中值滤波matlab程序代码

1、MATLAB 程序代码-BP 神经网络的设计实例例 1 采用动量梯度下降算法训练 BP 网络。训练样本定义如下：输入矢量为 p =-1 -2 3 1 -1 1 5 -3目标矢量为 t = -1 -1 1 1解：本例的 MATLAB 程序如下： close all clear echo on clc % NEWFF生成一个新的前向神经网络 % TRAIN对 BP 神经网络进行训练 % SIM对 BP 神经网络进行仿真 pause % 敲任意键开始 clc % 定义训练样本 % P 为输入矢量 P=-1, -2, 3, 1; -1, 1, 5, -3;% T 为目标矢量 T=-1, -1, 1, 1; pause; clc % 创建一个新的前向神经网络 net=newff(minmax(P),3,1,tansig,purelin,traingdm)%。

2、11.均匀线阵方向图（1）matlab 程序clc;clear all;close all;imag=sqrt(-1);element_num=32;%阵元数 为8d_lamda=1/2;%阵元间距d与波长lamda 的关系theta=linspace(-pi/2,pi/2,200);theta0=0;%来波方向w=exp(imag*2*pi*d_lamda*sin(theta0)*0:element_num-1);for j=1:length(theta)a=exp(imag*2*pi*d_lamda*sin(theta(j)*0:element_num-1);p(j)=w*a;endpatternmag=abs(p);patternmagnorm=patternmag/max(max(patternmag);patterndB=20*log10(patternmag);patterndBnorm=20*log10(patternmagnorm);figure(1)plot(theta*180/pi,patternmag);g。

3、MATLAB 程序代码-神经网络基础问题整理所选问题及解答大部分来源于 http:/www.2nsoft.cn/bbs/ 资料大部分为江南一纪收集整理 对其他参与整理的版友（不一一列举）及 资料的原创者一并表示感谢因江南对神经网络的理解也不是很多 错误之处难勉 请谅解有什么问题可以来 http:/www.2nsoft.cn/bbs/ 的 人工神经网络专区交流*1 神经网络的教材哪本比较经典神经网络原理Simon Haykin ? 叶世? 史忠植译神经网络设计神经网络书籍神经网络模型及其 matlab 仿真程序设计 周开利（对神经网络工具箱函数及里面神经网络工具箱的神经网络模型的网络对象及。

4、附 录Part1：对 cameraman 原始图像处理的仿真程序：clcclear allclose allA = imread(cameraman.bmp); % 读入图像subplot(2,4,1);imshow(A);title(原图);x_mask = 1 0;0 -1; % 建立 X 方向的模板y_mask = rot90(x_mask); % 建立 Y 方向的模板I = im2double(A); % 将图像数据转化为双精度dx = imfilter(I, x_mask); % 计算 X 方向的梯度分量dy = imfilter(I, y_mask); % 计算 Y 方向的梯度分量grad = sqrt(dx.*dx + dy.*dy); % 计算梯度grad = mat2gray(grad); % 将梯度矩阵转换为灰度图像level = graythresh(grad); % 计算灰度阈值BW = i。

5、基于matlab 的简单人脸识别实例 简介 人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。 人脸识别是一项热门的计算机技术研究领域，在生活中许多领域都有着重要应 用。 内容 这里通过对人脸图像打上网格，对区域块图像做二值分析，通过像素比例来 做处理。进而得到人脸区域。 代码 % By lyqmath % DLUT School of Mathematical Sciences 。

6、Hill 密码的加密，解密与破译摘要对于问题 1.1：本文采用 密码通信，对明文进行加密。利用已知的密钥矩阵，2Hil首先，将密文转化为对应表值数字。其次，对密文的数字转化为矩阵。最后，对明文解密。对于问题 1.2：本文给出一组明文和密文 ，二者满足构成密钥的条件，通过求解的到密钥，并进行问题 1.1 的解题过程破译这段密文。对于问题 2.1：本文给出 密码矩阵 A，并求出该矩阵的值是否与 26 互素，加4Hil以判断。若互素则能成为密钥，否则不能构成密钥。对于问题 2.2：利用问题 2.1 所给的密码矩阵 A，按照问题 1.1 的解题思路，将得到。

7、BP神经网络数据分类 语音信号特征分类 MatLab程序代码 清空环境变量 clc clear 训练数据预测数据提取及归一化 下载四类语音信号 load data1 c1 load data2 c2 load data3 c3 load data4 c4 四个特征信号矩阵合成一个矩阵 data 1 500 c1 1 500 data 501 1000 c2 1 500 data 1001 1500。

