哈工大研究生课程讲义高斯分布参数的极大似然估计，EM算法

采用高斯分布函数生成具有随机性的表面，可用于粗糙面、海平面等随机起伏表面的生成。

卡尔曼滤波在计算机视觉和图像处理、以及导航等处理上有着广泛的用途。
卡尔曼滤波算法让我们在干扰为高斯分布的情况下，得到的测量均方误差最小，也就是测量值扰动最小，看起来最平滑。

当量子点粒度分布为高斯分布时，应用无效质量近似，在低浓度掺杂范围内，得到了量子点荧光辐射谱线形函数与量子点尺寸之间的一般关系，解释了尺寸涨落对线形展宽的影响。
对II-VI族的CdSe量子点和IV-VI族的PbSe量子点的数值计算表明：量子点荧光谱线的半峰全宽、荧光辐射强度、峰值波长等与实验结果基本一致。
量子点尺寸的粒度分布对荧光辐射谱线展宽有较大的影响。
荧光辐射谱展宽是一种非均匀展宽。

模式识别miniproject-脱机手写签名识别，这是每个学习模式识别的同学必做的课程设计miniproject，主要功能要求如下：一共有20个人，在其对应的文件夹中存放了每个人的20个手写签名图像，每幅图像均为PCX图像格式，大小为12994像素大小。
对每个人的手写签名，用其中80%的图像作为训练样本进行训练，用余下的20%的图像进行测试。
在签名图像进行特征提取时，提取6个ET1和6个DT12轮廓特征。
每一个人的手写签名特征假设为48维特征空间的多维高斯分布。
用贝叶斯参数估计法估算概率密度函数（pdf），然后用Bayes分类器识别。
分别计算closetest和opentest下的分类功能。
根据每个类的概率分布函数的最近邻估算来计算贝叶斯识别的opentest识别率。
适用kn最近邻法来直接估算每个类在每个测试样本的后验概率并计算opentest下的分类功能，将该识别率表示为一个关于k的函数并绘图。
这些是基于后验概率的非参数估计的贝叶斯估计。

三大分布齐聚，玩转用c++结合Matlab实现通讯建模高斯分布，瑞丽分布，泊松分布

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。

首先你需要知道卡尔曼滤波，卡尔曼滤波适用于线性系统，针对于非线性系统很好推广应用。
EKF利用线性化的方式，让形态和协方差在线性化方程中传播，但是面对强非线性，这种方式误差较大，因为高斯分布的噪声经过非线性系统的分布并不是高斯分布。
UKF利用5个采样点（无迹变换）在非线性系统中传播，降低了随机变量经过非线性系统传播的误差，效果强于EKF。
针对P矩阵出现非正定的情况，其实有很多处理方式的。

激光投影显示通常需要解决光束整形匀化和散斑抑制的问题。
基于此，提出利用硅基液晶（LCoS）空间光调制器（SLM）同时解决上述问题的方法。
利用衍射光学元件（DOE）精细化设计思想设计所需整形DOE的相位分布，可以同时较好地控制采样点与采样点以外的光场强度分布，将圆形高斯分布照明激光束整构成平顶矩形光场；
在不同的初始相位条件下，设计得到的多幅DOE生成具有相同强度分布、不同相位分布的衍射图样。
当SLM依次调制出这些衍射图样，通过时间积分将这些衍射图样相叠加，不仅可以进一步提高光斑均匀性，同时还可以抑制散斑。
仿真结果表明，通过叠加16幅衍射图样，该方法可使照明光斑均匀性从74%提高到92.57%，屏幕上图样散斑对比度由0.991减小为0.2508。
该方法稳定性高，能耗低，且所用器件尺寸小，为微投影显示结构设计提供了有益参考。

此为基于贝叶斯滤波框架下的采用卡尔曼滤波的人体跟踪程序，其适合用于运动目标为线性运动且过程和观测噪声为高斯分布的情况。
（注：本程序为本人在自创他人框架的基础上完成，因要下载新的东东而没积分所为，哈哈）

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。