matlab全链接：入口1或者入口2
这里仅对matlab2020年存在的工具制作，以后使用方便。
一、数学、统计和优化
1.曲线拟合工具箱
2.深度学习HDL工具箱
3.深度学习工具箱(中文)
4.工具箱全局优化
5.优化工具箱(中文)
6.偏微分方程工具箱
7.统计和机器学习工具箱(中文)
8.符号数学工具箱
9.文本分析工具箱
二、数据科学与深度学习
1.深度学习HDL工具箱
2.深度学习工具箱(中文)
3.预测维修工具箱
4.加强学习工具箱
5.统计和机器学习工具箱(中文)
6.文本分析工具箱
三、信号处理和无线通信
1.5G的工具箱
2.天线工具箱
3.音频工具箱
4.通信工具箱
5.DSP系统工具箱
6.LTE工具箱
7.相控阵系统工具箱
射频工具箱-toc" style="margin-left:40px;">8.射频工具箱
9.传感器集成和跟踪工具箱
10.SerDes 工具箱
11.信号处理工具箱(中文)
12.小波工具箱
13.WLAN工具箱
1.音频工具箱
2.通信工具箱
3.DSP系统工具箱
4.混合信号Blockset
5.相控阵系统工具箱
6.RF Blockset
7.SerDes 工具箱
8.SoC 块集无线
9.无线HDL工具箱
四、控制系统
1.航空航天工具箱
2.控制系统工具箱
3.fuzzy逻辑工具箱
4.模型预测控制工具箱
5.基于模型的标定工具箱
6.预测维修工具箱
7.强化学习工具箱
8.鲁棒控制工具箱
9.系统提供的工具箱
1.Aerospace Blockset
2.电机控制Blockset
3.动力总成块集
4.simulink控制设计
5.simulink设计优化
6.优化车辆动力学块集
五、图像处理和计算机视觉
1.计算机视觉工具箱
2.图像采集工具箱
3.图像处理工具箱（中文）
4.激光雷达工具箱
5.映射工具箱
6.Vision HDL工具箱
六、并行计算
1.MathWorks云中心
2.MATLAB并行服务器
3.并行计算工具箱
七、测试和测量
1.数据采集工具箱
2.图像采集的工具箱
3.仪器控制工具箱
4.OPC工具箱
5.ThingSpeak
6.车辆网络工具箱
八、计算金融学
1.数据库工具箱
2.数据处理工具箱
3.计量经济学的工具箱
4.金融工具的工具箱
5.金融工具箱
6.风险管理工具箱
7.电子表格的链接
8.交易的工具箱
九、计算生物学
1.生物信息学工具箱
2.模拟生物学
十、应用程序部署
1.MATLAB编译器
2.MATLAB编译器SDK
3.MATLAB生产服务器
4.MATLAB Web App服务器
十一、基于事件建模
1.SimEvents
2.Stateflow
十二、物理建模
1.Simscape
2.Simscape传动系统
3.Simscape电气
4.Simscape流体
5.Simscape多体
6.Simscape多体链接
十三、机器人和自主系统
1.自动驾驶工具箱
2.激光雷达工具箱
3.导航工具箱
4.公路跑者
5.机器人系统工具箱
6.ROS工具箱
7.传感器融合和跟踪工具箱
8.无人机工具箱
十四、实时仿真和测试
1.Simulink Desktop实时
2.Simulink实时
十五、代码生成
1.深度学习HDL工具箱
2.Embedded Coder
4.Fixed-Point Designer
5.GPU编码器
6.HDL编码器
7.HDL验证器
8.MATLAB Coder
9.视觉HDL工具箱
十六、验证、确认和测试
1.HDL验证器
2.多边形错误查找器
3.Polyspace Bug Finder访问
4.Polyspace Bug Finder服务器
5.多边形验证码
6.Polyspace代码验证访问
7.Polyspace代码验证服务器
8.Ada的Polyspace产品
9.Simulink Check
10.Simulink覆盖范围
11.Simulink设计验证器
12.Simulink测试
十七、数据库访问和报告
1.数据库工具箱
2.MATLAB报告生成器
十八、仿真图形和报告
