科赫雪花matlab代码

实验报告

实验名称：科赫雪花

实验目的：（1）介绍同一初始条件根据不同目的实现不同迭代的方式 （2）介绍在迭代中怎样利用自定义工具，进一步提高迭代技巧 操作步骤：（1）新建文件夹，画两点A、B

（2）把点A标记为缩放中心，以1:3的缩放比缩放点B，得到点B’ （3）把点B标记为缩放中心，以1:3的缩放比缩放点A，得到点A’ （4）以B’为中心，把点A’旋转60度得到点A’’ （5）画线段AB’、B’A’’、A’’A’、A’B

（6）把点B’、A’’、A’的标签分别改为C、D、E（如图所示）

（7）新建参数n=3

（8）先后选中点A、B，参数n=3，按住Shift键，选择“变换”→“深

度迭代”命令，显示迭代对话框后，单击点A、C；按Ctrl+A组合键，单击点C、D；按Ctrl+A组合键，单击点E、B。单击“显示”按钮，选择“最终迭代”选项，最后单击“迭代”按钮得到下图

（9）使“画线段”工具处于选中状态，按Ctrl+A组合键，选中所有线段。在按Ctrl+H组合键，隐藏选中的线段

（10）选中点C、D、E，按Ct

科赫雪花曲线的MATLAB编程实现

2.1 经一次迭代的科赫曲线 MATLAB实现程序如下： x1=[1 2 2.5 3 4]; y1=[0 0 0 0 0];

h1=plot(x1,y1,'linewidth',2,'erasemode','xor'); axis equal axis off

for g=linspace(0,1,40)*sin(pi/3); y1(3)=g;

set(h1,'ydata',y1); drawnow; end

一次迭代所得科赫曲线如图一： 图一：

2.2 经二次迭代的科赫曲线

MATLAB 实现程序如下： x2=x1(1); y2=y1(1);

for k=2:length(x1);

t=linspace(x1(k-1),x1(k),4) ; tt=[t(2),mean(t),t(3:4)]; x2=[x2,tt];

t=linspace(y1(k-1),y1(k),4); tt=[t(2),mean(t),t(3:4)]; y2=[y2,tt]; end

A=angle((y2(4:4:end)-y

[matlab图像处理] 阈值分割

%迭代式阈值分割 otsu阈值分割 二值化 close all;%关闭所有窗口 clear;%清除变量的状态数据 clc;%清除命令行 I=imread('rice.png'); subplot(2,2,1); imshow(I);

title('1 rice的原图'); %迭代式阈值分割

zmax=max(max(I));%取出最大灰度值 zmin=min(min(I));%取出最小灰度值 tk=(zmax+zmin)/2; bcal=1; [m,n]=size(I); while(bcal)

%定义前景和背景数 iforeground=0; ibackground=0;

%定义前景和背景灰度总和 foregroundsum=0; backgroundsum=0; for i=1:m

for j=1:n

tmp=I(i,j); if(tmp>=tk)

%前景灰度值

iforeground=iforeground+1;

多元线性回归和BP神经网络及决策向量机之间的比较，个人理解：

多元线性回归：就是多个属性的线性组合，在组合时，通过不断调节每个属性的权重来使多元线性回归函数更多的适用于多个样本。

BP神经网络：通过使用最快速下降法，通过反向传播来不断调整网络中的权值和阈值，使网络的误差平方和最小。 决策向量机：它仍是对每个样本操作，使得所有样本距离最终生成的拟合曲线的间隔最小化。 算法比较：

pmm1BP目标函数： J?(?j)22j?1j

?yd权值调整：

k?1?wij????Jk?1?wij决策向量机目标函数：min1/2w^2

支持向量机(Support vector machines，SVM)与神经网络类似，都是学习型的机制，但与神经网络不同的是SVM使用的是数学方法和优化技术。

学习效率的比较：

导入数据： File->import data

参数优化常用方法：

[train_pca,test_pca] = pcaForSVM(train_data,test_data,97);//主元分析

[bestCVmse,bestc,bestg,ga_option]=gaSVMcgForRegress(train_label,train_pca);

多元线性回归和BP神经网络及决策向量机之间的比较，个人理解：

多元线性回归：就是多个属性的线性组合，在组合时，通过不断调节每个属性的权重来使多元线性回归函数更多的适用于多个样本。

BP神经网络：通过使用最快速下降法，通过反向传播来不断调整网络中的权值和阈值，使网络的误差平方和最小。 决策向量机：它仍是对每个样本操作，使得所有样本距离最终生成的拟合曲线的间隔最小化。 算法比较：

pmm1BP目标函数： J?(?j)22j?1j

?yd权值调整：

k?1?wij????Jk?1?wij决策向量机目标函数：min1/2w^2

支持向量机(Support vector machines，SVM)与神经网络类似，都是学习型的机制，但与神经网络不同的是SVM使用的是数学方法和优化技术。

学习效率的比较：

导入数据： File->import data

参数优化常用方法：

[train_pca,test_pca] = pcaForSVM(train_data,test_data,97);//主元分析

[bestCVmse,bestc,bestg,ga_option]=gaSVMcgForRegress(train_label,train_pca);