8、层次分析法1）建立层次结构模型：决策目标P1准则 C1 准则 C2 准则 C3 准则 C4P2 P3 P4 P5 P6（2）构造判断矩阵判断矩阵 应为正互反矩阵，而且 的判断如下（19尺度法）：ijAaija标度 ij 含义1 相同的 影 响与 Cji3 稍强的 影 响比 ji5 强的 影 响比 ji7 明显的强的 影 响比 ji9 绝对的强的 影 响比 ji2，4，6，8 之比在上述两个相邻的等的 影 响与 Cji级之间91,.之比为上面 的复反数的 影 响与 ji aij（3）单层排序及一致性检验1、单层排序求解判断矩阵 的最大特征值 ，再由最大特征值求出对应的特征向量Amax，并将 标准化，即为同一层相对。

9、function disper%绘制平板频散曲线%ticclc;clear;cl=5790;%材料纵波波速（钢板）cs=3200;%材料横波波速（钢板）dfd=0.01*1e3;fd0=(0.01:dfd/1e3:20)*1e3;%频厚积（ MHz*mm）d_Q235=6;cps_min=2700;cpa_min=100;cp_max=10000;mode=3;%绘制的模式数precision=1e-8;cpa=zeros(length(fd0),mode);cps=zeros(length(fd0),mode);for i=1:length(fd0)fd=fd0(i);cp12 n=ss(cps_min,cp_max,fd,cl,cs,mode);for j=1:ncp1=cp12(j,1);cp2=cp12(j,2);cps(i,j)=serfen(cp1,cp2,fd,cl,cs,precision);endcp12 n=aa(cpa_min,cp_max,fd,cl,cs,mode);for j=1:。

10、BP 神经网络 matlab 源程序代码）%*%学习程序%*%=原始数据输入=p=2845 2833 4488;2833 4488 4554;4488 4554 2928;4554 2928 3497;2928 3497 2261;.3497 2261 6921;2261 6921 1391;6921 1391 3580;1391 3580 4451;3580 4451 2636;.4451 2636 3471;2636 3471 3854;3471 3854 3556;3854 3556 2659;3556 2659 4335;.2659 4335 2882;4335 2882 4084;4335 2882 1999;2882 1999 2889;1999 2889 2175;.2889 2175 2510;2175 2510 3409;2510 3409 3729;3409 3729 3489;3729 3489 3172;.3489 31。

11、clearclcfile1=TEST20180626(955-1005).xlsx; %打开截取好时间范围的 excel 文件sheet=1; %选取 excel 文件中的工作表项T=2;M=8;N=9; %数据中初始行数 record1,1=时间; %创建一个广义矩阵用于存放数据，并设置标题栏分别为时间，流速，流向record1,2=流速m/s;record1,3=流向;for i=1:1:172; %构造循环选取每个采样里的 Xm 及邻近对应的数据a=num2str(T); %将选取区域所在的行数变量从数字变为字符串 b=num2str(M); %将选取区域左上角的行数变量从数字变为字符串c=num2str(N); %将选取区域右下角的行数变量从数字变为字符串xlRange=strcat(。

12、clc;clear;fill(6,7,7,6,5,5,0,0,0,0.5,0);%右边竖条的填充hold on; %保持当前图形及轴系的所有特性fill(2,6,6,2,3,3,0,0,0,0.5,0);%左边竖条的填充hold on;% 保持当前图形及轴系的所有特性t1=0:pi/60:pi;plot(4-2*sin(t1-pi/2),5-2*cos(t1-pi/2);%绘制中间的凹弧图形grid on;%添加网格线axis(0,9,0,9);%定义坐标轴的比例%axis(off);%关闭所有轴标注，标记，背景fill(1,2,2,1,5,5,0,0,0,0.5,0);%中间长方形的填充hold on;% 保持当前图形及轴系的所有特性title(碰撞 );%定义图题x0=6;y0=5;head1=line(x0,y0,color,r,linestyle,.,erasemode,。

13、匈牙利算法的MATLAB 程序代码如下（算例）：m=5;n=5;A=0 1 1 0 01 1 0 1 10 1 1 0 00 1 1 0 00 0 0 1 1;M(m,n)=0;for(i=1:m)for(j=1:n)if(A(i,j)M(i,j)=1;break;end;end %求初始匹配Mif(M(i,j)break;end;end %获得仅含一条边的初始匹配Mwhile(1)for(i=1:m)x(i)=0;end %将记录 X中点的标号和标记*for(i=1:n)y(i)=0;end %将记录Y 中点的标号和标记*for(i=1:m)pd=1; %寻找X中M的所有非饱和点for(j=1:n)if(M(i,j)pd=0;end;endif(pd)x(i)=-n-1;end;end %将X中M的所有非饱和点都给以标号 0 和标记*, 程序中用n+1 表示0 标号, 标号为负数时表示标。