1.Simulink 3D动画
2.Simulink报告生成器
十九、系统工程
1.Simulink要求
2.状态流
3.System Composer
Matlab版本：
如下：
一、数学、统计和优化
1.曲线拟合工具箱
使用回归，插值和平滑使曲线和曲面适合数据
提供了用于将曲线和曲面拟合到数据的应用程序和功能。 该工具箱可让您执行探索性数据分析，预处理和后处理数据，比较候选模型并删除异常值。 您可以使用提供的线性和非线性模型库进行回归分析，也可以指定自己的自定义方程式。 该库提供了优化的求解器参数和起始条件，以提高拟合质量。 该工具箱还支持非参数建模技术，例如样条，插值和平滑。
建立拟合后，您可以应用各种后处理方法进行
- 开始使用
了解曲线拟合工具箱的基础
- 线性和非线性回归
使用线性或非线性库模型或自定义模型拟合曲线或曲面
- 插补
拟合插值曲线或曲面，估计已知数据点之间的值
- 平滑处理
使用平滑样条和局部回归进行拟合，使用移动平均值和其他过滤器对数据进行平滑
- 适合后处理
绘制，离群值，残差，置信区间，验证数据，积分和导数，生成MATLAB®代码
- 花键
构造带有或不带有数据的样条线； ppform，B形，张量积，有理和变形薄板样条
2.深度学习HDL工具箱
在FPGA和SoC上原型化并部署深度学习网络
提供了在FPGA和SoC上原型化和实现深度学习网络的功能和工具。 它提供了预构建的比特流，可在受支持的Xilinx®和Intel®FPGA和SoC器件上运行各种深度学习网络。 通过分析和评估工具，您可以通过探索设计，性能和资源利用之间的折衷来定制深度学习网络。
深度学习HDL工具箱使您能够自定义深度学习网络的硬件实现，并生成可移植的，可综合的Verilog®和VHDL®代码，以部署在任何FPGA上（使用HDL Coder™和Simulink®）。
- 开始使用
了解深度学习HDL工具箱的基础
- FPGA上的深度学习原型网络
估算串联网络的性能。 使用MATLAB®从目标设备分析和检索推理结果
- 深度学习处理器定制和IP生成
配置，构建和生成自定义比特流和处理器IP内核，估算和基准化自定义深度学习处理器性能
- DL处理器IP内核的系统集成
手动将生成的深度学习（DL）处理器IP内核集成到系统设计中
- 深度学习INT8量化
校准，验证和部署量化的预训练系列深度学习网络
- 深度学习HDL工具箱支持的硬件
支持第三方硬件，例如Intel和Xilinx FPGA板
3.深度学习工具箱（中文）
解决多个最大值，多个最小值和不平滑的优化问题
全局优化工具箱提供的功能可搜索包含多个最大值或最小值的问题的全局解决方案。工具箱求解器包括。您可以将这些求解器用于目标或约束函数是连续，不连续，随机，不具有导数或不包含模拟或黑盒函数的优化问题。对于具有多个目标的问题，您可以使用遗传算法或模式搜索求解器来识别Pareto前沿。
您可以通过调整选项以及对适用的求解器自定义创建，更新和搜索功能来提高求解器效率。您可以将自定义数据类型与遗传算法和模拟退火求解器一起使用，以表示用标准数据类型不易表达的问题。混合函数选项使您可以通过在第一个求解器之后应用第二个求解器来改进解决方案。
- 开始使用
了解全局优化工具箱的基础
- 优化问题设置
选择求解器，定义目标函数和约束，并行计算
- 全局或多个起点搜索
多个起点求解器，用于基于约束或不受约束的基于梯度的优化
- 直接搜寻
模式搜索求解器，用于无导数优化，有约束或无约束
- 遗传算法
遗传算法求解器，用于混合整数或连续变量优化，有约束或无约束
- 粒子群
粒子群求解器可实现无导数无约束优化或有界优化
- 替代优化
具有边界和可选整数约束的昂贵目标函数的替代优化求解器
- 模拟退火
模拟退火求解器，用于无导数无约束优化或有界优化
- 多目标优化
通过遗传或模式搜索算法的帕累托集，有或没有约束
4.全局优化工具箱
设计、训练和分析深度学习网络
提供了一个用于通过 来设计和实现深度神经网络的框架。您可以使用。您可以使用来构建网络架构，如。使用 ，您能够以。Experiment Manager 可帮助您管理多个。您可以可视化层激活，并以。
