MATLAB语言常用算法程序集书中4-17章代码，都是一些常用的程序第4章：插值函数名功能Language求已知数据点的拉格朗日插值多项式Atken求已知数据点的艾特肯插值多项式Newton求已知数据点的均差形式的牛顿插值多项式Newtonforward求已知数据点的前向牛顿差分插值多项式Newtonback求已知数据点的后向牛顿差分插值多项式Gauss求已知数据点的高斯插值多项式Hermite求已知数据点的埃尔米特插值多项式SubHermite求已知数据点的分段三次埃尔米特插值多项式及其插值点处的值SecSample求已知数据点的二次样条插值多项式及其插值点处的值ThrSample1求已知数据点的第一类三次样条插值多项式及其插值点处的值ThrSample2求已知数据点的第二类三次样条插值多项式及其插值点处的值ThrSample3求已知数据点的第三类三次样条插值多项式及其插值点处的值BSample求已知数据点的第一类B样条的插值DCS用倒差商算法求已知数据点的有理分式形式的插值分式Neville用Neville算法求已知数据点的有理分式形式的插值分式FCZ用倒差商算法求已知数据点的有理分式形式的插值分式DL用双线性插值求已知点的插值DTL用二元三点拉格朗日插值求已知点的插值DH用分片双三次埃尔米特插值求插值点的z坐标第5章：函数逼近Chebyshev用切比雪夫多项式逼近已知函数Legendre用勒让德多项式逼近已知函数Pade用帕德形式的有理分式逼近已知函数lmz用列梅兹算法确定函数的最佳一致逼近多项式ZJPF求已知函数的最佳平方逼近多项式FZZ用傅立叶级数逼近已知的连续周期函数DFF离散周期数据点的傅立叶逼近SmartBJ用自适应分段线性法逼近已知函数SmartBJ用自适应样条逼近（第一类）已知函数multifit离散试验数据点的多项式曲线拟合LZXEC离散试验数据点的线性最小二乘拟合ZJZXEC离散试验数据点的正交多项式最小二乘拟合第6章：矩阵特征值计算Chapoly通过求矩阵特征多项式的根来求其特征值pmethod幂法求矩阵的主特征值及主特征向量rpmethod瑞利商加速幂法求对称矩阵的主特征值及主特征向量spmethod收缩法求矩阵全部特征值ipmethod收缩法求矩阵全部特征值dimethod位移逆幂法求矩阵离某个常数最近的特征值及其对应的特征向量qrtzQR基本算法求矩阵全部特征值hessqrtz海森伯格QR算法求矩阵全部特征值rqrtz瑞利商位移QR算法求矩阵全部特征值第7章：数值微分MidPoint中点公式求取导数ThreePoint三点法求函数的导数FivePoint五点法求函数的导数DiffBSample三次样条法求函数的导数SmartDF自适应法求函数的导数CISimpson辛普森数值微分法法求函数的导数Richason理查森外推算法求函数的导数ThreePoint2三点法求函数的二阶导数FourPoint2四点法求函数的二阶导数FivePoint2五点法求函数的二阶导数Diff2BSample三次样条法求函数的二阶导数第8章：数值积分CombineTraprl复合梯形公式求积分IntSimpson用辛普森系列公式求积分NewtonCotes用牛顿－科茨系列公式求积分IntGauss用高斯公式求积分IntGaussLada用高斯拉道公式求积分IntGaussLobato用高斯—洛巴托公式求积分IntSample用三次样条插值求积分IntPWC用抛物插值求积分IntGaussLager用高斯-拉盖尔公式求积分IntGaussHermite用高斯-埃尔米特公式求积分IntQBXF1求第一类切比雪夫积分IntQBXF2求第二类切比雪夫积分DblTraprl用梯形公式求重积分DblSimpson用辛普森公式求重积分IntDBGauss用高斯公式求重积分第9章：方程求根BenvliMAX贝努利法求按模最大实根BenvliMIN贝努利法求按模最小实根HalfInterval用二分法求方程的一个根hj用黄金分割法求方程的一个根StablePoint用不动点迭代法求方程的一个根AtkenStablePoint用艾肯特加速的不动点迭代法求方程的一个根StevenStablePoint用史蒂芬森加速的不动点迭代法求方程的一个根Secant用一般弦截法求方程的一个根SinleSecant用单点弦截法求方程的一