PDF电子书《GMM：高斯混合模型》，和大家分享

这篇文章比较详细的推到了GMM模型中的迭代公式的由来

离散控制Matlab代码具有完全相对度的不确定SISO线性植物的混合自适应逆。 Matteo Cocetti，Matteo Ragni，Sophie Tarbouriech，Luca Zaccarian 抽象的 我们为具有完整相对度的单输入单输出线性设备提出了一种混合自适应前馈调节器。 该方案包括一个自适应定律，该定律估计工厂的逆，并提供根据所需输出及其导数计算的前馈控制。 自适应是在离散的时间事件（称为jumps）中执行的，而前馈操作是连续的。 这种结合导致了完整的混合动力系统。 该框架的优点是在离散的适应动力学和连续的植物动力学之间进行了概念上的分离。 在激励持续存在的假设下，我们通过示例显示输出渐近跟踪所需的参考，并且逆参数的估计收敛。 示例存储库 该存储库包含本文中提供的示例的源代码和simulink模型。 要求： Matlab / Simulink（R2018a） Matlab控制系统工具箱 Matlab符号工具箱 用法： 打开文件example.slx并运行模拟。 数据是通过initSim准备的，在仿真开始时会自动调用它。 编辑initSim以测试不同的工厂/初始条件/过滤

关于Agilent ADS 中的混合仿真器ptolemy的详细使用完全手册，关注ADS-matlab, ADS-HDL cosimulation可以参考。

Para_cv1为初始化参数(见博客另一个文件) KF: 包括离散时间卡尔曼滤波 连续时间卡尔曼滤波 混合时间卡尔曼滤波 相较于simulink集成的KF模块，本模块简洁，容易后期修改

相干采样计算器

IDL与C#混合编程技术说明，详细的操作步骤

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前，主要采用 L0.或 L1 范数作为稀疏度量。L0 稀疏性好，但求解困难；L1 求解方便，但稀疏性差。提出一种近似稀疏模.型，并将其引入到多层非负矩阵分解(AL0-MLNMF)的高光谱解混中，将观测矩阵进行多层次稀疏分.解，提高非负矩阵分解高光谱解混的精度，提升算法的收敛性。仿真数据和真实数据实验表明：该算.法能够避免陷入局部极值，提高非负矩阵分解高光谱解混性能，算法精度上比其他几种算法都有较大.的提升效果，RMSE 降低 0.001~1.676 7，SAD 降低 0.002~0.2443。

matlab开发-混合动力汽车应用程序的超级电容器和电池电源管理。因德拉尼尔·萨基

0积分下载，代码运行效果图见压缩包