共有七个完整算法%1.基于聚类的RBF网设计算法%一维输入，一维输出，逼近效果很好！SamNum=100;%总样本数TestSamNum=101;%测试样本数InDim=1;%样本输入维数ClusterNum=10;%隐节点数，即聚类样本数Overlap=1.0;%隐节点重叠系数%根据目标函数获得样本输入输出rand('state',sum(100*clock))NoiseVar=0.1;Noise=NoiseVar*randn(1,SamNum);SamIn=8*rand(1,SamNum)-4;SamOutNoNoise=1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);SamOut=SamOutNoNoise+Noise;TestSamIn=-4:0.08:4;TestSamOut=1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);figureholdongridplot(SamIn,SamOut,'k+')plot(TestSamIn,TestSamOut,'r--')xlabel('Inputx');ylabel('Outputy');Centers=SamIn(:,1:ClusterNum);NumberInClusters=zeros(ClusterNum,1);%各类中的样本数，初始化为零IndexInClusters=zeros(ClusterNum,SamNum);%各类所含样本的索引号while1,NumberInClusters=zeros(ClusterNum,1);%各类中的样本数，初始化为零IndexInClusters=zeros(ClusterNum,SamNum);%各类所含样本的索引号%按最小距离原则对所有样本进行分类fori=1:SamNumAllDistance=dist(Centers',SamIn(:,i));[MinDist,Pos]=min(AllDistance);NumberInClusters(Pos)=NumberInClusters(Pos)+1;IndexInClusters(Pos,NumberInClusters(Pos))=i;end%保存旧的聚类中心OldCenters=Centers;fori=1:ClusterNumIndex=IndexInClusters(i,1:NumberInClusters(i));Centers(:,i)=mean(SamIn(:,Index)')';end%判断新旧聚类中心能否一致，是则结束聚类EqualNum=sum(sum(Centers==OldCenters));ifEqualNum==InDim*ClusterNum,break,endend%计算各隐节点的扩展常数（宽度）AllDistances=dist(Centers',Centers);%计算隐节点数据中心间的距离（矩阵）Maximum=max(max(AllDistances));%找出其中最大的一个距离fori=1:ClusterNum%将对角线上的0替换为较大的值AllDistances(i,i)=Maximum+1;endSpreads=Overlap*min(AllDistances)';%以隐节点间的最小距离作为扩展常数%计算各隐节点的输出权值Distance=dist(Centers',SamIn);%计算各样本输入离各数据中心的距离SpreadsMat=repmat(Spreads,1,SamNum);HiddenUnitOut=radbas(Distance./SpreadsMat);%计算隐节点输出阵HiddenUnitOutEx=[HiddenUnitOut'ones(SamNum,1)]';%考虑偏移W2Ex=SamOut*pinv(HiddenUnitOutEx);%求广义输出权值W2=W2Ex(:,1:ClusterNum);%输出权值B2=W2Ex(:,ClusterNum+1)

三阶非线性零碎在simulink中相图绘制，每次改完初值，在matlab界面用plot命令和holdon命令

%PM调制figure('Name','信号调制进程中波形及其频谱','NumberTitle','off')a0=2;f0=10;fc=50;fs=1000;snr=5;t=linspace(-20,20,60001);pm1=cos(2*pi*f0*t);%信息信号t1=cos(2*pi*fc*t);%载波s_pm=cos(2*pi*fc*t+1*pm1);PM1=fft(pm1);T1=fft(t1);S_PM=fft(s_pm);f=(0:60000)*fs/60001-fs/2;subplot(3,2,1);plot(t(19801:20200),pm1(19801:20200));title('信息信号波形');

x=0:0.1:13;y1=cos(x);y2=cos(0.5*x);y3=cos(2*x);y4=cos(1.5*x);plot(x,y1,'c')holdonplot(x,y2,'b')holdonplot(x,y3,'y')holdonplot(x,y4,'g')holdonaxis([0,13,-1.2,1.2])title('OFDM包含四个载波的情况')xlabel('工夫')ylabel('幅度')

声响信号的采集、加噪，再滤波[y,Fs,bits]=wavread('D:\q.wav');%读出信号，采样率和采样位数。
y=y(:,1);%取单声道作分析yl=length(y)%求语音信号长度yy=fft(y,yl);%傅里叶变换t=[0:1/8000:4zeros(1,yl-32001)]';m=0.07*sin(10000*pi*t);%产生噪声n=y+m;%加入噪声nl=length(n)%求语音信号长度nn=fft(n,nl);%傅里叶变换figure(1);subplot(2,1,1);plot(n);title('噪声信号波形')subplot(2,1,2);plot(y);title('原信号波形')figure(2);subplot(2,1,1);plot(abs(nn));title('噪声信号频谱');subplot(2,1,2);plot(abs(yy));title('原信号频谱');sound(n,fs)

看论文时，我们经常看到的散点图，既表达了数据的走势，也显示出了具体的数据点，是一种很好的数据处理方法。
Matlab用plot可以画图，但是想本人DIY设置散点图的参数，使用matlabR2017b自带的强大的工具箱（cftool）就方便多了。
这里面是博客中，散点图的试验数据。

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。