信号与系统：基于MATLAB的方法

自适应信号处理习题及答案.pdf

自适应信号处理习题及手写答案，广东工业大学自动化学院考试，如有问题，可联系邮箱，libertyhhn@foxmail.com。

空时自适应信号处理-王永良.pdf

空时自适应信号处理-王永良 信号处理方向的书籍 分享分享了~~

通信中的自适应信号处理 邱天爽 电子工业出版社

包括绪论、自适应滤波器的基本原理、通信信号波形的数字表示、通信中的自适应系统辨识、信道估计与均衡、通信中的自适应噪声抵消、自适应时间延迟...信号处理与波束形成、自适应天线系统、移动通信中的自适应信号处理...

统计与自适应信号处理课后习题答案.pdf

Solutions Manual for statistical and adaptive signal processing [美]Dimitris G. Manolakis\ Vinay K....统计与自适应信号处理【美】Dimitris G. Manolakis等著 全书课后习题详细解答，共467页。

统计与自适应信号处理中文版DSP

统计与自适应信号处理中文版 数字信号处理二 电子工业出版社

自适应信号处理课程设计题目及程序

自适应信号处理课程设计的题目和程序，程序都可以运行，而且有图

自适应信号处理的大作业

第三次大作业的内容包括了MVDR的自适应实现，采用噪声抵消的思路，将接收信号分为两路，并自适应的提取信号中的干扰和噪声部分，与第一路信号做差，从而得到仅剩的来波目标信号。 内置两篇参考文献和两个程序，一个...

自适应信号处理.pdf

自适应信号处理.pdf

空时自适应信号处理_空时自适应_ACP_雷达_空时自适应信号处理_

空时自适应信号处理，用于合成孔径雷达东目标检测，ACP，AEP方法

西电研究生2014自适应信号处理大作业1

西电研究生2014自适应信号处理大作业第一次的

何振亚自适应信号处理

东南大学何振亚老师的经典之作，全面系统的阐述了自适应信号处理的理论与应用

Matlab 基于BP神经网络的数据分类预测 BP分类

1. Matlab实现BP神经网络的数据分类预测（完整源码和数据) 2. 多变量输入，单变量输出（类别），数据分类预测 3. 评价指标包括：准确率 和 混淆矩阵 4. 包括拟合效果图 和 混淆矩阵 5. Excel数据，要求 Matlab 2018B及以上版本

LSTM时间序列神经网络预测MATLAB代码

MATLAB代码，直接运行，可以换数据。

Matlab 基于支持向量机(SVM)的数据回归预测 SVM回归

1. Matlab实现支持向量机的数据回归预测（完整源码和数据) 2. 多变量输入，单变量输出，数据回归预测 3. 评价指标包括：R2、MAE、MSE、RMSE 4. 包括拟合效果图和散点图 5. Excel数据，暂无版本限制，推荐2018B及以上版本 注：采用 Libsvm 工具箱（无需安装，可直接运行），仅支持 Windows 64位系统

ADRC控制器仿真 simulink 2017a版本

ADRC控制器仿真 simulink 2017a版本

matlab2020b ubuntu.txt

matlab2020b ubuntu 安装文件，有教程，看我博客。

基于蚁群算法的三维路径规划(matlab实现)

  三维路径规划指在已知三维地图中，规划出一条从出发点到目标点满足某项指标最优，并且避开了所有三维障碍物的三维最优路径。现有的路径规划算法中，大部分算法是在二维规划平面或准二维规划平面中进行路径规划。一般的三维路径规划算法具有计算过程复杂、信息存储量大、难以直接进行全局规划等问题。已有的三维路径规划算法主要包括A*算法、遗传算法、粒子群算法等，但是A*算法的计算量会随着维数的增加而急剧增加，遗传算法和粒子群算法只是准三维规划算法。         蚁群算法具有分布计算、群体智能等优势，在路径规划上具有很大潜力，在成功用于二维路径规划的同时也可用于三维路径规划，代码采用蚁群算法进行水下机器人三维路径规划。

基于智能优化算法的双层优化求解(matlab代码)

除了数学规划方法之外，还可采用智能优化算法求解双层优化问题，一般在上层优化中采用智能优化算法，下层优化使用数学规划方法；也可以在上下层优化中都采用智能优化算法，这篇博客将进行详细介绍。算例依旧使用上面两篇博客中的线性双层优化问题，由于这个优化问题比较简单，我们采用最基础的粒子群算法进行求解。​ 资源包括三个部分： 1.基础粒子群算法的matlab代码 2.采用粒子群算法求解带约束的优化问题matlab代码 3.采用粒子群算法求解双层优化问题的matlab代码 智能优化算法无法避免的问题，即使是一个非常简单的目标函数，求出的结果也无法保证是全局最优，那么当目标函数变复杂时，情况将会更糟糕。现在对智能优化算法的研究非常多，各种动植物园算法、各种改进都层出不穷，但还是无法从根本上解决算法无法保证全局收敛的问题。         所以，只有在数学模型比较复杂，非线性条件很多，而且对结果的误差是可以接受的情况下，才建议使用智能优化算法进行求解。

