以你想要的方式从 MATLAB 中导出一个图形（希望它在屏幕上的样子），对于统一的人来说可能是一个真正的头痛，这要归功于所有需要的设置，也由于一些怪癖（又名功能和错误）之类的功能print。export_fig 的第一个目标是将绘图从屏幕传输到文档，就像您期望的那样（同样，假设它出现在屏幕上），轻而易举。 第二个目标是使输出媒体适合出版，使您能够以最初预期的全部荣耀发表您的结果。这包括嵌入字体、设置图像压缩级别（包括无损）、抗锯齿、裁剪、设置色彩空间、alpha 混合和获得正确的分辨率。 也许展示 export_fig 可以做什么的最好方法是通过一些例子。 注意：目前仅支持使用函数或 GUIDEexport_fig创建的图形。figure使用 或 AppDesigner 创建的图形uifigure仅受部分支持。有关详细信息，请参阅问题#287、#261 。

1.领域：matlab，Bayesian贝叶斯全局优化 2.内容：基于高斯过程的Bayesian贝叶斯全局优化matlab仿真+代码仿真操作视频 3.用处：用于Bayesian贝叶斯全局优化编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

用于Matlab代码转stm32.c文件它支持： （1）Simulink应用程序对STM32进行配置 （2）STM32配置的生成依赖STM32CubeMX （3）生成的C代码依赖STM32CubeMX HAL 库 （4）支持串口RTioStream PIL(Processor In the Loop)

基于最小费用流(MCF)法的相位解包裹理论与实验验证-含Matlab代码.zip

基于Matlab的电阻炉温度控制系统设计及仿真比较.pdf

广义回归神经网络(GRNN Generalized Regression Neural Network）是美国学者 Don-ald F. Specht在1991年提出的,它是径向基神经网络的一种。GRNN具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性,适用于解决非线性问题。GRNN 在逼近能力和学习速度上较RBF网络有更强的优势,网络最后收敛于样本量积聚较多的优化回归面,并且在样本数据较少时,预测效果也较好。此外,网络还可以处理不稳定的数据。因此，GRNN 在信号过程、结构分析、教育产业,能源、食品科学、控制决策系统、药物设计、金融领域、生物工程等各个领域得到了广泛的应用。

该程序使用已知的 Kramer-Kronig 关系从实验测量的电吸收数据计算电折射光谱。 测量数据以 *.txt 格式调用到代码中，数据范围在 m 文件中以非常简单的方式进行操作。

使用方法参考博文：https://blog.csdn.net/m0_46427461/article/details/131281691，基于Solid Works建立的机械臂三维模型，可通过在SolidWorks中设定轴的相对基准坐标关系导出至STL格式，在Matlab中建立三维机械臂模型。

Matlab实现SVMD逐次变分模态分解时间序列信号分解（完整源码和数据) 1.Matlab实现SVMD逐次变分模态分解时间序列信号分解，运行主程序main即可，数据为一维时间序列信号数据。 2.赠送一个SVMD分解重构测试案例，运行test_svmd得到结果。 3.程序语言为matlab，运行环境matlab2018b及以上。 4.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 5.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 6.作者介绍：某大厂资深算法工程师，从事Matlab、Python算法仿真工作8年；擅长智能优化算法、神经网络预测、信号处理、元胞自动机等多种领域的算法仿真实验，更多仿真源码、数据集定制私信+。

本实现的目的是比较和总结报告的主要混合算法：[1] Deng、Xi、Bin Xie 和 Feng Xiao。 “边界变化减少（BVD）算法的一些实用版本。” arXiv 预印本 arXiv:1708.01148 (2017) 和 [2] Deng, Xi, et al. “具有移动界面的可压缩多相流的高保真不连续性解决重建。” 计算物理学杂志（2018 年）。 其中 WENO5 和 MUSCL 方法通过边界值递减 (BVD) 算法与 THINC 重建混合。 与往常一样，编写这些代码片段是为了让它们可读而不是完全优化的代码。