您可以通过，并从 。该工具箱支持使用 DarkNet-53、ResNet-50、NASNet、SqueezeNet 和许多其他预训练模型进行迁移学习。
您可以在单 GPU 或多 GPU 工作站（安装了 Parallel Computing Toolbox™）上加快训练速度，或扩展到群集和云，包括 NVIDIA® GPU Cloud 和 Amazon EC2® GPU 实例（安装了 MATLAB® Parallel Server™）。
- Deep Learning Toolbox 快速入门
Deep Learning Toolbox 基础知识学习
- 图像深度学习
从头开始或使用新任务
- 时序、序列和文本深度学习
创建和训练用于的网络
- 深度学习调整和可视化
管理试验，绘制训练进度、评估准确度、进行预测、调整训练选项以及将网络学习的特征可视化
- 通过并行计算和云进行深度学习
在本地使用，并以交互方式或批处理作业的形式训练多个网络
- 深度学习应用
扩展深度学习工作流在的应用
- 深度学习导入、导出和自定义
，并
- 深度学习数据预处理
- 深度学习代码生成
生成 MATLAB 代码或 CUDA® 和 C++ 代码，并部署深度学习网络
- 函数逼近、聚类和控制
使用，以及
5.优化工具箱（中文）
求解优化问题 Optimization Toolbox™ 提供了多个函数，这些函数可在满足约束的的参数。该工具箱包含适用于下列各项的求解器：。您可以用来定义优化问题，也可以通过指定。
您可以使用该工具箱提供的求解器，中。该工具箱允许您执行设计优化任务，包括参数估计、分量选择和参数调整。它可用于在等应用中求最优解。
- Optimization Toolbox 快速入门
Optimization Toolbox 基础知识学习
- 基于问题的优化设置
使用变量和表达式表示优化问题，以串行或并行方式求解
- 基于求解器的优化问题设置
选择求解器，定义目标函数和约束，并行计算
- 非线性优化
以串行或并行方式求解具有一个或多个目标的有约束或无约束非线性问题
- 线性规划和混合整数线性规划
求解具有连续变量和整数变量的线性规划问题
- 二次规划
用二次目标和线性约束求解问题
- 最小二乘
求解最小二乘（曲线拟合）问题
- 非线性方程组
以串行或并行方式求解非线性方程组
- 优化结果
了解求解器输出并改进结果
6.偏微分方程工具箱
使用
Partial Differential Equation Toolbox™提供使用的功能。
您可以执行线性静态分析以。为了对，工具箱提供了直接时间积分求解器。您可以通过执行模态分析来找到。您可以对。您还可以解决标准问题，例如扩。
偏微分方程工具箱可让您从STL或网格数据导入2D和3D几何。您可以自动生成具有三角形和四面体元素的网格。您可以使用有限元方法求解PDE，并对结果进行后处理以进行探索和分析。
- 开始使用
了解偏微分方程工具箱的基础
- 几何和网格
定义几何并使用三角形或四面体网格离散化
- 结构力学
解决线性静态，瞬态，模态分析和频率响应问题
- 传播热量
通过边界处的对流和辐射解决传导主导的传热问题
- 电磁学
解决建模电场和磁场的问题
- 通用PDE
解决一般线性和非线性PDE，以解决平稳，与时间有关和特征值问题
7.统计和机器学习工具箱(中文)
使用来
Statistics and Machine Learning Toolbox™ 提供了用于的。您可以使用。允许您从数据做出推断并构建预测模型。
对于，Statistics and Machine Learning Toolbox 提供了，让您能够识别影响模型的。
此工具箱提供，包括。可以使用许多和来计算因为太大而无法存储在内存中的大型数据集。
- Statistics and Machine Learning Toolbox 快速入门
Statistics and Machine Learning Toolbox 基础知识学习
- 描述性统计量和可视化
数据的导入和导出、描述性统计量、可视化
- 概率分布
