FSIM has the ability to generate pseudo-random patterns with various starting seeds and fault-simulate them. You can use this capability to test your own code on pseudo-random numbers, and use it as a comparison for more intelligent BIST approaches. FSIM能够根据不同种子，产生伪随机向量，并且进行故障模拟。

NET 的结构在“RVFLNs 的综合评估”中有描述张乐，PN Suganthan，信息科学学习系统在“Modified BP Algorithm”、Verma BK 和穆拉卡 JJ, 1994 这两种方法在这些代码中结合

X = rmvnrnd(MU,SIG,N,A,B) 在 N×P 矩阵 X a 中返回从 P 维多元正态中抽取的随机样本均值 MU 和协方差 SIG 截断为 a 的分布由不等式 Ax<=B 定义的超平面界定的区域。 [X,RHO,NAR,NGIBBS] = rmvnrnd(MU,SIG,N,A,B) 返回算法接受-拒绝部分的接受率 RHO （见下文），由生成的返回样本的数量 NAR 接受-拒绝算法，以及返回的 NGIBBS 数算法的 Gibbs 采样器部分。 rmvnrnd(MU,SIG,N,A,B,RHOTHR) 设置可接受的最小值算法接受-拒绝部分的接受率到 RHOTHR。 默认值是经验确定的值2.9e-4。

随机向量.

LPSS 代码根据拉丁化部分分层抽样方法在 [0,1] 上生成 n 维均匀样本。 该方法用于推广拉丁超立方抽样方法，以便在用户指定维度的子域上进行分层。 该方法详细描述于： Shields, MD 和 Zhang, J.（2016 年）。 “拉丁超立方体采样的推广。” 可靠性工程和系统安全。 148：96-108。 提供了一个简单的演示，以图形方式显示了如何根据两个二维子域和一个一维子域的分层来构建五维样本。 还提供了适用于 Shields 和 Zhang 提出的 6 维板屈曲问题的代码。

% 函数 X = TruncatedGaussian(sigma, range) % X = TruncatedGaussian(sigma, range, n) 生成一个大小为 n 的伪随机向量 X，X 是从 RANGE 中截断的高斯分布中抽取的； 并且满足 std(X)=sigma。 RANGE 的形式为 [left,right]，定义 X 所属的刹车。 对于标量输入范围，刹车是 [-RANGE,RANGE]。 如果输入 SIGMA 为负，则 X 将被迫具有与具有标准偏差 -SIGMA: N(0,-SIGMA) 的无界高斯分布函数相同的“形状”。 它类似于调用 RANDN 并丢弃 RANGE 之外的值。 在这种情况下，截断高斯的标准偏差将不同于 -SIGMA。 *有效*平均值和有效标准偏差可以通过调用获得： [X mean Effective sigma Effective]