说明：提出了正交频分复用(OFDM)系统中一种新的载波频偏估计算法L载波频偏估计过程可分为获取和跟踪, 其中, 获取过程和时间同步是同时完成的L新算法可实现的最大载波频偏获取范围是整个信号带宽的一半L新的跟踪算法是一个最大似然算法, 在加性白噪声高斯信道(AW GN ) 下, 当N (训练序列长度的一半)...

OFDM 载波频偏估计算法

说明：数字图像处理图像复原算法源代码（维纳滤波，最小二乘方法，L-R算法）

l-r复原 维纳滤波复原 R－L滤波 图像复原-L-R matlab-L-R复原

说明：其中第一个压缩文件为ESPRIT在一维和二维下的算法，二维采用的是L形阵列，另外的一个文件是MUSIC算法以及rootMUSIC算法，以及两者的对比代码文件。

二维DOA-L-ESPRIT esprit-二维 二维esprit L形阵列 L-doa

说明：L-M(列文伯格-马夸尔特法)非线性最优化方法，能够最快最优的获得单个或多个非线性方程的最优解，常用于曲线的拟合，最优化问题的鉴定求解等领域。附件中有算法实现的源码以及测试码，还有对该算法的整体阐述。分别对于有约束和无约束问题做了相应的测试，比较全面的实现了L-M方法的具体应用。

matlab 算法 lm 最优化 非线性

说明：采用动量梯度下降算法训练 BP 网络。 采用贝叶斯正则化算法提高 BP 网络的推广能力。在本例中，我们采用两种训练方法，即 L-M 优化算法（trainlm）和贝叶斯正则化算法（trainbr），用以训练 BP 网络，使其能够拟合某一附加有白噪声的正弦样本数据。

BP 网络 贝叶斯正则化算法 L-M 优化算法 trainlm 贝叶斯正则化算法 trainbr 白噪声

说明：采用贝叶斯正则化算法提高 BP 网络的推广能力。在本例中，我们采用两种训练方法，即 L-M 优化算法（trainlm）和贝叶斯正 则化算法（trainbr），用以训练 BP 网络，使其能够拟合某一附加有白噪声的正弦样本数据。

贝叶斯正则化算法 BP网络 L-M算法 trainlm 贝叶斯正则化算法 trainbr BP

说明：基于大坝温控的温度预报程序，采用了L-M优化算法和贝叶斯正则化算法，结果良好。

大坝温控 L-M优化算法 贝叶斯正则化算法 BP

说明：采用贝叶斯正则化算法提高 BP 网络的推广能力。在本例中，我们采用两种训练方法，即 L-M 优化算法（trainlm）和贝叶斯。

贝叶斯正则化算法 BP网络 L-M算法 trainlm 贝叶斯

说明：采用动量梯度下降算法训练BP网络，采用两种训练方法，即 L-M 优化算法（trainlm）和贝叶斯正则化算法（trainbr），用以训练 BP 网络。

动量梯度 L-M 贝叶斯正则

说明：稀疏分量分解。function [y A]=sparseBSS1(X，L，langda，G，h，delta)

稀疏分解 稀疏分量 稀疏 sparseBSS1 L-system