GPS Network Adjustment MATLAB Code

基于遗传神经网络的图像分割MATLAB源码，非常经典！

图形修饰处理 - 视点调整 MATLAB 提供了设置视点的函数 view，其调用格式为： view(az, el) 其中，az 为方位角，el 为仰角，它们均以度为单位。系统的默认视点定义为方位角 -37.5°，仰角 30°。 例如： peaks; view([0, -30]); 该命令可以调整图形的观察角度，使得数据可视化效果更加符合需求。

该MATLAB编程选择用于运行毫米波V2I网络的链路层仿真，使用2DRBP模拟器的源代码。模拟在低层现代建筑的LOS城市环境中进行。由于缺乏城市真实的3D模型，10条车辆路线遵循类似于曼哈顿的网格街道地理，随后通过LoadVehRouteData.m脚本在2D平面中替换路线，以获取尽可能多的车辆路线（例如50条）。 文件描述：- 2DRBP.exe：从bin打包的C++源码构建的可执行文件。- 动画MmWaveV2I.m：以2D动画形式显示车辆运动。- Tx和Rx天线的x, y, z位置用于估计波束指向方向。- CitySectionAerialView.png：模拟窗口原点位置。- RSB.m：为较小矩形生成二维包装器。- loadVehRouteData.m：根据需要加载尽可能多的车辆路线到工作区。- plotArc.m：用于显示相关数据。

MATLAB BP神经网络以及GABP神经网络，包括数据.mat，并附有详细注释，便于更改和理解。

该例程演示了Matlab的GUI中如何使用slider滑动条和edit动态文本框来动态调整某个参数。您可以根据需要调整滑动条的值，并在文本框中实时查看相应的参数变化。

ESP-DNN: Graph Convolutional Deep Neural Network for Predicting Electrostatic Potential Surfaces from DFT Calculations This repository contains trained models and code designed for generating ligands and proteins, creating electrostatic potential (ESP) surfaces that closely resemble DFT-quality molecular surfaces. The PQR files generated by our model include atomic charges and dipole-like atomic features, such as lone pairs, σ-conjugation, and p-orbitals. To generate ligand PQR files, a graph convolutional deep neural network (DNN) model was trained on about 100,000 molecules with ESP surfaces derived from DFT calculations. For proteins, parameterized charges of amino acids were used, ensuring compatibility with the ligand ESP surfaces generated by the DNN model. For more detailed methods and validation information, refer to the full documentation. System Requirements The program can only run on 64-bit Linux operating systems. Installation Instructions To run ESP-DNN, you will need to:1. Clone this repository.2. Set up Python and required dependencies.3. (Optional) Install additional packages. The package has been developed and tested with Python 2.7 and the following third-party libraries:- rdkit == 2018.09.3- keras == 2.2.4- tensorflow == 1.10.0- num

用于小波神经网络MATLAB程序模拟，建议初学者好好看看，有一定作用。

在IT领域，聚类算法是数据挖掘中的重要分支，用于发现数据集中的自然群体或类别。此名为“广义神经网络的聚类算法-网络入侵聚类”的案例中，主要使用MATLAB进行开发，展示了针对网络入侵检测的聚类分析。网络入侵聚类在网络安全中是关键问题，特别是在异常检测领域。MATLAB的神经网络库提供了强大的工具，能够构建并训练不同类型的广义神经网络（GNN）。GNN作为一种非监督学习方法，通过加权距离计算形成聚类，尤其适用于处理复杂的非线性问题。 聚类算法在异常检测中的应用主要是通过识别与正常流量显著不同的模式，来发现潜在的入侵行为。此案例中，可能用到了自适应共振理论（ART）或自组织映射（SOM），这些网络可以自我组织并形成数据的拓扑结构，适合处理高维数据的聚类任务。 在实际操作中，MATLAB代码对网络入侵数据进行了预处理，包括数据清洗、缺失值处理和特征选择等步骤。然后将预处理后的数据输入到神经网络模型中，通过迭代训练优化聚类结果。通过轮廓系数和Calinski-Harabasz指数等评估模型性能，最终可视化聚类结果，以帮助理解不同数据群体间的关系。

在VC中调用MATLAB神经网络工具箱，介绍如何利用COM组件实现VC与MATLAB之间的数据交换。首先，在MATLAB中完成两个神经网络函数，一个用于检验，另一个用于预测。