FYP_code Final Year Project Multi-Pedestrian tracking MATLAB 源代码

DFT的matlab源代码傅立叶和希尔伯特变换 分析信号的工具 目前有3个文件。 FFT.cpp是快速傅立叶变换的一个实现（仍然缺少逆变换实现），在main函数中有一个示例，该示例使用转换后的数据向量写出一个文件。 hilbert c ++。cpp是Hilbert变换的实现（使用DFT而不是FFT，仍然尝试在此处实现FFT而不是DFT）。 modulation.cpp是AM调制的一种实现方式，用于信号分析，包括SSB调制及其各自的解调。 请注意，在最后一个文件中，我使用了hilbert c ++。cpp中定义的函数，因此，如果要使用在那里定义的函数，则必须将其作为头文件.h包括在内。

DFT的matlab源代码kfr-fft 高度优化的FFT KFR是快速，现代的C ++ DSP框架，DFT / FFT，音频重采样，FIR / IIR滤波，Biquad，矢量函数（SSE，AVX） 特征 FFT针对SSE2，SSE3，SSE4.x，AVX和AVX2处理器进行了优化 双精度和单精度 表演 FFT（双精度，大小范围从1024到16777216）有关基准测试过程的详细信息，请参见。 先决条件 macOS：XCode 6.3、6.4、7.x，8.x Windows：MinGW 5.2和Clang 3.7或更高版本 Ubuntu：GCC 5.1和Clang 3.7或更高版本 CoMeta元编程库（已包含） 测验 执行build.py以运行测试或从tests目录手动运行测试 在以下系统上测试： OS X 10.11.4 / AppleClang 7.3.0.7030031 Ubuntu 14.04 / gcc-5（Ubuntu 5.3.0-3ubuntu1〜14.04）5.3.0 20151204 / clang版本3.8.0（tags / RELEASE_380 / final

matlab 源代码 二次规划 经典奉献

DFT的matlab源代码DFTD3 这是S. Grimme及其同事的重新包装版本。 原始程序（V3.1 Rev 1）已于2016-04-03下载。 它已转换为自由格式，并封装到模块中。 来源分为两部分： 具有核心功能的库。 希望使用DFT-D3方法计算色散的第三方应用程序可以直接使用此功能。 命令行工具DFTD3和命令行工具本身必需的其他扩展。 更新了dftd3代码，以包括经过改装/修改的Sherrill和同事的零和BJ阻尼D3版本（-bjm和-zerom）（功能对应于V3.2 Rev0） 汇编 编辑文件make.arch以反映您的编译器和链接器。 然后，您可以发出以下命令之一： make lib ：在lib /目录中构建库libdftd3.a和必需的模块文件（* .mod）。 make dftd3 ：在目录prg /中构建可执行文件dftd3。 make testapi ：为目录test /中的库（testapi）构建一个简单的测试器。 该测试仪的源代码演示了第三方代码如何使用该库。 如果仅发出make ，则将编译所有三个目标。 学分 使用库或dftd3工具时，请引用： S.Gri

DFT的matlab源代码D3色散模型 dftd3简单直接替换。 该程序提供了DFT-D3色散校正的小型且易于使用的实现（请参阅和了解详细信息）。 它主要基于程序，并从中的实施中借用了一两个想法。 安装 conda包装 这个项目是为conda软件包管理器打包的，可以在conda-forge频道上找到。 要安装conda软件包管理器，我们建议安装程序。 如果conda-forge频道尚未启用，请使用以下命令将其添加到您的频道中 conda config --add channels conda-forge 启用conda-forge频道后，可以使用以下方法安装该项目： conda install simple-dftd3 可以使用以下命令列出平台上可用的所有版本： conda search simple-dftd3 --channel conda-forge 现在您可以使用s-dftd3 。 从源头建造 要从此存储库中的源代码构建该项目，您需要 支持Fortran 2008的Fortran编译器 版本0.53或更高版本 构建系统后端，即1.7版或更高版本 可选的依赖项是 BLAS（通过-

在此代码中，提供了 14 种方法来规范化数据。 将未归一化（或原始）的数据输入到特定的方法中，得到相应的归一化数据。

BP神经网络解决字母识别问题matlab源代码BP神经网络解决字母识别问题matlab源代码

内容包括： 数字图像处理(冈萨雷斯matlab版)工具包 dipum_1.1.3 冈萨雷斯数字图像处理matlab版源码 冈萨雷斯数字图像处理MATLAB版图片

DFT的matlab源代码ElemNet ElemNet是一个深层神经网络模型，仅将元素组成作为输入，并利用人工智能自动捕获基本化学成分以预测材料性能。 ElemNet可以自动学习不同元素之间的化学相互作用和相似性，这使得它甚至比传统的基于物理属性学习领域知识的机器学习模型更准确地预测训练数据集中不存在的化学系统的相图。 该存储库包含用于执行数据处理，模型训练和分析的代码，以及经过训练的模型。 如果您有大型数据集（例如OQMD），则应从头开始训练模型。 否则，对于较小的DFT计算或实验数据集，最好使用从预训练模型中进行的转移学习来训练模型，如下所示。 安装要求 重复使用这些环境的基本要求是Python 3.6.3 Jupyter环境，其中的软件包列在requirements.txt 。 某些分析需要使用，而Java需要Java JDK 1.7或更高版本。 参见[喜p文档以了解详细信息]。 源文件 培训ElemNet模型的代码以及在我们的工作中[1]产生的经过训练的模型都可以在上找到。 其他文件夹包含与为表征ElemNet而执行的不同分析相关联的脚本。 分析笔记本应该是自描述的，在其他情