数据频数模型、随机样本生成、参数估计
- 假设检验
t 检验、F 检验、卡方拟合优度检验等
- 聚类分析
无监督学习方法，用于查找数据中的自然分组和模式
- ANOVA
方差与协方差分析、多元 ANOVA、重复测量 ANOVA
- 回归
有监督学习的线性、广义线性、非线性和非参数化方法
- 分类
用于二类问题和多类问题的有监督学习算法
- 降维和特征提取
PCA、因子分析、特征选择、特征提取等
- 工业统计
实验设计 (DOE)；生存和可靠性分析；统计过程控制
- 使用 tall 数组的大数据分析
分析无法放入内存的数据
- 加快统计计算速度
统计函数的并行计算或分布式计算
- 代码生成
为 Statistics and Machine Learning Toolbox 函数生成 C/C++ 代码和 MEX 函数
8.符号数学工具箱
执行符号数学计算
Symbolic Math Toolbox™提供了用于的功能。您可以使用MATLAB®Live Editor创建，运行和共享符号数学代码。该工具箱提供了常见数学领域的功能，例如。
使用，您可以分析解。您可以使用SI和US单位系统执行尺寸计算和转换。您可以通过分析或使用可变精度算术来执行计算，结果以数学排版显示。
您可以与其他MATLAB用户共享符号工作作为实时脚本，也可以将它们转换为进行发布。您可以直接从符号表达式生成MATLAB函数，Simulink®功能块和Simscape™方程。
- 开始使用
了解符号数学工具箱的基础
- MATLAB中的符号计算
符号变量，表达式，函数，符号与数字之间的转换
- 数学
方程求解，公式简化，演算，线性代数等
- 图形
二维和三维图，数据探索和可视化技术
- 代码生成
在MATLAB，Simulink，Simscape，C，Fortran和LaTeX中使用符号结果
- MuPAD到MATLAB的移植
将MuPAD®笔记本迁移到MATLAB脚本
9.文本分析工具箱
分析和建模文本数据
Text Analytics Toolbox™提供了用于。 使用工具箱创建的模型可以用于的应用程序中。
文本分析工具箱包含用于。 您可以从流行的文件格式中。
使用的，您可以。 可以将使用Text Analytics Toolbox创建的功能与其他数据源的功能组合起来，以构建利。
- 开始使用
了解文本分析工具箱的基础
- 文字数据准备
将文本数据导入MATLAB®并进行预处理以进行分析
- 建模与预测
使用主题模型和词嵌入开发预测模型
- 显示和演示
使用词云和文本散点图可视化文本数据和模型
- 语言支援
文本分析工具箱中有关语言支持的信息
二、数据科学和深度学习
1.深度学习HDL工具箱
在FPGA和SoC上原型化并部署深度学习网络 深度学习HDL Toolbox™提供了在FPGA和SoC上原型化和实现深度学习网络的功能和工具。 它提供了，可在受支持的Xilinx®和Intel®FPGA和SoC器件上运行各种深度学习网络。 通过分析和评估工具，您可以通过探索设计，性能和资源利用之间的折衷来定制深度学习网络。
深度学习使您能够，并生成，以部署在（使用HDL Coder™和Simulink®）。
- 开始使用
了解深度学习HDL工具箱的基础
- FPGA上的深度学习原型网络
估算串联网络的性能。 使用MATLAB®从目标设备分析和检索推理结果
- 深度学习处理器定制和IP生成
配置，构建和生成自定义比特流和处理器IP内核，估算和基准化自定义深度学习处理器性能
- DL处理器IP内核的系统集成
手动将生成的中
- 深度学习INT8量化
校准，验证和部署量化的预训练系列深度学习网络
- 深度学习HDL工具箱支持的硬件
支持第三方硬件，例如Intel和Xilinx FPGA板
2.深度学习工具箱（中文）
Deep Learning Toolbox™ 提供了一个用于通过。您可以使用。您可以使用自动微分、自定义训练循环和共享权重来构建网络架构，如生成对抗网络 (GAN) 和孪生网络。使用 Deep Network Designer，您能够以图形方式设计、分析和训练网络。Experiment Manager 可帮助您管理多个深度学习试验，跟踪训练参数，分析结果，并比较不同试验的代码。您可以可视化层激活，并以图形方式监控训练进度。
