matlab算法实现的人脸定位和人眼定位，通过肤色找到人脸继而定位人眼matlab算法实现的人脸定位和人眼定位，通过肤色找到人脸继而定位人眼
2025/6/27 19:49:43
2.06MB
1
MATLAB中AR模型功率谱估计中AR阶次估计的实现-psd_my.rar（最近看了几个关于功率谱的问题，有关AR模型的谱估计，在此分享一下，希望大家不吝指正）（声明：本文内容摘自我的毕业论文——心率变异信号的预处理及功率谱估计）（按：AR模型功率谱估计是对非平稳随机信号功率谱估计的常用方法，但是其模型阶次的估计，除了HOSA工具箱里的arorder函数外，没有现成的函数可用，arorder函数是基于矩阵SVD分解的阶次估计方法，为了比较各种阶次估计方法的区别，下面的函数使用了'FPE','AIC','MDL','CAT'集中准则一并估计，并采用试验方法确定那一个阶次更好。
）………………………………以上省略……………………………………………………………………假设原始数据序列为x，那么n阶参数使用最小二乘估计在MATLAB中实现如下：Y=x;Y(1:n)=[];m=N-n;X=[];%构造系数矩阵fori=1:m forj=1:n X(i,j)=xt(ni-j); endendbeta=inv(X'*X)*X'*Y';复制代码beta即为用最小二乘法估计出的模型参数。
此外，还有估计AR模型参数的Yule-Walker方程法、基于线性预测理论的Burg算法和修正的协方差算法等[26]。
相应的参数估计方法在MATLAB中都有现成的函数，比如aryule、arburg以及arcov等。
4.3.3AR模型阶次的选择及实验设计文献[26]中介绍了五种不同的AR模型定阶准则，分别为矩阵奇异值分解（SingularValueDecomposition,SVD）定阶法、最小预测定误差阶准则（FinalPredictionErrorCriterion,FPE）、AIC定阶准则（Akaika’sInformationtheoreticCriterion,AIC）、MDL定阶准则以及CAT定阶准则。
文献[28]中还介绍了一种BIC定阶准则。
SVD方法是对Yule-Walker方程中的自相关矩阵进行SVD分解来实现的，在MATLAB工具箱中arorder函数就是使用的该算法。
其他五种算法的基本思想都是建立目标函数，阶次估计的标准是使目标函数最小化。
以上定阶准则在MATLAB中也可以方便的实现，下面是本文实现FPE、AIC、MDL、CAT定阶准则的程序（部分）：form=1:N-1 …… %判断是否达到所选定阶准则的要求 ifstrcmp(criterion,'FPE') objectfun(m1)=(N(m1))/(N-(m1))*E(m1); elseifstrcmp(criterion,'AIC') objectfun(m1)=N*log(E(m1))2*(m1); elseifstrcmp(criterion,'MDL') objectfun(m1)=N*log(E(m1))(m1)*log(N); elseifstrcmp(criterion,'CAT') forindex=1:m1 temp=temp(N-index)/(N*E(index)); end objectfun(m1)=1/N*temp-(N-(m1))/(N*E(m1)); end ifobjectfun(m1)＞=objectfun(m) orderpredict=m; break; endend复制代码orderpredict变量即为使用相应准则预测的AR模型阶次。
（注：以上代码为结合MATLAB工具箱函数pburg,arburg两个功率谱估计函数增加而得，修改后的pburg等函数会在附件中示意，名为pburgwithcriterion）登录/注册后可看大图程序1.JPG(35.14KB,下载次数:20352)下载附件 保存到相册2009-8-2820:54上传登录/注册后可看大图程序2.JPG(51.78KB,下载次数:15377)下载附件 保存到相册2009-8-2820:54上传下面本文使用3.2.1实验设计的输出结果即20例经预处理的HRV信号序列作为实验对象，分别使用FPE、AIC、MAL和CAT定阶准则预测AR模型阶次，图4.1（见下页）为其中一例典型信号使用不同预测准则其目标函数随阶次的变化情况。
从图中可以看出，使用FPE、AIC以及MDL定阶准则所预测的AR模型阶次大概位于10附近，即阶次10左右会使相应的目标函数最小化，符合定阶准则的要求，使用CAT定阶准则预测的阶次较小，在5~10之间。
图4.2（见下页）为另一例信号的阶次估计情况，从中也可以得到同样的结论。
（注，实验信号为实验室所得，没有上传）登录/注册后可看大图图片1.JPG(28.68KB,下载次数:5674)下载附件 保存到相册2009-8-2820:54上传
）………………………………以上省略……………………………………………………………………假设原始数据序列为x，那么n阶参数使用最小二乘估计在MATLAB中实现如下：Y=x;Y(1:n)=[];m=N-n;X=[];%构造系数矩阵fori=1:m forj=1:n X(i,j)=xt(ni-j); endendbeta=inv(X'*X)*X'*Y';复制代码beta即为用最小二乘法估计出的模型参数。
此外，还有估计AR模型参数的Yule-Walker方程法、基于线性预测理论的Burg算法和修正的协方差算法等[26]。
相应的参数估计方法在MATLAB中都有现成的函数，比如aryule、arburg以及arcov等。
