具有用于 gpu 的 cusp 稀疏类的裸骨接口， 支持单精度，实数/复数。 用法： A=gcsparse(B,[格式: 0=coo, 1=csr]); 或者A=gcsparse(col,row,val,[nrows,[ncols,[格式]]]); 输入 B 是一个 matlab 数组、稀疏数组或 gcarray。 重载运算符： ctranspose: B=A.'; 转置：B=A'; 乘法：x=A*y； (spmv) 格式转换： B=real(A);A=complex(B);B=gcsparse(A,format); rowptr=ptr2row(A); 行 =grow2ptr(A); 例子： 真实/复杂速度测试：testgsparse.m accumarray: testRadavg.m 模板：testgnufft.m（氡变换示例） 笔记： 格式转换 row2ptr 和 ptr

1.领域：matlab，天线方向图 2.内容：基于matlab天线方向图仿真,包括均匀面阵方向图,均匀线阵方向图,均匀圆阵方向图+代码操作视频 3.用处：用于天线方向图算法编程学习 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。

函数 sphereTriangulation 离散一个球体参数化为： -半径R和- 分区数。 三角形是由吐出单位八面体三角形形成的，因此可以检索到漂亮的网格。 我的用途是用于 FEM 分析 - 结果被存储，以便它们可以用于保存在 STL 和进一步的网格划分中。 代码很短并带有注释，如果您有任何问题可以发布。

matlab中inv的函数代码适用于MATLAB的CIECAM02颜色外观模型和CAM02均匀ColorSpace 该代码基于两个来源： 彩色研究人员罗铭荣和李昌俊的彩色研究“ CIECAM02及其最新发展”一章于2012年5月26日发表在“高级彩色图像处理和分析”一书中。 色彩研究人员罗明龙，崔桂华和李昌俊的文章“基于CIECAM02色彩外观模型的统一色彩空间”，发表于“色彩研究与应用”杂志第31卷第4期，于2006年7月5日发表。 此MATLAB实现的灵感来自Nathaniel J. Smith编写的python模块“ colorspacious”，可在这里找到： Smith使用了非常全面的python模块“ colorspacious”来生成新的感知一致的颜色表，这些颜色表现在是MatPlotLib 2.0的默认设置。 这些颜色图也可在此处用于MATLAB： 我的目标是提供与常用Lab色彩空间转换一样简单的功能，同时提供在感知上更统一的色彩空间。 请注意，我用矩阵逆（例如inv（A）* b）和建议的且数值更精确的A \ b代替了计算。 看： 快速入门指南：和CIELAB一样简单！

此函数执行插值的速度比 MATLAB 的“interp1”函数快。 在小型库和搜索数组的限制下，它快了约 5 倍。 在大型库数组的限制下，qinterp1 具有平坦的缩放比例，而 interp1 具有线性增加的缩放比例（请参阅此文件的图像）。 qinterp1 需要一个均匀间隔、单调递增的 x 数组。 与 interp1 一样，qinterp1 为越界的 xi 值返回 NaN。 根据 John D'Errico 的建议，最近下邻方法已更改为现在使用真正的最近邻插值（以轻微的速度成本）。 关于错误检查的说明：因为对库数组的任何错误检查都会破坏平面缩放定律，因此该函数不对库（x 和 y）数组执行错误检查。 如果 y 和 xi 数组不是列向量或行向量，则此函数将返回错误。 输入“help qinterp1”以获取使用说明。 这对于很多版本应该是向后兼容的。 它是独立于平台的。 附图显

这个包有四个不同的文件。 编写代码以绘制均匀线性阵列光束模式。 光束模式取决于传感器之间的间距、传感器数量和信号波长或频率。 其中的两个文件也考虑了光束的电子转向。 将提示用户输入所需的传感器间距值、传感器数量和信号波长。 还提供 GUI 以选择传感器之间的间距。

计算机辅助几何设计与非均匀有理B样条 修订版 实例 教程 软件

遗传算法初始种群与操作参数的均匀设计.pdf

采用借位减方法实现均匀随机数的产生，然后进行一定的变换产生高斯随机数

启发式算法实现完全图分割 详情参见文章https://blog.csdn.net/C_1024/article/details/125582995 核心思想：首先随机将 V 划分成 2 个元素数目相等的集合 X0、X1 得到初始解，计算目标函数c([X0 , X1]) 。neighborhood 定义为交换 X0、X1中的一对点后得到的所有可能的 V 的划分的集合。采用穷举搜索策略，每次都选择 neighborhood 中目标函数最小的划分，逐步改进解，直到目标函数不能继续减小。