基于深度学习的异常检测与定位(MATLABR2019a) 图片异常检测与定位，MATLABR2019a实现基于深度学习的异常检测与定位。

基于机器学习算法的特征值分类(MATLABR2019b)：特征值分类 (EigenClass)。 在这项研究中，提出了一种精确高效的基于特征值的机器学习算法，特别是特征值分类（EigenClass）算法，用于处理分类问题。 使用具有不同属性和类别的 20 个不同数据集的数量进行比较。每个算法都经过 5 折交叉验证训练和测试 30 次。然后根据最常用的度量（例如准确度、精确度、召回率、微观 F 度量和宏观 F 度量）将结果相互比较。

牛顿插值matlab源代码KDL_IK_rr_bridge 用于KDL逆运动学求解器的MATLAB RR桥 运行KDL_IK_RR.m托管服务。 在另一个MATLAB实例中运行testIK_RR.m来验证连接。 使用vs2015 MEX构建的KDL库和使用TDM-GCC-64构建的KDL库在另一个环境中，您可能需要从源代码重建KDL和mex函数。 KDL： 构建KDL之后： 将orocos-kdld.lib放在RR网桥根文件夹中 将KDL * .cpp文件和头文件放在RR桥根文件夹中。 将实用程序文件夹和Eigen文件夹也放置在RR网桥根文件夹中。 4）运行以下：MEX ik_solver_kdl.cpp stdafx.cpp articulatedbodyinertia.cpp chain.cpp chaindynparam.cpp chainfksolverpos_recursive.cpp chainfksolvervel_recursive.cpp chainidsolver_recursive_newton_euler.cpp chainidsolver_vereshchag

MATLABR2020b基于模型的自主交通仿真

MATLABR2010b32位和64位安装程序下载与安装步骤

# 在 Simulink上使用任意时间序列模型进行递归预测 包括ARIMAX、LSTM、GRU和SSM模型。 让我们在 Simulink 上运行时间序列预测！！​ ＃＃ 介绍 本页具体介绍如何针对以下需求实现时间序列模型。 - 在开发中的 Simulink 模型上构建深度学习功能​ - 在 Simulink 上尝试各种时间序列模型​ - 在 Simulink 模型上实现 MATLAB 产品系列支持的功能​ 每个文件夹都有 MATLAB 代码和 Simulink 模型，它们的名称分别对应于时间序列模型或神经网络层。 ## 关键要点 它们提供了递归预测时间序列的功能，每个示例都描述了如何在 Simulink 上实现它们的功能并通过 MATLAB Function 模块调用它们。该技术不仅适用于上述产品，还可以采用其他产品提供的附加功能进行时间​​序列分析，特别是回归， ＃＃ 要求 * MATLAB * 模拟链接 * 深度学习工具箱 * 计量经济学工

研究机器人路径规划优化问题,机器人工作环境复杂,运动路径上存在许多障碍物.针对提高机器人安全导航性能问题,传统群智能算法存在早熟,搜索效率低等难题,难以获得全局最优路径.为了获得最优机器人运动路径,避免碰撞的发生,提出了一种人工蜂群算法的机器人路径规划方法.首先采用栅格法对机器人工作环境进行建模,然后机器人路径规划目标点作为蜜源,最后蜂群之间信息交换,协作搜索最优机器人运动路径.结果表明,人工蜂群算法解决了传统群智能算法存在的难题;加快了机器人路径规划求解速度,以较短时间找到最短机器人运动路径. ABC(Artificial BeesColony)算法最先由Basturk等人提出并应用于函数优化问题. 采蜜蜂采用贪婪准则，比较记忆中的最优解和邻域搜索解，当搜索解优于记忆最优解时，替换记忆解；反之，保持不变。在所有的采蜜蜂完成邻域搜索后，采蜜蜂跳摆尾舞与跟随蜂共享蜜源信息。跟随蜂根据蜜源信息以一定概率选择采蜜源，蜜量大的采蜜蜂吸引跟随蜂的概率大于蜜量小的采蜜蜂。同样，跟随蜂在采蜜源附近邻域搜索，采用贪婪准则，比较跟随蜂搜索解与原采蜜蜂的解，当搜索解优于原采蜜蜂的解时，替换原采蜜蜂的解，完

Matlab RGB代码================================================== ============================= 卷积两流网络融合，用于视频动作识别 该存储库包含我们的CVPR 2016论文的代码： Christoph Feichtenhofer, Axel Pinz, Andrew Zisserman "Convolutional Two-Stream Network Fusion for Video Action Recognition" in Proc. CVPR 2016 如果您发现该代码对您的研究有用，请引用我们的论文： @inproceedings{feichtenhofer2016convolutional, title={Convolutional Two-Stream Network Fusion for Video Action Recognition}, author={Feichtenhofer, Christoph and Pinz, Axel and Zisserman, Andrew}

基于回归的模糊推理系统,MATLABR2020a

双向长短时记忆（BiLSTM）进行需求预测,使用MATLABR2019b