有趣的matlab代码

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

MATLAB游戏程序

目录

1.空格游戏 ............................................................................................................................ 2 2.华容道 ................................................................................................................................ 3 3.凑五子棋 .......................................................................................................................... 14 4.2048 ........................................................................................................

[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;

源代码： N=512;

disp('衍射孔径类型 1.圆孔 2.单缝 3.方孔')

kind=input('please input 衍射孔径类型：');% 输入衍射孔径类型 while kind~=1&kind~=2&kind~=3

disp('超出选择范围，请重新输入衍射孔径类型');

kind=input('please input 衍射孔径类型：');% 输入衍射孔径类型 end

switch(kind) case 1

r=input('please input 衍射圆孔半径(mm)：');% 输入衍射圆孔的半径 I=zeros(N,N);

[m,n]=meshgrid(linspace(-N/16,N/16-1,N)); D=(m.^2+n.^2).^(1/2); I(find(D<=r))=1;

subplot(1,2,1),imshow(I); title('生成的衍射圆孔');

case 2

a=input('please input 衍射缝宽：');% 输入衍射单缝的宽度 b=1000;% 单缝的长度 I=zeros(N,N);

[m,n]=meshgrid(

短线自考毕业论文

题 目： 基于Matlab/Simulink的

DSP代码生成

学生姓名： 龙文韬 学 号： 2201004 指导教师： 郭杰荣 专业班级： 电信00101班

完成时间： 2004年5月20日

目 录

引 言 ·························· 2 1 MATLAB/SIMULINK介绍 ·················2 DSP芯片介绍 ·····················2.1 什么是DSP芯片 ···················2.2 DSP芯片的开发 ···················3 系统级开发设计 ····················3.1 原理介绍 ······················3.2 开发工具 ······················3.2.1 TMS320C6701 EVM介绍 ··········

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)