RBF-PSO prediction

在实际问题中，经常遇到需要研究两组多重相关变量间的相互依赖关系，并研究用一组变量（常称为自变量或预测变量）去预测另一组变量（常称为因变量或响应变量），除了最小二乘准则下的经典多元线性回归分析（MLR），提取自变量组主成分的主成分回归分析（PCR）等方法外，还有偏最小二乘（PLS）回归方法。 偏最小二乘回归提供一种多对多线性回归建模的方法，特别当两组变量的个数很多，且都存在多重相关性，而观测数据的数量（样本量）又较少时，用偏最小二乘回归建立的模型具有传统的经典回归分析等方法所没有的优点。  偏最小二乘回归分析在建模过程中集中了主成分分析，典型相关分析和线性回归分析方法的特点，因此在分析结果中，除了可以提供一个更为合理的回归模型外，还可以同时完成一些类似于主成分分析和典型相关分析的研究内容，提供更丰富、深入的一些信息。

卡尔曼滤波 粒子滤波等等 【源码目录】 bachelor-project-master ├── KalmanFilter │   ├── kf_initialization.m │   ├── kf_params.m │   ├── kf_plots.m │   ├── kf_prediction.m │   └── kf_update.m ├── LICENSE ├── Multilateration │   ├── lateration_murphyHerman.m │   ├── lateration_paulaAnaJose.m │   ├── lateration_plot.m │   └── lateration_weightedMurphyHerman.m ├── ParticleFilter │   ├── R2d.m │   ├── initialise_particles.m │   ├── motion_model.m │   ├── observation_model.m │   ├── plot_particles.m │   └── resampling.m ├── README.md ├── SignalModel │   ├── inv_path_loss_model.m │   └── path_loss_model.m ├── build_map.m ├── common.m ├── kf_main.m ├── lateration_main.m ├── osm │   ├── LICENSE │   ├── README.md │   ├── assign_from_parsed.m │   ├── debug_openstreetmap.m │   ├── dependencies │   │   ├── gaimc │   │   │   ├── dijkstra.m │   │   │   └── sparse_to_csr.m │   │   ├── hold │   │   │   ├── restorehold.m │   │   │   └── takehold.m │   │   ├── lat_lon_proportions │   │   │   └── lat_lon_proportions.m │   │   ├── plotmd │   │   │   └── plotmd.m │   │   ├── textmd │   │   │   └── textmd.m │   │   ├── xml2struct │   │   │   └── xml2struct_fex28518.m │   │   └── xml2struct.m │   ├── extract_connectivity.m │   ├── extract_sensors.m │   ├── get_unique_node_xy.m │   ├── get_way_tag_key.m │   ├── load_osm_xml.m │   ├── main_mapping.m │   ├── parse_openstreetmap.m │   ├── parse_osm.m │   ├── plot_nodes.m │   ├── plot_road_network.m │   ├── plot_route.m │   ├── plot_way.m │   ├── route_planner.m │   ├── show_map.m │   └── usage_example.m ├── pf_main.m ├── standalone │   ├── KalmanFilter │   │   ├── KF1D.m │   │   └── KF2D.m │   ├── Lateration │   │   ├── MurphyHerman.m │   │   ├── PaulaAnaJose_v1.m │   │   ├── PaulaAnaJose_v2.m │   │   ├── Trilateration.m │   │   ├── WeightedMultilaterationLLS.m │   │   └── WeightedMurphyHerman.m │   ├── ParticleFilter │   │   ├── particle_filter_sd_2d.m │   │   └── particle_filter_student_dave_basic_ex1.m │   └── misc │       ├── NearestNeighbor.m │       ├── ProjectPointOnSegment.m │       └── WeightedMultilaterationLLS.m └── utils     ├── R2d.m     ├── cart2geo.m     ├── convert2Cartesian.m     └── geo2cart.m 18 directories, 69 files

【实例简介】机器学习中的多示例包层次SVM分类算法 【核心代码】Bag_KI_SVM.m KI-SVM ├── Bag KI-SVM │   ├── Bag_KISVM_prediction.m │   ├── Bag_KI_SVM.m │   ├── Find_y.m │   ├── Find_y_linear.m │   ├── Max_Violated_y_set.m │   ├── Readme.htm │   ├── celltomatrix.m │   ├── genIndex.m │   └── normalization_gaussian.m ├── Instance KI-SVM │   ├── Find_y.m │   ├── Find_y_linear.m │   ├── Inst_KISVM_prediction.m │   ├── Inst_KI_SVM.m │   ├── Max_Violated_y_set.m │   ├── Readme.htm │   ├── celltomatrix.m │   ├── genIndex.m │   └── normalization_gaussian.m ├── experiments.m ├── experiments_KISVM_musk1.m ├── libsvm-mat-2.88-MI-svm │   ├── COPYRIGHT │   ├── Makefile │   ├── README │   ├── doc.txt │   ├── heart_scale.mat │   ├── make.asv │   ├── make.m │   ├── read_sparse.c │   ├── read_sparse.mexw32 │   ├── read_sparse.mexw64 │   ├── svm.cpp │   ├── svm.cpp.bak │   ├── svm.h │   ├── svm.h.bak │   ├── svm.obj │   ├── svm_model_matlab.c │   ├── svm_model_matlab.c.bak │   ├── svm_model_matlab.h │   ├── svm_model_matlab.obj │   ├── svmpredict.c │   ├── svmpredict.mexw32 │   ├── svmpredict.mexw64 │   ├── svmtrain.c │   ├── svmtrain.c.bak │   ├── svmtrain.mexw32 │   └── svmtrain.mexw64 └── normedmusk1.mat 3 directories, 47 files

hp实验室的忆阻器经典模型

内容包括： 雷达原理、 雷达信号与信号处理、 雷达系统的特殊考虑、 雷达检测 和 关于雷达的一些特殊主题，共五部分18章

进行多元线性回归

1-D信号压缩传感的实现(正交匹配追踪法Orthogonal Matching Pursuit)  % 测量数M>=K*log(N/K),K是稀疏度,N信号长度,可以近乎完全重构

【实例简介】互信息法求tau

Matlab_2psk仿真及高斯瑞丽信道下的误码率分析

单相逆变器的重复控制