Matlab仿真长度和速率自适应MET QC-LDPC码的构造 该项目包含Matlab平台（工具链），用于构建文章U. Vasiliy，E。Sergey和G. Svistunov的“长度和速率自适应MET QC-LDPC代码通过循环组分解构建”长度和速率自适应MET QC-LDPC代码”，《 2019 IEEE东西方设计与测试研讨会（EWDTS）》，佐治亚州巴统，2019年，第1-5页。 它允许通过长度和速率自适应提升来进行几个步骤的筛分，该自适应提升基于以下条件不受原型约束的未定义约束： 图形属性（周长，EMD）； 代码属性； 模拟下的性能 VN等的可恢复性 它支持多胎面，浮点和定点仿真。 对于低级别的误码率（块误码率），我们建议不要使用仿真，而应使用重要性采样（）。 长度适应性提升（循环分解，多户楼层提升）方法也可以通过任何其他类型进行更改（例如，地面规模的模块化提升）。 筛选的其他参数：基于频谱的最小伪重量和代码权重下的Tanner-Vontobel-Koetter下限（），EMD频谱形状（），擦除恢复能力（）可以用作代码筛选的另一阶段。

Adaptive Control 2nd. Edt. by Karl.J.Astrom - solution 还不错 可以配套书籍一起学习

自适应控制入门教程。与反步控制形成一套完整控制逻辑。对于参数的估计，以及控制器设计，稳定性收敛，都提出了响应方法。本书重点介绍了确定性和自适应控制的确定性理论，重点是线性，连续时间，单输入单输出系统。

该资源时AFD经验模态分解的程序压缩包，包含AFD分解程序，可供大家使用，

Flare论文阅读总结（部分有参考知乎博主，侵删），本资源仅供本人使用

matlab代码粒子群算法自适应CLPSO Matlab代码用于宏观自适应综合学习粒子群优化器（MaPSO）和微观自适应综合学习粒子群优化器（MiPSO）算法。 抽象的 优化启发式算法（如粒子群优化器（PSO））的广泛使用对参数自适应提出了巨大挑战。 PSO的一种变体是综合学习粒子群优化器（CLPSO），它使用所有个人的最佳信息来更新其速度。 CLPSO的新颖策略使种群能够从特定世代的样本中进行读取，这称为刷新间隙m。 在本文中，我们开发了两类学习自动机（LA），以研究自动机对CLPSO刷新间隙调整的学习能力。 在第一类中，将学习自动机分配给总体，在第二类中，每个粒子都有自己的个人自动机。 我们还将所提出的算法与CLPSO和CPSO-H算法进行了比较。 仿真结果表明，我们的算法在性能，鲁棒性和收敛速度方面均优于同类算法。 参考 [1] Mohammad Hasanzadeh，Mohammad Reza Meybodi和Mohammad Mehdi Ebadzadeh，“，”在人工智能和信号处理中，Springer国际出版，2014年，第267-276页。

PBFDAF方法介绍： On the implementation of a partitioned block frequency domain adaptive filter (PBFDAF) for long acoustic echo cancellation.pdf

该包通过混合自适应提供了自适应图像去噪算法的实现。 所提出的方法 [1, 2] 采用从通用外部数据库中学习到的通用先验，并将其适应噪声图像以生成特定先验，然后将其用于 MAP 去噪。 所提出的算法是严格推导出来的从贝叶斯超先验的角度来看，并进一步简化以降低计算复杂度。 要对去噪性能进行整体评估，请运行演示文件：“demo.m”。 如需更多信息和引文，请参阅： [1] E. Luo、SH Chan 和 TQ Nguyen，“通过混合自适应进行自适应图像去噪”，IEEE Trans。 图像处理。 2016 年。 [2] SH Chan、E. Luo 和 TQ Nguyen，“基于 EM 适应的自适应补丁图像去噪”，Proc。 IEEE 全球会议信号信息处理。 （GlobalSIP'15），2015 年 12 月。

复杂的自适应系统森林火灾模型扩展 扩展了Netlogo 6.0库中的Forest Fire Extension 1模型，使其包含随机自发启动。 为了研究消防效果，提出了两个单独的模型，第一个基于传统的监视塔，以提供性能基准，第二个基于无线传感器网络。 与传统的钟楼相比，无线传感器网络被证明是一种非常经济高效的解决方案。

该软件包包含 3 个 MCMC 功能： RWM.m - 具有最佳接受率调整的标准 Metropolis Hastings。 [N.Metropolis，AWRosenbluth，MNRosenbluth，AHTeller和E. Teller，“通过快速计算机进行状态计算的方程”，《化学物理学报》，第1卷。 21，没有。 6，第 1087-1092 页，1953 年] AM.m - 具有最佳接受率调整的自适应大都会。 [H。 Haario、E. Saksman 和 J. Tamminen，“自适应 Metropolis 算法”，伯努利，卷。 7，第 223-242 页，2001 年] FSS.m-具有最佳初始宽度调整的因子切片采样。 [MM Tibbits、C. Groendyke、M. Haran 和 JC Liechty，“自动因子切片采样”，《计算和图形统计杂志》，第 2 期。