法求解线性规划 用修正单纯形法求解线性规划 用割平面法求解整数规划 用分支定界法求解整数规划 用枚举法（包括穷举法和隐枚举法）求解0－1规划 用拉格朗日法求解等式约束的凸二次规划 用起作用集法求解不等式约束的凸二次规划 用路径跟踪法求解不等式约束的凸二次规划