[matlab图像处理] 阈值分割

%迭代式阈值分割 otsu阈值分割 二值化 close all;%关闭所有窗口 clear;%清除变量的状态数据 clc;%清除命令行 I=imread('rice.png'); subplot(2,2,1); imshow(I);

title('1 rice的原图'); %迭代式阈值分割

zmax=max(max(I));%取出最大灰度值 zmin=min(min(I));%取出最小灰度值 tk=(zmax+zmin)/2; bcal=1; [m,n]=size(I); while(bcal)

%定义前景和背景数 iforeground=0; ibackground=0;

%定义前景和背景灰度总和 foregroundsum=0; backgroundsum=0; for i=1:m

for j=1:n

tmp=I(i,j); if(tmp>=tk)

%前景灰度值

iforeground=iforeground+1;

交织码的Matlab代码

从广义上说，交织编码属于分组编码，但由于采用存储器实现交织，它同时又具有卷积编码的记忆特征。在发端，它将分组长度L的信息序列通过交织器重排，在收端通过解交织器恢复原序列，以求使信道中突发错误变为无记忆随机独立差错。交织编码是一种信道改造技术，它通过信号设计将一个原来属于突发差错的有记忆信道改造为基本上是独立差错的随机无记忆信道。交织编码作为克服衰落信道中突发性干扰的有效方法，通常和其它用于纠正无记忆独立差错的信道编码相结合构成级联码（见下文），广泛应用于当代移动通信。

交织码通常表示为（M，N），分组长度L=MN，交织方式用M行N列的交织矩阵表示。一般，交织方式分为分组交织和卷积交织。分组交织的交织矩阵按列写入，按行读出；去交织矩阵按行写入按列读出。卷积交织的交织矩阵和去交织矩阵的写入与读出均按行进行。

本次仿真采用（7，4）卷积交织编码。 性能参数如下：

?123171152721??82241812628???交织矩阵：??

15932519137????2216104262014??分组卷积交织前序号：

[ 1 2 3 4 5 6 7 8 9 10 12 13 14 15 16 17 18 19 20 21 2

卡尔曼滤波matlab 代码

kalman滤波matlab代码

%kalman filter卡尔曼滤波 clear clc

A = [1,1;0,1]; B = [1/2,1]'; C = [1,0];

x1(1)= 100; %初始化 x2(1)= 10;

x = [x1(1),x2(1)]'; z=C*x;

P = [1,0;0,1]; Q=[2,0;0,1] R = 10; g=0.98; u=-g;

I=eye(2);

for k=2:20

xk=A*x+B*u; %KF xg1(k)=xk(1); xg2(k)=xk(2);

z(k)=C*xk+wgn(1,1,10);

P=A*P*A'+Q; %KF Kk=P*C'/(C*P*C'+R); %KF x=xk+Kk*(z(k)-C*xk); %KF x1(k)=x(1); x2(k)=x(2);

e1(k)=x1(k)-xg1(k); e2(

clear all;

clc;

tic;

X=zeros(1000,4);Y=zeros(1000,4);U=zeros(1000,1);

M=3;

a=[28 18 74 74 70 72 60 36 12 18 14 90 78 24 54 62 98 36 38 32]; b=[42 50 34 6 18 98 50 40 4 20 78 36 20 52 6 60 14 58 88 54]; Aeq=zeros(20,80);

for j=1:20

for k=1:20

if j==k

Aeq(j,k)=1;

else

Aeq(j,k)=0;

end

end

for k=21:40

if k==j+20

Aeq(j,k)=1;

else

Aeq(j,k)=0;

end

end

for k=41:60

if k==j+40

Aeq(j,k)=1;

else

Aeq(j,k)=0;

end

end

for k=61:80

if k==j+60

Aeq(j,k)=1;

else

Aeq(j,k)=0;

end

end

end

Aeq;

A=zeros(4,80);

for i=1:4

for k=1:80

if i==1

for k=1:20

A(i,k)=1;

end

end

if i==2

for k=21:40

A(i,k)

1.%单y轴

2.plot(t*1e+9,abs(iGG)/max(abs(iGG)),'k','linewidth',2);

3.axis([-5,5,0,1])

4.xlabel('时间/ns');

5.ylabel('幅度/a.u.');

6.set(get(gca,'title'),'FontSize',10,'FontName','宋体');%设置标题字体大小，字型

7.set(get(gca,'XLabel'),'FontSize',10,'FontName','Times New Roman');%设置X坐标标题字

体大小，字型

8.set(get(gca,'YLabel'),'FontSize',10,'FontName','Times New Roman');%设置Y坐标标题字

体大小，字型

9.set(gca,'FontName','Times New Roman','FontSize',10)%设置坐标轴字体大小，字型

10.text(0.3,1.2,'(a)','FontSize',10,'FontName','Times New Roman');%设置文本字型字号

11.set(gca,'XTick',[0 10 20 30 40 50 6