您可以通过 ONNX™ 格式与 TensorFlow™ 和 PyTorch 交换模型，并从 TensorFlow-Keras 和 Caffe 导入模型。该工具箱支持使用 DarkNet-53、ResNet-50、NASNet、SqueezeNet 和许多其他预训练模型进行迁移学习。
您可以在单 GPU 或多 GPU 工作站（安装了 Parallel Computing Toolbox™）上加快训练速度，或扩展到群集和云，包括 NVIDIA® GPU Cloud 和 Amazon EC2® GPU 实例（安装了 MATLAB® Parallel Server™）。
- Deep Learning Toolbox 快速入门
Deep Learning Toolbox 基础知识学习
- 图像深度学习
从头开始训练卷积神经网络或使用预训练的网络快速学习新任务
- 时序、序列和文本深度学习
创建和训练用于时序分类、回归和预测任务的网络
- 深度学习调整和可视化
管理试验，绘制训练进度、评估准确度、进行预测、调整训练选项以及将网络学习的特征可视化
- 通过并行计算和云进行深度学习
在本地使用多个 GPU 或在云中扩展深度学习，并以交互方式或批处理作业的形式训练多个网络
- 深度学习应用
扩展深度学习工作流在计算机视觉、图像处理、自动驾驶、信号和音频领域的应用
- 深度学习导入、导出和自定义
导入、导出和自定义深度学习网络，并自定义层、训练循环和损失函数
- 深度学习数据预处理
管理和预处理深度学习数据
- 深度学习代码生成
生成 MATLAB 代码或 CUDA® 和 C++ 代码，并部署深度学习网络
- 函数逼近、聚类和控制
使用浅层神经网络执行回归、分类和聚类，以及对非线性动态系统建模
3.预测维修工具箱
设计和测试条件监视以及预测性维护算法
Predictive Maintenance Toolbox™使您可以标记数据，设计条件指示器并估算机器的剩余使用寿命（RUL）。
该工具箱提供了功能和一个交互式应用程序，可使用来探索，提取和排序特征。您可以通过。要估算机器的故障时间，您可以使用生存期，相似度和基于趋势的模型来预测RUL。
您可以分析和标记从本地文件，云存储和分布式文件系统导入的传感器数据。您还可以标记从Simulink®模型生成的模拟故障数据。该工具箱包含用于电动机，齿轮箱，电池和其他机器的参考示例，这些参考示例可重复使用以开发自定义的预测性维护和状态监视算法。
- 开始使用
了解预测性维护工具箱的基础
- 管理系统数据
导入测量数据，生成模拟数据，组织数据以在命令行和应用程序中使用
- 预处理数据
清理和转换数据，以准备在命令行和应用程序中提取条件指示器
- 确定状况指标
在命令行或应用程序中浏览数据以识别可以指示系统状态或预测未来状态的功能
- 检测并预测故障
训练用于状态监控和故障检测的决策模型； 预测剩余使用寿命（RUL）
- 部署预测性维护算法
实施和部署状态监控和预测维护算法
4.强化学习工具箱
使用 Reinforcement Learning Toolbox™使用强化学习算法（包括DQN，A2C和DDPG）为培训策略提供功能和模块。您可以使用。
该工具箱使您能够通过与MATLAB®或Simulink®模型所代表的环境进行交互来训练策略。您可以评估算法，尝试使用。为了提高训练效果，您可以在云，计算机集群和GPU（使用Parallel Computing Toolbox™和MATLAB Parallel Server™）上并行运行模拟。
通过ONNX™模型格式，可以从深度学习框架（如TensorFlow™Keras和PyTorch（带有Deep Learning Toolbox™））中导入现有策略。您可以生成优化的C，C ++和CUDA代码，以在微控制器和GPU上部署经过训练的策略。
该工具箱包含参考示例，这些参考示例用于使用强化学习来设计用于机器人技术和自动驾驶应用程序的控制器。
- 开始使用
