DFT的matlab源代码 精心制作的COF 从文献中的实验数据库（CURATED）COF中自动跟踪，进行干净，统一和完善的自动跟踪。 该存储库包含来自文献搜索的原始结构，以及git跟踪的更正。 可在上获得具有DDEC费用的DFT优化框架。 cof-frameworks.csv包含cof-frameworks.csv列表 cof-discarded.csv包含因重复检测，未观察到的AA / AB堆叠变体，未观察到的n倍互穿或文档中报告的其他原因而被丢弃的cof-discarded.csv的列表。 cof-papers.csv包含用于在数据库中的COF的参考文件的列表：例如， p0701是COF的基准07010N3 ， 07011N3 ， 07012N3和07013N3 cifs/包含cof-frameworks.csv和cof-discarded.csv列出的cof-frameworks.csv所有晶体学信息文件（CIF）。 该数据库建立在名为的工作之上。 结构标签 引用为 原始版本： D.Ongari，AV Yakutovich，L.Talirz和B.Smit，建立一个一致且可重现的

DFT的matlab源代码包括数字图像处理 数字图像处理实验1 2 3 4 实验1：从bmp图像读取二进制数据。 实验2：DCT，IDCT和DFT，IDFT的实现。 实验3：使用Haar Wave实现GaussianFilter，MeanFilter，MedianFilter，Sobel运算符和DWT，IDWT。 实验4：前向目标和背景分割的视频处理。

强化学习matlab源代码很少见的源代码，详细介绍Q学习的编程过程。

DFT的matlab源代码火焰探测系统 该项目是基于视频的多功能火焰检测系统的不完全实现，这是我的毕业设计。 一些话要说 当我开始研究该主题时，我在Internet上发现了很多文章和很少的代码。 因此，当我最终完成它时，我决定将其开源。 请注意，该项目尚未准备好实际应用。 由于在该项目上花费的时间有限，因此仅对代码进行了部分优化。 但是，在Mac上进行测试时，响应时间是完全可以接受的。 搭建环境 该项目是在Mac OS X 10.9.3上使用Xcode 5.0.2构建的，并且是通过OpenCV 2.4.8实施的。 由于它不使用特定平台的任何本机接口，因此可以轻松移植到其他平台，例如Windows，Linux，Android等。 如果要使用保存视频功能，则需要确保OpenCV编译时支持FFMPEG，否则请自己编译。 结果 以下两个图像显示了结果。 流程 首先，使用颜色检测和运动检测对输入图像进行分割，然后提取候选火焰区域。 使用高斯混合模型进行背景建模以检测运动像素。 使用基于RGB和HSV颜色空间的火焰颜色模型来检测具有类似火焰颜色的像素。 将以上两个步骤的结果相交，以获取候选区域。

DFT的matlab源代码dft 离散傅立叶变换 在大学二年级时，我修了两个学期的信号理论课。 我发现，如果我没有积极地与他们合作，那么就很容易忘记我所学到的概念。 我创建了Python版本的DFT和逆DFT算法，以复习DFT的概念。 dft.py def dft(input) ：用于根据时域阵列input计算频谱S的函数。 根据公式S = V^H * s ，其中S是频谱， V^H是DFT矩阵的厄米（hermitian），并且input s def graph_freq_spectrum(freq_spectrum) ：用于绘制频谱图的功能。 使用plotly Python库实现 idft.py def idft(freq_spectrum) ：将频谱转换为时域正弦波的函数。 使用sympy Python库对符号方程进行建模。 到目前为止，它仅能提供原始功能的别名。 我还没有时间实现一种基于用户给定标准来找到正确频率的方法。 演示 用y=cos(pi*n)和y=sin(pi/2*n)简单示例演示上述功能 y = cos（pi * n）演示的输出 频谱（使用dft()计算）：[ dft(

基于MATLAB仿真的幅度调制AM、频率调制FM调制解调源代码。 正作调制解调方面的研究，有做类似项目的希望多多交流与沟通。 有资源大家共享啊！！！

基于DSP的matlab源代码 各种基本图像变换 灰度化 二值化等

沙猫群优化(Sand Cat Swarm Optimization, SCSO)算法是一种受自然界沙猫行为而设计的元启发式算法。 本资源仅供学习交流，严禁用于商业用途。

(完整word版)模拟夫琅禾费衍射的matlab源代码.doc

模式识别高分课程设计，利用BP神经网络对0-9的手写数字图像数据进行分类。 图像数据存放在Img的文件夹中，0-9每个数字各有55个样本，共550个图像样本数据。文件中的all_data.mat是为了对这些图像数据全部提取到MATLAB的工作区中，以便于MATLAB对数据的处理。载入后是一个4维的900×1200×10×55的阵列，900×1200为每一张图像的尺寸/分辨率，10指的是为0-9的10类图像，55是每一类的样本数目； 代码中有详细注释，整个过程分为：①载入图像数据；②裁剪图像的无效信息；③特征选择和提取；④特征预处理；⑤划分数据集；⑥网络训练；⑦网络测试；⑧用户验证过程 网络经多次测试后对训练样本和测试样本的分类准确率均在95%以上，MATLAB自建BP神经网络，代码每个过程都有注释详解，有利于读者对BP神经网络有更好的把握。 在用户验证过程中，向客户提供验证端口，读者在读懂代码的基础上，可以继续在此做一个UI界面或者接口，作为课程设计的话将会更加完善。