本资源讲述了如何在matlab中创建数组并做了非常详细的汇总，包括数组和向量、矩阵、张量的区别，重点是解决matlab中如何创建N维数组以及怎么给他循环赋值等等，非常详细地总结了一系列创建二维数组的方法如eye、rand、ones等近十种创建方法，其中有从已知的数组（矩阵、向量）创建一个新数组的方法（升维），并且在持续更新中，我这主要简述创建方法，相关运算会在下一篇文章介绍，这样可以有助于初学者分模块理解与记忆，并且其中的算法思想非常值得新手借鉴，同时示例了再matlab中如何书写for循环、变量的定义、输入与输出，以及一些常见的命令，总之希望对大家有帮助，我会持续更新！

FCOLSHIFT 在列维度上按向量 s 进行分数循环移位。 y = fcolshift(X, S) 其中 X 是 M 行 x N 列的二维矩阵。 S 是长度为 N 的向量。该函数将矩阵 X 的第 i 列循环移位等于 s[i] 个像素的量。 由 Francois Bouffard 在https://www.mathworks.com/matlabcentral/fileexchange/7886-fshift 上首次实现的 fshift 扩展而来 例子： X = [ 1 2 3; 4 5 6; 7 8 9]； % 输入矩阵S = [1 -2 0] % 要执行的移位量。 是 = 7 8 3 1 2 6 4 5 9 基于 Francois Bouffard 对 fshift 的首次实现。 作者：Tan H. Nguyen - 麻省理工学院。 请向 thnguyn@mit.edu 报告错误

二、变换矩阵求逆 方式1： 方式2： 2.4、齐次变换矩阵的运算(续)

主要为大家详细介绍了unity实现贴图矩阵运算，旋转平移缩放，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

噪声图用于评估世界各地城市的噪声水平。 产生噪声图的方法主要有两种：一种是通过对周围环境（例如交通流量，建筑物分布等）的理论模拟来产生噪声图；另一种方法是通过对周围条件的理论模拟来产生噪声图。 另一个是使用来自噪声监控器的实际测量数据来计算噪声水平。 当前，文献主要集中在考虑更多因素，这些因素在基于噪声测量生成噪声图的过程中，在理论模拟和插值方法期间影响声音传播。 尽管在仿真过程中考虑了许多因素，但噪声图必须通过实际的噪声测量来校准。 因此，获得噪声数据的方式对于产生和校准噪声图都是重要的。 但是，很少有文献提及有关在放置指定数量的噪声传感器时确定正确的监视位置并给出由它们产生的数据所产生的噪声图的偏差的规则。 在这项工作中，利用矩阵灰色绝对关联度理论，我们计算出了最精确的噪声表面与内含指定数量的噪声数据的不同内插值之间的关系度。 我们发现，用噪声数据的不同组合绘制的曲面产生的关联度最高，而精确度最高。 然后，我们在总数中确定最低的一个，并计算出在制作噪声表面时将其排除在外的相应偏差。 以相同的方式处理左噪声数据，我们一一找出了左数据中最不重要的数据。 通过这种方法，我们优化了大约2

在多输入多输出-正交频分复用(MIMO-OFDM)系统中,通过联合估计信道矩阵和干扰协方差矩阵(ICM)的方法来抑制同信道干扰.首先,利用最小二乘法和残差估计方法获取信道矩阵和ICM的初始估计值;然后,基于Cholesky分解方法对ICM的估计值进行改善,并利用改善后的ICM估计值对信道矩阵估计值进行更新.该方法充分利用了时域和频域中的所有可用信息,提高了信道估计精度,较好地抑制了同信道干扰.仿真结果表明:与其他可实现的非迭代方法相比,该方法所得的信道频率响应估计均方误差性能增益高于2 d B;信干噪比(SINR)越大,比特误码率性能的改善程度越好,并且随着天线数的增多,性能增益也增大.

首次提出了矩阵灰色绝对关联度的概念，并对相应性质进行了数学证明，给出了曲面灰色关联分析的实例验证．已有灰色关联理论只能进行序列之间的关联分析，其几何意义是曲线之间的整体相似性比较；给出的矩阵灰色绝对关联度可以进行相同维度矩阵之间的关联分析，其几何意义是曲面之间的整体相似性比较．矩阵灰色关联分析有望为诸如环境监测点位优化、图像处理中的人脸部位提取等二维信号处理提供新的技术手段．

该函数对金融时间序列的相关矩阵进行特征分解，过滤掉市场模式分量和噪声分量，只留下相关矩阵中与原始时间序列集合中的细观结构相对应的分量。 该函数旨在与社区检测算法（例如 Louvain 方法）结合使用，以允许在基于时间序列的网络上进行社区检测

学过数据结构的都做过， 这个程序是我自己写的，独一无二。 希望有兴趣的人反馈些意见 谢谢

稀疏矩阵算法的C语言实现·····································