包含的函数“ciclefit”估计由数据点表示的圆的半径和中心。 这是使用 Coopes 方法的修改版本（Coope, ID,Circle Fitting by Linear and Nonlinear Least Squares, 1993. http://link.springer.com/article/10.1007/BF00939613 ）实现的，它产生了与 Total 相当的稳健结果最小二乘法仅使用（可直接求解的）线性最小二乘法。 它已被修改为对数据点使用权重（因此使用加权线性最小二乘法）。 添加该修改是为了能够快速且稳健地估计给定路径的（因果）曲率。 包括一个快速演示 (circfit_DEMO.m)，它展示了一般的圆拟合以及如何使用它来估计曲率。

像 gplot 一样绘制图形。 但允许用户输入具有加权边和/或加权顶点的邻接矩阵。 边缘权重映射到颜色图。 顶点权重与顶点大小成正比。 使用参数-值对，用户甚至可以指定顶点缩放因子、边缘宽度和用于显示与顶点关联的其他元数据的颜色图。 （作为示例包含的几个图来自 David Gleich 的 matlabBGL 包。）

papr matlab代码限幅与加权 OFDM 用于降低 PAPR 的限幅与加权 OFDM 在此 matlab 代码中，我们比较了加权 OFDM 算法与削波算法的效率，以通过模拟降低峰值幅度功率比 (PAPR)

通过加权平均值计算房地产价格的软件，是市场比较法常用的定价的工具，让定价方便、快捷、准确。

计算一般无向图中的最大加权匹配。 可以选择只考虑最大基数匹配。 最初由 Joris van Rantwijk 用 Python 编写： http://jorisvr.nl/maximummatching.html 移植到 MATLAB，经许可（但未优化，例如模块化），Daniel R. Saunders，2013 年。BSD 许可。 http://danielrsaunders.com 。 原始标题如下： 该算法取自 Zvi Galil 在 ACM Computing Surveys, 1986 的“Efficient Algorithms for Find Maximum Matchings最大重量，均归功于杰克埃德蒙兹。 一些想法来自斯坦福大学博士 HJ Gabow 的“非二部图上最大匹配算法的实现”。 论文，1973。 Ed Rothberg 的最大重量匹配 AC 程序被广

超松弛再生matlab代码矩阵IRLS 矩阵迭代加权最小二乘（ MatrixIRLS ），用于低秩矩阵完成。 该资料库包含MATLAB的MatrixIRLS算法实现，该算法在MatrixIRLS上发表的论文中进行了描述。 MatrixIRLS论文所述，MatrixIRLS通过基于最佳权重算子并结合适当的平滑处理的迭代加权最小二乘（IRLS）步骤，使受输入数据约束的矩阵的奇异值的对数总和最小化目标的策略。 该实现使用bksvd的改编或Cameron Musco和Christopher Musco的改编以“低秩+稀疏”格式计算矩阵的奇异值和向量。 该存储库还包含用于低秩矩阵完成的参考算法的集合，请参见下面的列表。 在本文的实验部分中，将MatrixIRLS与这些算法的数据效率（提供的条目很少的性能）和可伸缩性进行了比较。 为了方便用户在文件夹中提供参考算法的实现。 这些实现都只包含作者原始代码的微小修改（以便进行时序实验）。 请参考相应的研究论文和原始实现，以获取标准参数选择的说明。 引文 如果您引用本文或代码，请引用为： @inproceedings{kuemmerleverdun202

采用二维加权串行迭代算法(WSI)设计了8台阶的衍射光学元件(DOE)进行激光光束整形,将圆形高斯激光束变换为10 μm×10 μm的方形均匀焦斑,同时满足了二维激光光束形状的改变及振幅分布均匀化的功能;应用到高密度全息存储中,实现了入射到记录材料上焦斑强度的均匀分布。模拟计算结果表明,转换到均匀区的能量效率达到91.2%,平顶区的不均匀度为4.6%,误差小于0.023%,基本上达到了设计的要求。同时分析了衍射光学元件对入射高斯光束的束腰半径及傅里叶变换透镜焦距的宽容度,还制作出了8台阶量化相位衍射光学元件的三套掩膜板。

基于扩展卡尔曼滤波和加权非线性最小二乘的二维同时定位与映射仿真 蓝色圆圈是机器人的真实姿势，红色圆圈是机器人的估计姿势 两个蓝星是特征的实际位置，两个红星是特征的估计位置 介绍 在Matlab中模拟具有两个要素和一个绕要素1旋转的机器人的2D地图。 （机器人可以观察到两个特征相对于自身的角度和距离）。 使用观察数据和控制数据分别基于扩展卡尔曼滤波器（EKF）和加权非线性最小二乘法（WNLS）来估计机器人的姿态和两个特征的位置（即通过EKF和WNLP解决简单的2D SLAM ）。 （SLAM）：是在构建或更新未知环境的地图同时跟踪代理在其中的位置的计算问题。 先决条件 所有代码仅在 视窗10 1809 Matlab R2018b 不能保证这些代码在其他版本中具有良好的兼容性。 用法 双击F00_Main_EKF.m以运行基于EKF的2D SLAM仿真。 双击F00_Main_NL

Keywords: passive localization; direction-finding (DF); crossing localization; weighted maximum likelihood estimation (WMLE); error analysis

椒盐图像的方向加权均值滤波算法