个根DblSecant用双点弦截法求方程的一个根PallSecant用平行弦截法求方程的一个根ModifSecant用改进弦截法求方程的一个根StevenSecant用史蒂芬森法求方程的一个根PYZ用劈因子法求方程的一个二次因子Parabola用抛物线法求方程的一个根QBS用钱伯斯法求方程的一个根NewtonRoot用牛顿法求方程的一个根SimpleNewton用简化牛顿法求方程的一个根NewtonDown用牛顿下山法求方程的一个根YSNewton逐次压缩牛顿法求多项式的全部实根Union1用联合法1求方程的一个根TwoStep用两步迭代法求方程的一个根Montecarlo用蒙特卡洛法求方程的一个根MultiRoot求存在重根的方程的一个重根第10章：非线性方程组求解mulStablePoint用不动点迭代法求非线性方程组的一个根mulNewton用牛顿法法求非线性方程组的一个根mulDiscNewton用离散牛顿法法求非线性方程组的一个根mulMix用牛顿-雅可比迭代法求非线性方程组的一个根mulNewtonSOR用牛顿-SOR迭代法求非线性方程组的一个根mulDNewton用牛顿下山法求非线性方程组的一个根mulGXF1用两点割线法的第一种形式求非线性方程组的一个根mulGXF2用两点割线法的第二种形式求非线性方程组的一个根mulVNewton用拟牛顿法求非线性方程组的一组解mulRank1用对称秩1算法求非线性方程组的一个根mulDFP用D-F-P算法求非线性方程组的一组解mulBFS用B-F-S算法求非线性方程组的一个根mulNumYT用数值延拓法求非线性方程组的一组解DiffParam1用参数微分法中的欧拉法求非线性方程组的一组解DiffParam2用参数微分法中的中点积分法求非线性方程组的一组解mulFastDown用最速下降法求非线性方程组的一组解mulGSND用高斯牛顿法求非线性方程组的一组解mulConj用共轭梯度法求非线性方程组的一组解mulDamp用阻尼最小二乘法求非线性方程组的一组解第11章：解线性方程组的直接法SolveUpTriangle求上三角系数矩阵的线性方程组Ax=b的解GaussXQByOrder高斯顺序消去法求线性方程组Ax=b的解GaussXQLineMain高斯按列主元消去法求线性方程组Ax=b的解GaussXQAllMain高斯全主元消去法求线性方程组Ax=b的解GaussJordanXQ高斯-若当消去法求线性方程组Ax=b的解Crout克劳特分解法求线性方程组Ax=b的解Doolittle多利特勒分解法求线性方程组Ax=b的解SymPos1LL分解法求线性方程组Ax=b的解SymPos2LDL分解法求线性方程组Ax=b的解SymPos3改进的LDL分解法求线性方程组Ax=b的解followup追赶法求线性方程组Ax=b的解InvAddSide加边求逆法求线性方程组Ax=b的解Yesf叶尔索夫求逆法求线性方程组Ax=b的解qrxqQR分解法求线性方程组Ax=b的解第12章：解线性方程组的迭代法rs里查森迭代法求线性方程组Ax=b的解crs里查森参数迭代法求线性方程组Ax=b的解grs里查森迭代法求线性方程组Ax=b的解jacobi雅可比迭代法求线性方程组Ax=b的解gauseidel高斯-赛德尔迭代法求线性方程组Ax=b的解SOR超松弛迭代法求线性方程组Ax=b的解SSOR对称逐次超松弛迭代法求线性方程组Ax=b的解JOR雅可比超松弛迭代法求线性方程组Ax=b的解twostep两步迭代法求线性方程组Ax=b的解fastdown最速下降法求线性方程组Ax=b的解conjgrad共轭梯度法求线性方程组Ax=b的解preconjgrad预处理共轭梯度法求线性方程组Ax=b的解BJ块雅克比迭代法求线性方程组Ax=b的解BGS块高斯-赛德尔迭代法求线性方程组Ax=b的解BSOR块逐次超松弛迭代法求线性方程组Ax=b的解第13章：随机数生成PFQZ用平方取中法产生随机数列MixMOD用混合同余法产生随机数列MulMOD1用乘同余法1产生随机数列MulMOD2用乘同余法2产生随机数列PrimeMOD用素数模同余法产生随机数列PowerDist产生指数分布的随机数列LaplaceDist产生拉普拉斯分布的随机数列RelayDist产生瑞利分布的随机数列CauthyDist产生柯西分