针对高光谱图像空间分辨率不足导致异常检测虚警率过高的问题，提出了一种利用主成分分析（PCA）和IHS变换融合以降低虚警率的算法。
首先对低分辨率高光谱图像进行PCA变换，提取3个主成分；
然后对这3个主成分和高分辨率图像分别进行IHS变换，得到各自的强度分量，把高光谱数据的强度分量替换成高分辨率图像的强度分量；
再运用IHS变换的可逆性，将新的强度分量与原色度分量和饱和度分量进行IHS逆变换，得到空间信息增强的高光谱图像数据；
最后使用KRX算法对空间信息增强的高光谱图像数据进行异常检测。
实验结果表明，本文算法的虚警率与KRX算法相比有很大的降低，取得了良好的检测效果。
首先对低分辨率高光谱图像进行PCA变换，提取3个主成分；
然后对这3个主成分和高分辨率图像分别进行IHS变换，得到各自的强度分量，把高光谱数据的强度分量替换成高分辨率图像的强度分量；
再运用IHS变换的可逆性，将新的强度分量与原色度分量和饱和度分量进行IHS逆变换，得到空间信息增强的高光谱图像数据；
最后使用KRX算法对空间信息增强的高光谱图像数据进行异常检测。
实验结果表明，本文算法的虚警率与KRX算法相比有很大的降低，取得了良好的检测效果。
2025/8/15 1:14:24
814KB
1
matlab基于BP神经网络的人脸识别，包含matlab代码及所需要的ORL人脸库，采用了主成分分析法进行特征提取，取得不错的效果。
2025/8/8 8:52:04
6.19MB
1
函数型数据分析的全部代码和数据以及参考文献，全部是本人亲自收集和处理的，共300多M，相关介绍详见我的博文https://blog.csdn.net/lusongno1/article/details/89305520#comments_14878182。
2025/7/15 13:11:45
377.11MB
1
识别率的提升是图像处理技术的关键环节，笔者针对第二代曲波变换算法在图像识别处理过程中，所存在的图像边缘“振铃”效应和由于“楔形基”的特性所导致的图像失真问题，提出了第二代曲波加权改进算法及对图像识别的实现过程，并且分别通过ORL和Yale图像进行了对比仿真实验，证明了较传统的小波加权双向二维主成分分析算法在对识别中有明显的提高，从而验证了该算法在图像识别处理上的可行性和有效性。
2025/6/14 3:14:26
758KB
1
数学建模常用程序包，包括神经网络、图论算法、小波预测、元胞自动机、回归预测、灰色预测、聚类分析、SVM、时间序列、粒子群优化、模拟退火、遗传算法、主成分分析、图像处理等数十种常用代码，可以直接运行。
2025/2/22 21:02:50
18.4MB
1
本书是作者经过10余年的教学实践，在总结前两版教材的基础上，根据广大读者的反馈意见修订而成的。
全书基于SPSS23中文版软件版本，同时兼顾早期的软件版本。
在编写过程中，作者以统计分析的实际应用为主线，在对主要统计分析方法的基本概念和统计学原理进行简明介绍的基础上，以64个实例为载体对SPSS23中各种分析方法的应用场合和操作过程进行了清晰说明，并对相关领域的29个统计分析典型案例进行了应用方法及解决思路的详细分析。
全书共有思考与练习题76个，以供巩固学习效果和课后练习。
全书内容覆盖了SPSS23中常用的统计分析方法，共13章。
第1章介绍SPSS的基础知识；
第2章介绍统计数据的收集与预处理；
第3～12章介绍SPSS23的各种统计方法，包括描述性统计分析、均值比较与T检验、非参数检验、方差分析、相关分析、回归分析、聚类和判别分析、主成分分析和因子分析、时间序列分析、信度分析；
第13章介绍图表的创建与编辑。
全书基于SPSS23中文版软件版本，同时兼顾早期的软件版本。
在编写过程中，作者以统计分析的实际应用为主线，在对主要统计分析方法的基本概念和统计学原理进行简明介绍的基础上，以64个实例为载体对SPSS23中各种分析方法的应用场合和操作过程进行了清晰说明，并对相关领域的29个统计分析典型案例进行了应用方法及解决思路的详细分析。
全书共有思考与练习题76个，以供巩固学习效果和课后练习。
全书内容覆盖了SPSS23中常用的统计分析方法，共13章。
第1章介绍SPSS的基础知识；
第2章介绍统计数据的收集与预处理；
第3～12章介绍SPSS23的各种统计方法，包括描述性统计分析、均值比较与T检验、非参数检验、方差分析、相关分析、回归分析、聚类和判别分析、主成分分析和因子分析、时间序列分析、信度分析；
第13章介绍图表的创建与编辑。
2025/1/31 16:46:47
10.18MB
1
结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。
该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；
然后利用深度卷积神经网络对输入的样本进行空间特征提取；
最后通过学习到的高级特征进行回归训练
该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；
然后利用深度卷积神经网络对输入的样本进行空间特征提取；
最后通过学习到的高级特征进行回归训练
2025/1/22 10:55:54
3.25MB
1
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。
2024-04-09 15:03
15KB