了解强化学习工具箱的基础
- MATLAB环境
使用MATLAB模型强化
- Simulink环境
使用Simulink模型进行模型强化学习环境动力学
- 代理商
使用通用算法（例如SARSA，DQN，DDPG和A2C）创建和配置强化学习代理
- 政策和价值功能
定义策略和价值函数表示形式，例如深度神经网络和Q表
- 培训与验证
训练和模拟强化学习代理
- 政策部署
代码生成和部署经过培训的策略
5.统计和机器学习工具箱(中文)
使用统计信息和机器学习来分析数据并为数据建模 Statistics and Machine Learning Toolbox™ 提供了。您可以使用描述性统计量和绘图进行探索性数据分析，对数据进行概率分布拟合，生成进行蒙特卡罗仿真的随机数，以及执行假设检验。回归算法和分类算法允许您从数据做出推断并构建预测模型。
对于多维数据分析，Statistics and Machine Learning Toolbox 提供了特征选择、逐步回归、主成分分析 (PCA)、正则化以及其他降维方法，让您能够识别影响模型的变量或特征。
此工具箱提供有监督和无监督的机器学习算法，包括支持向量机 (SVM)、提升决策树和装袋决策树、k 最近邻、k 均值、k 中心点、层次聚类、高斯混合模型以及隐马尔可夫模型。可以使用许多统计算法和机器学习算法来计算因为太大而无法存储在内存中的大型数据集。
- Statistics and Machine Learning Toolbox 快速入门
Statistics and Machine Learning Toolbox 基础知识学习
- 描述性统计量和可视化
数据的导入和导出、描述性统计量、可视化
- 概率分布
数据频数模型、随机样本生成、参数估计
- 假设检验
t 检验、F 检验、卡方拟合优度检验等
- 聚类分析
无监督学习方法，用于查找数据中的自然分组和模式
- ANOVA
方差与协方差分析、多元 ANOVA、重复测量 ANOVA
- 回归
有监督学习的线性、广义线性、非线性和非参数化方法
- 分类
用于二类问题和多类问题的有监督学习算法
- 降维和特征提取
PCA、因子分析、特征选择、特征提取等
- 工业统计
实验设计 (DOE)；生存和可靠性分析；统计过程控制
- 使用 tall 数组的大数据分析
分析无法放入内存的数据
- 加快统计计算速度
统计函数的并行计算或分布式计算
- 代码生成
为 Statistics and Machine Learning Toolbox 函数生成 C/C++ 代码和 MEX 函数
6.文本分析工具箱
分析和建模文本数据 Text Analytics Toolbox™提供了用于。 使用工具箱创建的模型可以用于诸如情感分析，预测性维护和主题建模之类的应用程序中。
文本分析工具箱包含用于处理来自设备日志，新闻提要，调查，操作员报告和社交媒体等来源的原始文本的工具。 您可以从流行的文件格式中提取文本，预处理原始文本，提取单个单词，将文本转换为数字表示形式，并建立统计模型。
使用LSA，LDA和词嵌入之类的机器学习技术，您可以从高维文本数据集中找到聚类并创建特征。 可以将使用Text Analytics Toolbox创建的功能与其他数据源的功能组合起来，以构建利用文本，数字和其他类型数据的机器学习模型。
- 开始使用
了解文本分析工具箱的基础
- 文字数据准备
将文本数据导入MATLAB®并进行预处理以进行分析
- 建模与预测
使用主题模型和词嵌入开发预测模型
- 显示和演示
使用词云和文本散点图可视化文本数据和模型
- 语言支援
文本分析工具箱中有关语言支持的信息
三、信号处理与无线通信
1.5G的工具箱
模拟，分析和测试5G通信系统 5G Toolbox™为5G新无线电（NR）通信系统的建模，仿真和验证提供了符合标准的功能和参考示例。该工具箱支持链路级仿真，黄金参考验证，一致性测试和测试波形生成。
使用工具箱，您可以配置，模拟，测量和分析端到端5G NR通信链路。您可以修改或自定义工具箱功能，并将其用作实现5G系统和设备的参考模型。