布的随机数列AELDist产生爱尔朗分布的随机数列GaussDist产生正态分布的随机数列WBDist产生韦伯西分布的随机数列PoisonDist产生泊松分布的随机数列BenuliDist产生贝努里分布的随机数列BGDist产生贝努里-高斯分布的随机数列TwoDist产生二项式分布的随机数列第14章：特殊函数计算gamafun用逼近法计算伽玛函数的值lngama用Lanczos算法计算伽玛函数的自然对数值Beta用伽玛函数计算贝塔函数的值gamap用逼近法计算不完全伽玛函数的值betap用逼近法计算不完全贝塔函数的值bessel用逼近法计算伽玛函数的值bessel2用逼近法计算第二类整数阶贝塞尔函数值besselm用逼近法计算变型的第一类整数阶贝塞尔函数值besselm2用逼近法计算变型的第二类整数阶贝塞尔函数值ErrFunc用高斯积分计算误差函数值SIx用高斯积分计算正弦积分值CIx用高斯积分计算余弦积分值EIx用高斯积分计算指数积分值EIx2用逼近法计算指数积分值Ellipint1用高斯积分计算第一类椭圆积分值Ellipint2用高斯积分计算第二类椭圆积分值第15章：常微分方程的初值问题DEEuler用欧拉法求一阶常微分方程的数值解DEimpEuler用隐式欧拉法求一阶常微分方程的数值解DEModifEuler用改进欧拉法求一阶常微分方程的数值解DELGKT2_mid用中点法求一阶常微分方程的数值解DELGKT2_suen用休恩法求一阶常微分方程的数值解DELGKT3_suen用休恩三阶法求一阶常微分方程的数值解DELGKT3_kuta用库塔三阶法求一阶常微分方程的数值解DELGKT4_lungkuta用经典龙格-库塔法求一阶常微分方程的数值解DELGKT4_jer用基尔法求一阶常微分方程的数值解DELGKT4_qt用变形龙格-库塔法求一阶常微分方程的数值解DELSBRK用罗赛布诺克半隐式法求一阶常微分方程的数值解DEMS用默森单步法求一阶常微分方程的数值解DEMiren用米尔恩法求一阶常微分方程的数值解DEYDS用亚当斯法求一阶常微分方程的数值解DEYCJZ_mid用中点-梯形预测校正法求一阶常微分方程的数值解DEYCJZ_adms用阿达姆斯预测校正法求一阶常微分方程的数值解DEYCJZ_adms2用密伦预测校正法求一阶常微分方程的数值解DEYCJZ_yds用亚当斯预测校正法求一阶常微分方程的数值解DEYCJZ_myds用修正的亚当斯预测校正法求一阶常微分方程的数值解DEYCJZ_hm用汉明预测校正法求一阶常微分方程的数值解DEWT用外推法求一阶常微分方程的数值解DEWT_glg用格拉格外推法求一阶常微分方程的数值解第16章：偏微分方程的数值解法peEllip5用五点差分格式解拉普拉斯方程peEllip5m用工字型差分格式解拉普拉斯方程peHypbYF用迎风格式解对流方程peHypbLax用拉克斯-弗里德里希斯格式解对流方程peHypbLaxW用拉克斯-温德洛夫格式解对流方程peHypbBW用比姆-沃明格式解对流方程peHypbRich用Richtmyer多步格式解对流方程peHypbMLW用拉克斯-温德洛夫多步格式解对流方程peHypbMC用MacCormack多步格式解对流方程peHypb2LF用拉克斯-弗里德里希斯格式解二维对流方程的初值问题peHypb2FL用拉克斯-弗里德里希斯格式解二维对流方程的初值问题peParabExp用显式格式解扩散方程的初值问题peParabTD用跳点格式解扩散方程的初值问题peParabImp用隐式格式解扩散方程的初边值问题peParabKN用克拉克-尼科尔森格式解扩散方程的初边值问题peParabWegImp用加权隐式格式解扩散方程的初边值问题peDKExp用指数型格式解对流扩散方程的初值问题peDKSam用萨马尔斯基格式解对流扩散方程的初值问题第17章：数据统计和分析MultiLineReg用线性回归法估计一个因变量与多个自变量之间的线性关系PolyReg用多项式回归法估计一个因变量与一个自变量之间的多项式关系CompPoly2Reg用二次完全式回归法估计一个因变量与两个自变量之间的关系CollectAnaly用最短距离算法的系统聚类对样本进行聚类DistgshAnalysis用Fisher两类判别法对样本进行分类MainAnalysis对样本进行主成分分析