14、MATLAB 程序代码-bp 神经网络通用代码matlab 通用 神经网络 代码学习了一段时间的神经网络,总结了一些经验,在这愿意和大家分享一下,希望对大家有帮助,也希望大家可以把其他神经网络的通用代码在这一起分享感应器神经网络、线性网络、BP 神经网络、径向基函数网络%通用感应器神经网络。P=-0.5 -0.5 0.3 -0.1 -40;-0.5 0.5 -0.5 1 50;%输入向量T=1 1 0 0 1;%期望输出plotpv(P,T);%描绘输入点图像net=newp(-40 1;-1 50,1);%生成网络，其中参数分别为输入向量的范围和神经元感应器数量hold onlinehandle=plotpc(net.iw1,net.b1);net.adaptpara。

15、1.傅立叶变换的时移性质若 ，则)()Ftf00)(0)()( tjtjeFetf 结论: 延时（或超前） 后，其对应的幅度谱保持不变，但相位谱中一切频率分量的相位均滞后（或超前） 。0t例：用 matlab 画 f(t)=t 及 f（t）=t-1 图像程序：N=256; t=linspace(-2,2,N);f=t.*heaviside(t); f1=(t-1).*heaviside(t-1); dt=4/(N-1); M=401;w=linspace(-2*pi,2*pi,M);F=f*exp(-j*t*w)*dt; F1=f1*exp(-j*t*w)*dt; subplot(3,1,1);plot(t,f,t,f1,r),grid on xlabel(t);ylabel(f),title(f(t),f(t-1)subplot(3,1,2);plot(w,abs(F),w,abs(F1),r),grid onxl。

16、1课 程 设 计课程名称_数字信号处理_题目名称_应用 Matlab 对语音信_号进行频谱分析及滤波学生学院_信息工程学院_专业班级_xx 级通信工程 xx 班_学 号_ 学生姓名_ 指导教师_ 2010 年 01 月 04 日2题目名称 应用 Matlab 对语音信号进行频谱分析及滤波学生学院 信息工程学院专业班级 xx 级通信 xx 班姓 名 xxxxxxxx学 号 xxxxxxxx一、课程设计目的数字信号处理是一门以算法为核心，理论和实践性较强的学科。是电子信息工程、通信工程专业、电子信息科学与技术专业的一门重要的专业技术基础课。数字信号处理课程是在学习完数字信号处理的相关。

17、粒子群优化算法(panicle swarm optimization，PSO)是 kennedy 和 Eberhart 在研究鸟类和鱼类的群体行为基础上于 1995 年提出的一种群智能算法，其思想米源予人工生命和演化计算理论，模仿鸟群飞行觅食行为，通过鸟集体协作使群体达到最优。1.粒子群算法的原理PSO 中，每个优化问题的解看作搜索空间中的一只鸟(即粒子)，所有的粒子都有一个被优化的函数决定的适应值，并且有一个速度决定它们飞翔的方向和速率，粒子们追随当前的最优粒子在解空间中搜索。算法首先初始化一群随机粒子，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪。

18、% ct1clear all,close all, clc;% 定义常数FL = 80; % 帧长WL = 240; % 窗长P = 10; % 预测系数个数s,fs = wavread(sunday_2.wav); % 载入语音 ss = s/max(s); %归一化L = length(s); % 读入语音长度FN = floor(L/FL)-2; % 计算帧数% 预测和重建滤波器exc = zeros(L,1); % 激励信号（预测误差）zi_pre = zeros(P,1); % 预测滤波器的状态s_rec = zeros(L,1); % 重建语音zi_rec = zeros(P,1);% 合成滤波器exc_syn = zeros(L,1); % 合成的激励信号（脉冲串）s_syn = zeros(L,1); % 合成语音last_syn = 0; %存储上一个（或多个）段的最后一个。

19、%均值滤波%方法一：filter2clear all;figureI=rgb2gray(imread(132.jpg);I=imnoise(I,salt %加入椒盐噪声K1=filter2(fspecial(average,3),I)/255; %进行 3*3均值滤波K2=filter2(fspecial(average,5),I)/255; %进行 5*5均值滤波K3=filter2(fspecial(average,7),I)/255; %进行 7*7均值滤波subplot(2,2,1),imshow(I),title(椒盐噪声图); %显示原图像subplot(2,2,2),imshow(K1),title(3*3均值滤波图像); subplot(2,2,3),imshow(K2),title(5*5均值滤波图像);subplot(2,2,4),imshow(K3),title(7*7均值滤波图像)。

20、%自适应中值滤波的算法 RAMF%RAMF 主要通过以下两步来处理图像。%1.首先确定最大的滤波半径，然后用一个合适的半径 r 对图像进行滤波。计算当前滤波半径像素灰度的 Imin,Imax,Imed，%然后判断 Imed 是否在Imin,Imax中间，如果在则向下进行，否则扩大当前半径 r 继续滤波直到 r 等于最大滤波半径。%2.如果当前处理的像素 img(i,j)在Imin,Imax之间，则输出当前像素，否则输出当前滤波半径中值像素 Imed。clear all;close all;clc;img=rgb2gray(imread(132.jpg);m n=size(img);img=imnoise(img,salt %加入椒盐噪声subplot(2,2,1),imshow(img)。