代码中的plot_hht函数实现了Hilbert-Huang变换(HHT)，HHT就是Hilbert-HuangTransform（希尔伯特黄变换），美国航天航空局黄鳄教授发明的，大概的过程是：先对信号进行经验模态分解（Empiricalmodedecomposition－EMD），得出本征模态函数（IMFintrinsicmodefunction），再对本征模态函数进行希尔伯特变换，从而过进一步得该信号的希尔伯特谱、时频能量谱等，以便对信号进行分析，据介绍对非线性及非平稳信号有较好的分析和处理效果。

%用遗传算法进行简单函数的优化clearbn=22;%个体串长度inn=50;%初始种群大小gnmax=200;%最大代数pc=0.75;%交叉概率pm=0.05;%变异概率%产生初始种群s=round(rand(inn,bn));%计算适应度,返回适应度f和累积概率p[f,p]=objf(s);gn=1;whilegn＜gnmax+1forj=1:2:inn%选择操作seln=sel(s,p);%交叉操作scro=cro(s,seln,pc);scnew(j,:)=scro(1,:);scnew(j+1,:)=scro(2,:);%变异操作smnew(j,:)=mut(scnew(j,:),pm);smnew(j+1,:)=mut(scnew(j+1,:),pm);ends=smnew;%产生了新的种群%计算新种群的适应度[f,p]=objf(s);%记录当前代最好和平均的适应度[fmax,nmax]=max(f);fmean=mean(f);ymax(gn)=fmax;ymean(gn)=fmean;%记录当前代的最佳个体x=n2to10(s(nmax,:));xx=-1.0+x*3/(power(2,bn)-1);xmax(gn)=xx;gn=gn+1endgn=gn-1;%绘制曲线subplot(2,1,1);plot(1:gn,[ymax;ymean]);title('历代适应度变化','fonts',10);legend('最大适应度','平均适应度');string1=['最终适应度',num2str(ymax(gn))];gtext(string1);subplot(2,1,2);plot(1:gn,xmax,'r-');legend('自变量');string2=['最终自变量',num2str(xmax(gn))];gtext(string2);

IDL绘制散点图,直接图形法，利用plot函数绘制散点图，输出为png格式保存

%线性调频信号的实部和虚部及时域脉压输出clearall;clc;T=16e-6;B=5e6;K=B/T;fs=6*B;Ts=1/fs;N=T/Ts;t=-T/2:T/(N-1):T/2;s=exp(j*pi*K*t.^2);y=conv(s,conj(s));len=length(y);t1=-T/2:T/(len-1):T/2;figure;plot(t,real(s));gridon;axis([-1.2e-51.2e-5-11]);xlabel('时间(s)');ylabel('幅度');title('LFM信号的I路');figure;plot(t,imag(s));gridon;axis([-1.2e-51.2e-5-11]);xlabel('时间(s)');ylabel('幅度');title('LFM信号的Q路');figure;plot(t1,20*log10(abs(y)/max(abs(y))));gridon;axis([-1.2e-51.2e-5-900]);xlabel('时间(s)');ylabel('幅度(dB)');title('时域脉压后的波形(未加权)');subplot(311);plot(t,real(s));gridon;xlabel('time(s)');ylabel('amplitude(dB)');title('realpartofLFM:T=16us,B=4MHz');axis([-T/2T/2-11]);subplot(312);plot(t,imag(s));gridon;xlabel('time(s)');ylabel('amplitude(dB)');title('imagepartofLFM:T=16us,B=4MHz');axis([-T/2T/2-11]);subplot(313);plot(t1,20*log10(abs(y)/max(abs(y))));gridon;axis([-1.2e-51.2e-5-900]);xlabel('时间(s)');ylabel('幅度(dB)');title('时域脉压后的波形(未加权)');

LMS_plot设为1和0分别运行线性均衡（ZFMMSE）和自适应均衡(LMSRLS)

对matlab中平滑处理做了详细的介绍yy1=smooth(y,30); %利用移动平均法对y做平滑处理＞＞figure; %新建一个图形窗口＞＞plot(t,y,'k:'); %绘制加噪波形图＞＞holdon;＞＞plot(t,yy1,'k','linewidth',3); %绘制平滑后波形图＞＞xlable('t');＞＞xlabel('t');＞＞ylabel('moving');＞＞legend('加噪波形','平滑后波形');

MATLAB读取整个文件夹（或多个文件夹）内所有txt文件，并将文件进行数据分类绘图plot

马尔可夫决策过程概述该存储库运行3种强化算法：策略迭代，值迭代和Q学习，以解决2个MDP问题：悬崖行走和20X20冻湖网格，并比较它们的性能。
运行步骤需要Python3.6使用pip从Requirements.txt安装需求使用python3运行以下命令以创建数据和图形文件：pythonrun_experiment.py-全部pythonrun_experiment.py--plot获得的结果有关获得的结果的更多信息，请参考Analysis.pdf。
悬崖行走问题问题结果冻湖网格问题问题结果

G-Nut/Anubis是一个GNSS数据质量检核软件。
该软件支持RINEX3文件格式，可以对几乎所有导航卫星系统的观测量进行质量检核与分析操作，并将检核和分析成果绘制成图。
资源包括软件安装包（也可在官网下载）：anubis-2.2.4-2019-03-04.tgz、anubis-2.2.4-win-static-64b软件使用说明：Anubis配置文件编辑、Anubis配置与使用简介参考文献：'基于G-Nut_Anubis的GNSS数据质量检核可视化分析'、Anubis在GNSS数据质量可视化分析中的应用、'Anubis的GNSS数据质量检核可视化表达与分析绘图软件：Chart-Gnuplot-0.23、plot_Anubis以上资料均收集整理自网络

plot(onlog-logaxes)theempiricaldistributionalongwiththefittedpower-lawdistribution

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。