AR模型的谱估计是现代谱估计的主要内容:1.AR模型的Yule—Walker方程和Levinson-Durbin递推算法;
Burg算法:;
3.改进的协方差法;
AR模型阶数P的选择:MATLAB中AR模型的谱估计的函数说明:1.Pyulear函数:2.Pburg函数:3.Pcov函数:4.Pmcov:
2018/9/23 3:30:32 66KB 阶数估计
1
写了一些关于图像写了一些关于图像最大类间方差阈值和遗传算法的例子,程序含有阐明解释,适合初学者。
例子,程序含有阐明解释,适合初学者。
2021/11/13 6:12:05 18KB 图像分割
1
分别用Yule-Walker法、Burg法、协方差法举行AR模型的功率谱估计,并举行比较。
分别用Yule-Walker法、Burg法、协方差法举行AR模型的功率谱估计,并举行比较。
2017/10/25 13:54:02 6KB Yule-Walker法
1
由于最近要做一个要用到正态分布的项目,好吧,我承认全部还给数据老师了,于是乎咬咬牙又找了一下公式,进行了一下实现,函数次要功能如下:计算标准正态分布,类似EXCEL的NormDist函数计算方差计算最大最小计算平均值。
内附调用代码~
2019/10/24 5:15:18 479KB C# 正态分布 方差 算法
1
某些数据可用于SPSS的描述性分析,线性回归分析、方差分析等SPSS操作,数据较规范,因而可多用于练习。
2020/9/23 13:25:33 12KB SPSS数据
1
压电陶瓷因其具有迟滞特性,如不经处理,会对其使用产生影响。
针对当期望输出与频率无关时的压电陶瓷的迟滞非线性问题,提出了一种基于极坐标的数学建模方法,同时给出了通用的PI迟滞模型,并对两种模型进行了比较。
仿真结果表明仿真曲线较平滑,克服了PI迟滞算子拟合出现的毛刺问题。
根据实验结果分析了极坐标的迟滞曲线和PI迟滞曲线的拟合误差,并进一步给出了拟合方差。
在该迟滞模型的基础上,引入前馈PID控制方法进行实验,给出跟踪平均绝对误差及方差,并与经典PI控制在跟踪精确度等方面进行了比较。
实验结果证明了该控制方法的可行性和精确性
2018/10/20 13:09:19 741KB 压电陶瓷 驱动 模型
1
poisson(泊松过程)的Matlab仿真包括poisson分布,及相关函数,均匀值,均方差等
2015/11/11 20:18:24 1KB poisson分布 相关函数 平均值 均方差
1
在网络上找了半天找不到协方差法的程序,一怒之下本人按照那又臭又长的公式编写了这段函数代码。
因为这个方法较为冷门,代码中注释并不多,有问题可以私信我。
如果喜欢的话,别忘了回头评个分哦~
2021/5/2 10:08:13 969B 谱分析 寻峰函数
1
由于多径效应,常规子空间分解类DOA估计算法失效,基于双向平滑的解相干算法可以无效恢复协方差矩阵的秩,进行相干信号源的DOA估计。
2016/5/12 17:08:10 3KB matlab DOA ji
1
相关向量机的MATLAB代码,经过验证是正确的,很实用推荐相关向量机(Relevancevectormachine,简称RVM)是Tipping在2001年在贝叶斯框架的基础上提出的,它有着与支持向量机(Supportvectormachine,简称SVM)一样的函数方式,与SVM一样基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。
RVM原理步骤RVM通过最大化后验概率(MAP)求解相关向量的权重。
对于给定的训练样本集{tn,xn},类似于SVM,RVM的模型输出定义为y(x;w)=∑Ni=1wiK(X,Xi)+w0其中wi为权重,K(X,Xi)为核函。
因此对于,tn=y(xn,w)+εn,假设噪声εn服从均值为0,方差为σ2的高斯分布,则p(tn|ω,σ2)=N(y(xi,ωi),σ2),设tn独立同分布,则整个训练样本的似然函数可以表示出来。
对w与σ2的求解如果直接使用最大似然法,结果通常使w中的元素大部分都不是0,从而导致过学习。
在RVM中我们想要避免这个现像,因此我们为w加上先决条件:它们的机率分布是落在0周围的正态分布:p(wi|αi)=N(wi|0,α?1i),于是对w的求解转化为对α的求解,当α趋于无穷大的时候,w趋于0.RVM的步骤可以归结为下面几步:1.选择适当的核函数,将特征向量映射到高维空间。
虽然理论上讲RVM可以使用任意的核函数,但是在很多应用问题中,大部分人还是选择了常用的几种核函数,RBF核函数,Laplace核函数,多项式核函数等。
尤其以高斯核函数应用最为广泛。
可能于高斯和核函数的非线性有关。
选择高斯核函数最重要的是带宽参数的选择,带宽过小,则导致过学习,带宽过大,又导致过平滑,都会引起分类或回归能力的下降2.初始化α,σ2。
在RVM中α,σ2是通过迭代求解的,所以需要初始化。
初始化对结果影响不大。
3.迭代求解最优的权重分布。
4.预测新数据。
2021/2/5 11:51:53 17KB 相关向量机 rvm
1
共 208 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