本包计算的GML指数是GML-DDF指数（其他两种GML指数计算看我主页，均有），软件使用matlab，计算结果准确可靠，还附带指数分解为EC和TC,有详细的使用步骤，以及结果的解读均做了图文说明。全套资料均为本人整理制作，包售后服务，有什么问题都可以CSDN私聊找我。 为了照顾不懂matlab的小白，本人还整理了详细的操作说明文档，从matlab安装到代码的使用步骤，均做了详细的图文说明，里面还有配套的示例数据，可跟着说明整体跑一遍，就能学会操作！一切只为大家能更好的使用。 关于GML指数的计算，根据相关文献，目前为止有三种方法可以实现。第一种是早期用的比较多的基于Kaoru Tone（2001）的SBM模型（SBM-GML），第二种是Fukuyama&Weber（2009）提出的方向SBM距离函数模型(GML-DDF)。最后一种方法是Rolf Fare&Grosskopf（2010）基于方向距离函数的SBM模型（SBM-DDF模型），三种方法的优劣及合理性评价，目前暂无定论。

本包计算的GML指数是基于SBM-DDF（其他两种GML指数计算看我主页，均有），软件使用matlab，计算结果准确可靠，还附带指数分解为EC和TC,有详细的使用步骤，以及结果的解读均做了图文说明。全套资料均为本人整理制作，包售后服务，有什么问题都可以CSDN私聊找我。 为了照顾不懂matlab的小白，本人还整理了详细的操作说明文档，从matlab安装到代码的使用步骤，均做了详细的图文说明，里面还有配套的示例数据，可跟着说明整体跑一遍，就能学会操作！一切只为大家能更好的使用。 关于GML指数的计算，根据相关文献，目前为止有三种方法可以实现。第一种是早期用的比较多的基于Kaoru Tone（2001）的SBM模型（SBM-GML），第二种是Fukuyama&Weber（2009）提出的方向SBM距离函数模型(GML-DDF)。最后一种方法是Rolf Fare&Grosskopf（2010）基于方向距离函数的SBM模型（SBM-DDF模型），三种方法的优劣及合理性评价，目前暂无定论。

基于VHDL的任意整数分频器的设计，梁颖，，本文对分频原理进行了详细分析，以简单的2、3分频为例对分频原理进行形象的图形分析，方便对原理的理解，并完成了两个不同方案的�

verilog写的奇偶分频器、半整数分频器和DDS的任意分频器

DorisDB常用SQL函数分析

编写此代码是为了处理 Paul Fricker 通过文件交换慷慨捐赠的“Zernike polynomials”代码。 在这里你会找到一个函数分解的实际例子泽尼克基。 功能如下F，随意修改与 Paul 在 'zernfun2.m' 中找到的示例不同，这里的域是真正的单位圆，没有 NaN 将其填充到单位正方形。 您必须下载 Paul 的函数才能运行此代码。

一个讲述卡尔曼滤波的非常详尽的论文，关于经典公式中的各个参数的意义及设置，以及对于EKF、UKF等的讲解也很好。

利用Fluent软件数值求解不可压缩粘性流体的N-S方程,研究均匀来流Re=200时弹性圆柱体的涡激振动。圆柱体运动简化为质量-弹簧-阻尼系统,将Newmark-β方法代码写入用户自定义函数(UDF)求解运动方程,柱体与流体间的非线性耦合作用通过动网格技术实现。详细分析了涡激力系数、柱体位移特征值和尾流涡结构随频率比的变化关系,获得“相位开关”、“拍”等现象。考虑流向振动对横向振动影响时,圆柱体最大横向振幅为0.65倍直径。当固定频率比,而质量比或折合阻尼增大时,圆柱体流向与横向振动均呈非线性衰减趋势,但

利用样本协方差矩阵几何平均特征值的对数分布特性，提出了一种新的频谱感知算法。该算法基于样本协方差矩阵最大最小特征值之差与几何平均特征值的比值，通过比较该比值与门限的大小来判断主用户是否占用分配频谱，不需要知道主用户信号和噪声的先验信息，得到了十分简单的判决门限表达闭式。仿真结果表明，在低信噪比、低协作用户数以及低样本点数的条件下，所提算法能获得更优的感知性能；并且所提算法的感知性能较为稳定，受样本中极端值和虚警概率的影响均较小。

matlab求导代码时间导数分布修复（TDDR） 关于 该存储库中的代码是TDDR算法的参考实现，如下所述： Fishburn FA，Ludlum RS，Vaidya CJ和Medvedev AV（2019）。 时间导数分布修复（TDDR）：一种用于fNIRS的运动校正方法。 神经成像，184，171-179。 土井： 用法 Matlab： signals_corrected = TDDR(signals, sample_rate); Python： from TDDR import TDDR signals_corrected = TDDR ( signals , sample_rate ); 输入项 信号：未校正的光密度数据的[sample x channel]矩阵 sample_rate ：一个标量，反映以Hz为单位的采集速率 产出 signal_corrected ：校正后的光密度数据的[sample x channel]矩阵 工具箱 NIRS脑部分析 TDDR算法在nirs.modules.TDDR模块中实现。 典型用法如下： % Construct preprocessin