调频连续波（FMCW）雷达二维FFT代码matlab

给出了二维FFT的详细仿真，雷达测速测距的注解

基于蚁群算法的二维路径规划(matlab实现)

路径规划算法是指在有障碍物的工作环境中寻找一条从起点到终点的、无碰撞地绕过所有障碍物的运动路径。路径规划算法较多，大体上可分为全局路径规划算法和局部路径规划算法两类。其中，全局路径规划方法包括位形空间法、广义锥方法、顶点图像法、栅格划归法； 局部路径规划算法主要有人工势场法等。

2024 年高教社杯全国大学生数学建模竞赛 C 题 农作物的种植策略（详细思路+matlab代码+python代码+论文范例）

2024 年高教社杯全国大学生数学建模竞赛 C 题 农作物的种植策略（详细思路+matlab代码+python代码+论文范例）

美赛各题常用算法程序与参考代码.rar

针对A—F赛题分别有对应的算法代码，都是matlab程序

MATLAB深度学习入门实例（果树病虫害识别VGG19版）

本系列课程利用MATLAB进行深度学习，课程将从数据集设置、模型搭建、模型训练、模型测试、模型评价等方面，深入介绍MATLAB深度学习工具箱。最后利用一个实例——多种果树病虫害识别。（这是最新版，2022年5月更新！）

PID仿真实验报告（含simulink仿真文件）

压缩包内有PID仿真实验报告和simulink仿真文件，相应的文章：https://blog.csdn.net/Fan_zhaoyang/article/details/119410248#comments_20936284

MATLAB基于遗传算法优化BP神经网络（GA-BP）的预测模型

基于matlab建模，本模型是通过遗传算法优化BP神经网络进行预测，最后输出进化过程图、预测效果对比图、误差图和RMSE、MAE、MAPE、R2等评价指标。可以结合自己的数据集运行，需要修改的地方均备注了，适合新手入门，包括main.m、BpFunction.m、Objfun.m三个.m文件。 本文件代码是基于【每行一个样本，每列一个特征】，如果数据集以列为样本请注意转置！运行前需安装matlab遗传算法工具箱。

机器学习-鸢尾花数据集下载

机器学习的经典案例就是鸢尾花进行分类，本资源包括了鸢尾花的四种数据和四类数据下所对应的鸢尾种类，数据分成训练学习模型所需要的数据和对训练模型评估所需要的数据，为方便对数据进行导入，表头也已经填好，导入软件不用更改表头。

matpower解决linprog的错误补丁

使用matpower version 7.1 and 8.0. ，MATLAB R2023a，输入test_matpower 或者 test_most出现一下错误时可以使用，亲测有效 Error using linprog LINPROG(f,A,b,Aeq,beq,LB,UB,X0,OPTIONS) does not accept X0. Use LINPROG(f,A,b,Aeq,beq,LB,UB,OPTIONS) instead. Error in qps_ot (line 268) linprog(c, Ai, bi, Ae, be, xmin, xmax, x0, ot_opt); Error in qps_master (line 266) qps_ot(H, c, A, l, u, xmin, xmax, x0, opt); Error in t_qps_master (line 107) [x, f, s, out, lam] = qps_master([], c, A, l, u, xmin, [], [], opt); Error in t_run_test

SSA麻雀搜索算法Matlab（免费）

SSA麻雀搜索算法Matlab 博客 https://blog.csdn.net/u011835903/article/details/108830958 源代码

【通信原理课程设计】基于MATLAB/Simulink的2ASK数字带通传输系统建模与仿真

调制采用模拟相乘法或者数字键控法， 解调采用非相干解调法(包络检波法)或者相干解调法。 数字基带信号（二进制信号）及载波信号（正弦波信号）显示； 未加噪声已调信号（2ASK）及叠加噪声的已调信号（2ASK加高斯噪声）的显示。 解调模块建模： 如果采用非相干解调法，要求显示： 数字基带信号与已调信号； 整流后信号； 滤波后信号； 抽样脉冲； 解调信号。 原文链接：https://blog.csdn.net/weixin_57807777/article/details/128190726