该工具箱提供功能和参考示例，以帮助您表征上行链路和下行链路基带规范，并模拟RF设计和干扰源对系统性能的影响。您可以使用Wireless Waveform Generator应用程序以编程方式或交互方式生成波形并定制测试台。使用这些波形，您可以验证您的设计，原型和实现符合3GPP 5G NR规范。
- 开始使用
了解5G工具箱的基础知识
- 下行通道
5G NR下行链路物理信道和信号，传输信道和控制信息
- 上行通道
5G NR上行链路物理信道和信号，传输信道和控制信息
- 物理层子组件
用于5G NR信道处理的低级子组件
- 信号接收
用于处理接收到的5G NR信号的信道估计和均衡
- 端到端仿真
使用5G NR集群延迟线（CDL）和分接延迟线（TDL）信道模型进行链路级块错误率仿真
- 系统级仿真
5G NR多节点通信
- 测试与量测
5G NR波形生成，可视化和发射机性能分析
- 代码生成和部署
生成代码或独立可执行文件
2.天线的工具箱
Antenna Toolbox™提供用于天线元件和阵列的设计，分析和可视化的功能和应用程序。您可以使用具有参数化几何形状的预定义元素或任意平面元素来设计独立天线并构建天线阵列。
天线工具箱使用矩量法（MoM）来计算端口属性（例如阻抗），表面属性（例如电流和电荷分布）以及场属性（例如近场和远场辐射方向图）。您可以在2D和3D中可视化天线几何形状和分析结果。
您可以将天线和阵列集成到无线系统中，并使用阻抗分析来设计匹配的网络。天线工具箱提供用于模拟波束形成和波束控制算法的辐射方向图。可以从您的设计生成Gerber文件，以制造印刷电路板（PCB）天线。您可以将天线安装在汽车或飞机等大型平台上，并分析结构对天线性能的影响。站点查看器使您可以使用各种传播模型来可视化3D地形图上的天线覆盖范围。
- 开始使用
了解天线工具箱的基础
- 天线目录
天线元件，支撑结构，参数化几何图形可视化，天线设计，电介质
- 阵列目录
有限和无限数组，布局可视化，相互耦合，嵌入式模式，模式乘法
- 定制几何形状和PCB制造
形状和布尔运算，自定义网格和几何形状，多端口天线，印刷电路板（PCB）堆栈，Gerber文件生成
- 分析，基准测试和验证
天线和阵列分析，网格划分，求解器，天线工具箱模拟与测量结果的比较
- 天线和阵列优化
最大化带宽，最小化SLL，执行阵列细化，最大化F / B比
- 导入，导出和可视化
读取，可视化和写入STL文件和MSI行星天线文件，以2D和3D测量方向图数据，创建交互式极坐标图
- 安装天线和大型结构
平台，无限阵列和无限地平面上的天线
- 射频传播
站点和地形可视化，传播模型规范和可视化，路径损耗，TIREM™，Longley-Rice，室外和室内光线跟踪
3.音频工具箱
Audio Toolbox™提供了用于音频处理，语音分析和声学测量的工具。它包括用于音频信号处理（例如均衡和动态范围控制）和声学测量（例如脉冲响应估计，倍频程滤波和感知加权）的算法。它还提供了用于音频和语音特征提取（例如MFCC和音高）和音频信号转换（例如伽马通滤波器组和梅尔间隔频谱图）的算法。
工具箱应用程序支持实时算法测试，脉冲响应测量和音频信号标记。该工具箱提供了到ASIO™，WASAPI，ALSA和CoreAudio声卡和MIDI设备的流接口，以及用于生成和托管标准音频插件（例如VST和音频单元）的工具。
使用音频工具箱，您可以导入，标记和扩展音频数据集，以及提取特征并转换信号以进行机器学习和深度学习。您可以在调整参数和可视化信号的同时流式传输低延迟音频，从而实时制作音频处理算法的原型。您还可以通过将算法转换为音频插件以在外部主机应用程序（如数字音频工作站）中运行来验证算法。插件托管使您可以使用外部音频插件（例如常规对象）来处理MATLAB®阵列。声卡连接功能使您可以在真实的音频信号和声学系统上运行自定义测量。
- 开始使用
了解音频工具箱的基础
- 音频I / O和波形生成
记录和播放设备中的音频，读取和写入音频文件，生成波形
- 音频处理算法设计
音频处理工具，算法设计和模块化，流处理
- 机器学习和音频深度学习