4.3.3AR模型阶次的选择及实验设计文献[26]中介绍了五种不同的AR模型定阶准则，分别为矩阵奇异值分解（SingularValueDecomposition,SVD）定阶法、最小预测定误差阶准则（FinalPredictionErrorCriterion,FPE）、AIC定阶准则（Akaika’sInformationtheoreticCriterion,AIC）、MDL定阶准则以及CAT定阶准则。
文献[28]中还介绍了一种BIC定阶准则。
SVD方法是对Yule-Walker方程中的自相关矩阵进行SVD分解来实现的，在MATLAB工具箱中arorder函数就是使用的该算法。
其他五种算法的基本思想都是建立目标函数，阶次估计的标准是使目标函数最小化。
以上定阶准则在MATLAB中也可以方便的实现，下面是本文实现FPE、AIC、MDL、CAT定阶准则的程序（部分）：form=1:N-1 …… %判断是否达到所选定阶准则的要求 ifstrcmp(criterion,'FPE') objectfun(m1)=(N(m1))/(N-(m1))*E(m1); elseifstrcmp(criterion,'AIC') objectfun(m1)=N*log(E(m1))2*(m1); elseifstrcmp(criterion,'MDL') objectfun(m1)=N*log(E(m1))(m1)*log(N); elseifstrcmp(criterion,'CAT') forindex=1:m1 temp=temp(N-index)/(N*E(index)); end objectfun(m1)=1/N*temp-(N-(m1))/(N*E(m1)); end ifobjectfun(m1)＞=objectfun(m) orderpredict=m; break; endend复制代码orderpredict变量即为使用相应准则预测的AR模型阶次。
（注：以上代码为结合MATLAB工具箱函数pburg,arburg两个功率谱估计函数增加而得，修改后的pburg等函数会在附件中示意，名为pburgwithcriterion）登录/注册后可看大图程序1.JPG(35.14KB,下载次数:20352)下载附件 保存到相册2009-8-2820:54上传登录/注册后可看大图程序2.JPG(51.78KB,下载次数:15377)下载附件 保存到相册2009-8-2820:54上传下面本文使用3.2.1实验设计的输出结果即20例经预处理的HRV信号序列作为实验对象，分别使用FPE、AIC、MAL和CAT定阶准则预测AR模型阶次，图4.1（见下页）为其中一例典型信号使用不同预测准则其目标函数随阶次的变化情况。
从图中可以看出，使用FPE、AIC以及MDL定阶准则所预测的AR模型阶次大概位于10附近，即阶次10左右会使相应的目标函数最小化，符合定阶准则的要求，使用CAT定阶准则预测的阶次较小，在5~10之间。
图4.2（见下页）为另一例信号的阶次估计情况，从中也可以得到同样的结论。
（注，实验信号为实验室所得，没有上传）登录/注册后可看大图图片1.JPG(28.68KB,下载次数:5674)下载附件 保存到相册2009-8-2820:54上传
2025/6/27 16:08:25
6KB
1
汇编的递归子程序实现阶乘部分代码DATAsegmenttishidb'intputN(0~7):$'jieguodb0dh,0ah,'jieguois:$'quitdb0dh,0ah,'pressanykeytoexit...$'DATAendsSTACKsegmentdb100dup(?)STACKendsCODEsegmentassumecs:CODE,ss:STACK,ds:DATAmainprocfarstart:movax,DATAmovds,ax;初始化数据段movah,09hleadx,tishi;输出提示int21hxorax,ax;清零movah,01hint21h;键盘输入数据movah,00handal,0fh;转化为非压缩的BCD码callsubproc;调用子过程movbx,dxmovah,09h;输出提示leadx,jieguoint21hmovax,bxcalldisplay;调用子过程movah,09hleadx,quit;输出提示。
。
。
。
。
。
。
。
。
。
。
。
。
。
。
。
。
2025/6/27 13:27:42
4KB
1
因项目需求，要实现简单的绘制矢量图形，因此自已写了几个自定义的Panel控件，有矩形，圆形，三角形，弧形，原则上可以实现各类形状的各类可视控件，并实现了拖拽和拉伸功能。
代码在VS2010环境上生成。
共享出来希望对有类似需求的童鞋有所帮助。
代码在VS2010环境上生成。
共享出来希望对有类似需求的童鞋有所帮助。
2025/6/27 13:39:58
121KB
1
ProgressiveWebApp是一个利用现代浏览器的能力来达到类似APP的用户体验的技术，由Google开发，让浏览器打开的网址像APP一样运行在手机上。
让WebApp和NativeApp之间的差距更小。
概览特性：添加到屏幕从屏幕点击启动加载屏支持离线应用支持PushNotification这是一个实现天气预报的完整实例，欢迎下载。
让WebApp和NativeApp之间的差距更小。
概览特性：添加到屏幕从屏幕点击启动加载屏支持离线应用支持PushNotification这是一个实现天气预报的完整实例，欢迎下载。
2025/6/27 10:19:34
416KB
1
VuejsHEREMaps测试项目使用Vuejs的简单HEREMaps实现项目设置npminstall编译和热重装以进行开发npmrunserve编译并最小化生产npmrunbuild运行测试npmruntest整理和修复文件npmrunlint自定义配置请参阅。
2025/6/27 10:30:22
124KB
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