针对城市道路交通拥堵预警问题，提出了一种基于深度学习的预测模型。
通过归纳合并交通流参数、环境状态、时段等基础数据来构建交通流特征向量并确定四种预测状态。
采用深度学习的自编码网络方法从无标签数据集中学习获取可表征数据深层特征的隐层参数并生成新特征集。
应用Softmax回归对有标签的新特征集进行学习生成预测分类器，模型可对交通拥堵状况进行多态预测。
通过仿真对比分析，预测模型具有较省略特征学习的预测算法更好的预测性能，平均预测精度可达85%。

该数据集只保留了原来iris(鸢尾花卉)数据集3个类virginica，versicolor和setosa中的versicolor和setosa，并将versicolor用0.0表示，setosa用1.0表示。
每类50个样本；
每个样本是一个4维的特征向量,萼片长，萼片宽，花瓣长，花瓣宽；

本文用qr分解办法求对称矩阵特征值和特征向量，适合于大型矩阵求特征值，而且用的是迭代法，不同于matlab原有程序的qr分解

手势识别，基于MATLAB。
提取了一种手势识别的算法，通过皮肤颜色模型将手势分割出来，然后追踪其边缘，再通过傅里叶系统作为特征向量进行识别。
识别率很高的。
手势

包含QR分解法，其中有北航大作业三道题目完整版，程序运行无误，另外还收集到java版本。
保质保量

CroppedYale人脸数据降维的MATLAB代码，使用PCA，SVD和MATLAB自带的PCA对比时间、准确度，可以直接运行。
对比中心化给PCA带来的影响；
对比PCA与SVD的异同；
选取合适的维度k，并观察k个特征向量对应的图像；
对比自己实现的PCA算法与matlab自带的PCA函数的性能

C#求矩阵运算代码，特征值特征向量含加、减、乘运算，转换矩阵等等……

现在我们回到LDA的原理上，我们在第一节说讲到了LDA希望投影后希望同一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大，但是这只是一个感官的度量。
现在我们首先从比较简单的二类LDA入手，严谨的分析LDA的原理。
　　　　假设我们的数据集D={(x1,y1),(x2,y2),...,((xm,ym))}D={(x1,y1),(x2,y2),...,((xm,ym))},其中任意样本xixi为n维向量，yi∈{0,1}yi∈{0,1}。
我们定义Nj(j=0,1)Nj(j=0,1)为第j类样本的个数，Xj(j=0,1)Xj(j=0,1)为第j类样本的集合，而μj(j=0,1)μj(j=0,1)为第j类样本的均值向量，定义Σj(j=0,1)Σj(j=0,1)为第j类样本的协方差矩阵（严格说是缺少分母部分的协方差矩阵）。
　　　　μjμj的表达式为：μj=1Nj∑x∈Xjx(j=0,1)μj=1Nj∑x∈Xjx(j=0,1)　　　　ΣjΣj的表达式为：Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)　　　　由于是两类数据，因此我们只需要将数据投影到一条直线上即可。
假设我们的投影直线是向量ww,则对任意一个样本本xixi,它在直线ww的投影为wTxiwTxi,对于我们的两个类别的中心点μ0,μ1μ0,μ1,在在直线ww的投影为wTμ0wTμ0和wTμ1wTμ1。
由于LDA需要让不同类别的数据的类别中心之间的距离尽可能的大，也就是我们要最大化||wTμ0−wTμ1||22||wTμ0−wTμ1||22,同时我们希望同一种类别数据的投影点尽可能的接近，也就是要同类样本投影点的协方差wTΣ0wwTΣ0w和wTΣ1wwTΣ1w尽可能的小，即最小化wTΣ0w+wTΣ1wwTΣ0w+wTΣ1w。
综上所述，我们的优化目标为：argmaxwJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)wargmax⏟wJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)w　　　　我们一般定义类内散度矩阵SwSw为：Sw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)TSw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)T　　　　同时定义类间散度矩阵SbSb为：Sb=(μ0−μ1)(μ0−μ1)TSb=(μ0−μ1)(μ0−μ1)T　　　　这样我们的优化目标重写为：argmaxwJ(w)=wTSbwwTSwwargmax⏟wJ(w)=wTSbwwTSww　　　　仔细一看上式，这不就是我们的广义瑞利商嘛！这就简单了，利用我们第二节讲到的广义瑞利商的性质，我们知道我们的J(w)J(w)最大值为矩阵S−12wSbS−12wSw−12SbSw−12的最大特征值，而对应的ww为S−12wSbS−12wSw−12SbSw−12的最大特征值对应的特征向量!而S−1wSbSw−1Sb的特征值和S−12wSbS−12wSw−12SbSw−12的特征值相同,S−1wSbSw−1Sb的特征向量w′w′和S−12wSbS−12wSw−12SbSw−12的特征向量ww满足w′=S−12www′=Sw−12w的关系!　　　　注意到对于二类的时候，SbwSbw的方向恒为μ0−μ1μ0−μ1,不妨令Sbw=λ(μ0−μ1)Sbw=λ(μ0−μ1)，将其带入：(S−1wSb)w=λw(Sw−1Sb)w=λw，可以得到w=S−1w(μ0−μ1)w=Sw−1(μ0−μ1)，也就是说我们只要求出原始二类样本的均值和方差就可以确定最佳的投影方向ww了。

内部包含orl人脸数据库；
朴素贝叶斯分类数值型数据、取点测比例距、训练数据集特征向量化、（PCA+adaboostPCA+SVM人脸识别(可用，全面)）四种人脸识别相关的功能，经过测试均可用，4者代码相互之间没有关系，且第四个“测试成功@（PCA+adaboostPCA+SVM(可用，全面)）”可以完整进行人脸识别，下载者根据功能需要选择使用

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。