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

这段时间，自己学习了一些有关机器学习的算法，现在拿鸢尾花分类来对这四种进行巩固与回顾。 这些算法都是直接使用的skearn库的算法，并未自己编写。 鸢尾花的降维 import matplotlib.pyplot as plt from sklearn.decomposition import PCA from sklearn.datasets import load_iris data = load_iris() y = data.target X = data.data pca = PCA(n_components=2) reduced_X = pca.fit_transform(X) re

油水两相三维渗流IMPES方法软件设计说明书(概述) 内含：1、数学模型 2、差分方程组的建立 3、模型数据流 4、软件总体框架与主要模块 5、流程图

BARNESN 非结构化数据的 Barnes 平滑插值Vq = BARNESN（X，V，Xv）返回的平滑插值查询点 Xq 处的 D 维观测值 V(X)。 查询点 Xq 是通过对元胞数组 Xv 中的向量进行网格划分来创建，这些向量定义了每个维度的网格。 使用执行平滑插值巴恩斯客观分析的 Koch 形式 [2]。 粗略地说，（在 2D 中） 网格点 (xq, yq) 处的内插值 (vq) 被确定为数据点 (x, y) 处的值 (v) 的加权和，基于高斯加权函数 exp(-r^2 / s / g^j)，其中 r 是从 (xq, yq) 到 (x, y) 的欧几里德距离，s 是高斯方差， g 是收敛参数。 —— 参考书目： [1] Barnes, Stanley L.“使用加权的中尺度目标地图分析时间序列观察。”（1973） [2] Koch、Steven E.、Mary DesJardins 和

针对自治水下机器人(AUV) 的路径规划问题, 在三维栅格地图的基础上, 给出一种基于生物启发模型的三维路径规划和安全避障算法. 首先建立三维生物启发神经网络模型, 利用此模型表示AUV的三维工作环境, 神经网络中的每一个神经元与栅格地图中的位置单元一一对应; 然后, 根据神经网络中神经元的活性输出值分布情况自主规划AUV的运动路径. 静态环境与动态环境下仿真实验结果表明了生物启发模型在AUV三维水下环境中路径规划和安全避障上的有效性.

这个包提供了几个主要使用EM算法来拟合概率PCA和因子分析模型的函数。 PPCA是PCA模型的概率对应物。 PPCA 的优点是可以进一步扩展到更高级的模型，例如混合 PPCA、Bayeisan PPCA 或处理缺失数据的模型等。但是，该包主要用于人们理解模型的研究和教学目的。 代码简洁，易于阅读和学习。 该软件包现在是PRML工具箱的一部分（ http://cn.mathworks.com/help/stats/ppca.html ）。

zxing二维码解析过程中，解决BufferedImageLuminanceSource 报错，解决 import com.google.zxing.client.j2se.BufferedImageLuminanceSource;错误的问题。zxing-master-3.4.1 版本编译而来，已经亲自测试验证。

随着铝合金材料构件在各个领域的广泛应用，其内部缺陷的存在会导致产品不能正常使用甚至引起重大的安全隐患，所以对构件内部缺陷进行三维(3D)反演并判断缺陷形状日趋重要。以中心圆孔为内部缺陷的铝合金圆柱体作为研究对象，采用探头垂直入射的水浸式超声检测方法，将检测获得的时域信号经傅里叶变换得到频域关系后，依据检测构件缺陷位置和参考构件相同位置信号频域之间的关系，得到缺陷反演所需的散射场幅值的频域和时域数值，通过采用Born 近似方法对其内部缺陷进行三维反演研究。实验结果表明，尽管反演结果和实际相比，存在一定误差，但Born 近似方法仍旧能够较好地反演铝合金构件内部缺陷。

这是一个Cordova插件，用于进入二维码扫描界面并返回扫描结果，可用于Cordova自定义插件的开发的学习，插件直接安装可以正常使用。

本文提出了一种通过具有两个垂直线性阵列的窄带多输入多输出（MIMO）雷达系统进行二维成像的系统模型和方法。 此外，我们的方法的成像公式是通过傅立叶积分处理开发的，并且还检查了天线阵列的参数，包括跨范围分辨率，所需大小和采样间隔。 与在反向合成Kong径雷达（ISAR）成像中多次快照照明期间对散射回波进行采样的空间顺序过程不同，该方法利用空间并行过程在单个快照照明期间对散射回波进行采样。 因此，可以避免ISAR成像中的复杂运动补偿。 此外，在我们的阵列配置中，采用了以正交多相序列编码的多个窄带频谱共享波形。 来自不同滤波器带的压缩回波的主瓣可能位于同一范围内，因此，经典ISAR成像中的范围对准是不必要的。 提供基于合成数据的数值模拟以测试我们提出的方法。