数据集管理，标记和扩充；音频，语音和声学应用的分割和特征提取
- 测量和空间音频
声学，心理声学，房间冲动响应，HRTF，SPL计量
- 仿真，调整和可视化
实时原型制作和调音，MIDI，音频测试台
- 乐器数字接口（MIDI）
创建，发送和接收MIDI消息
- 音频插件的创建和托管
VST和AU的生成，测试，验证和托管
- 代码生成和部署
生成台式机，移动设备和嵌入式目标的独立应用程序
4.通信工具箱
Communications Toolbox™提供用于分析，设计，端到端仿真和验证通信系统的算法和应用程序。工具箱算法（包括）使您能够组成和仿真基于标准或定制设计的无线通信系统的物理层模型。
该工具箱提供了一个波形发生器应用，星座图和眼图，误码率以及其他用于验证设计的分析工具和范围。这些工具使您可以生成和分析信号，可视化通道特性并获得性能指标，例如误差矢量幅度（EVM）。该工具箱包括。频道配置文件选项包括Rayleigh，Rician和WINNER II模型。它还包括。这些算法使您可以对链路级规范进行实际建模，并补偿信道降级的影响。
通过将Communications Toolbox与RF仪器或硬件支持包一起使用，可以将发射器和接收器模型连接到无线电设备，并通过无线测试来验证设计。
- 开始使用
了解通信工具箱的基础
- PHY组件
物理层功能包括波形生成，源编码，差错控制编码，调制，MIMO，空时编码，滤波，均衡和同步
- 射频组件建模
行为射频无线电建模和损伤校正
- 传播和渠道模型
站点和地形可视化，传播模型规范（包括Longley-Rice），信号强度，信号覆盖图以及静态和衰落信道模型
- 链接级仿真
链路级通信系统仿真与分析实例
- 系统级仿真
DLL，MAC子层和LLC子层示例
- 符合标准的系统
符合各种标准的系统模型
- 测试与量测
波形生成，可视化和性能分析
- 无线系统中的深度学习
在无线通信系统中使用深度学习
- 代码生成和部署
生成台式机和嵌入式目标的独立应用程序
- 支持的硬件–软件定义的无线电
支持第三方软件定义的无线电硬件，例如Xilinx®，RTL-SDR，ADALM-PLUTO和USRP™无线电
5.DSP系统工具箱
设计和仿真流信号处理系统 DSP System Toolbox™提供了用于在MATLAB®和Simulink®中设计，。您可以为
借助DSP System Toolbox，您可以设计和分析FIR，IIR，多速率，多级和自适应滤波器。您可以流传输来自变量，数据文件和网络设备的信号，以进行系统开发和验证。时间范围，频谱分析仪和逻辑分析仪使您可以动态地可视化和测量流信号。对于桌面原型和部署到嵌入式处理器（包括ARM®Cortex®架构），该工具箱支持C / C ++代码生成。它还支持从滤波器，FFT，IFFT和其他算法生成位精确的定点建模和HDL代码。
算法可用作MATLAB函数，系统对象和Simulink块。
- 开始使用
了解DSP系统工具箱的基础
- 信号生成，操纵和分析
创建，导入，导出，显示和管理信号
- 过滤器设计与分析
FIR，IIR，频率转换
- 过滤器实施
单速率，多速率和自适应滤波器
- 变换和光谱分析
FFT，DCT，频谱分析，线性预测
- 统计和线性代数
测量，统计，矩阵数学，线性代数
- 定点设计
浮点到定点转换，定点算法设计
- 代码生成
仿真加速，代码生成，ARM Cortex-M处理器和ARM Cortex-A处理器的优化
- 应用领域
，通信和生物医学系统
- DSP系统工具箱支持的硬件
支持第三方硬件，例如ARM Cortex-M和ARM Cortex-A处理器
6.LTE工具箱
模拟，分析和测试 LTE Toolbox™提供了符合标准的功能和应用程序，用于LTE，LTE-Advanced和LTE-Advanced Pro通信系统的设计，仿真和验证。 该工具箱可加速LTE算法和物理层（PHY）的开发，支持黄金参考验证和一致性测试，并能够生成测试波形。
使用工具箱，您可以配置，模拟，测量和分析端到端通信链接。 您还可以创建和重用一致性测试平台，以验证您的设计，原型和实施是否符合LTE标准。