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~

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。

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。

本人系统辨识课程的全部代码以及报告报告里有所有算法原理。
内容如下：第一章 最小二乘法 11.1 问题重述 11.2 最小二乘法 11.2.1 基本最小二乘法 11.2.2 不需矩阵求逆的最小二乘法 21.2.3 递推最小二乘法 41.3 辅助变量法 61.3.1 一次辅助变量法 61.3.2 递推辅助变量法 71.4 广义最小二乘法 91.4.1 一次广义最小二乘法 91.4.2 递推广义最小二乘法 101.5 夏式法 121.5.1 夏式偏差修正法 121.5.2 夏式改良法 131.5.3 递推夏式法 131.6 增广矩阵法 161.7 自编方法-多阶段最小二乘法 181.8 噪声特性分析 191.8.1 时域波形 201.8.2 均值分析 201.8.3 方差分析 211.8.4 自相关函数分析 211.8.5 功率谱密度分析 221.8.6 总结 22第二章 极大似然法 23第三章 方法比较 253.1 问题重述 253.2 各方法精度对比 253.3 各方法计算量对比 253.4 噪声方差的影响 263.5 白噪声和有色噪声对辨识的影响 27第四章 系统模型阶次的辨识 284.1 问题重述 284.2 按残差方差定阶 284.2.1 按估计误差方差最小定阶 284.2.2 F检验法 294.3 按AKAIKE信息原则定阶 294.4 按残差白色定阶 304.5 噪声对定阶的影响 314.6 三种方法的优劣及有效性 31附录 32

小波阈值去噪，比较了软阈值，硬阈值及当今各种阈值计算方法和阈值函数处理方法的功能，通过信噪比及均方差的比较，得出各种的算法的优劣

分为三个函数，分别举行半方差的拟合和克里金插值

该书是一本声学和语音信号处理领域的专著，全面系统地阐述了麦克风阵列的理论和应用。
全书共分为十章，涵盖了麦克风阵列信号处理领域中最重要的主题。
每章沿着从基本理论到实际应用的脉络进行描述，希冀为读者建立起最重要的基本概念。
[1]全书各章基本是自含的，可以按需求单独阅读每一章。
第1章介绍麦克风阵列的概念、特点和应用，以及全书组织结构。
第2章阐述了线性最优滤波器，这是麦克风阵列信号处理的基础。
第3章介绍了传统的窄带波束成形技术，引入了宽带波束成形的原理。
第4章介绍如何将线性限制最小方差滤波器（LCMV）用于室内声音环境下的噪声抑制和去混响。
第5章在一个统一的数学框架下，介绍了几种典型的单通道噪声抑制算法在麦克风阵列噪声抑制中的应用。
第6章在单通道和多通道两个方面介绍了频域最优滤波器，侧重协助读者理解在多通道条件下频域滤波器的工作原理。
第7章从多输入多输出（MIMO）系统的角度介绍了麦克风阵列在信源提取、去混响和干扰抑制等方面的应用。
第8章是第7章的延续，介绍了如何使用两步策略处理干扰源及混响问题。
第9章介绍了麦克风阵列条件下的波达方向（DOA）和时延估计（TDOA）问题。
第10章对本书中没有涉及的几个问题进行了讨论。
本书可以作为通信、信号处理和声学等相关专业研究生的教材或教学参考书，也可供从事相关工作的科研及工程人员参考。
[1]

将能够增强图像纹理信息的分数阶微分算子与变分偏微分方程相结合，运用于图像去噪，提出一种基于分数阶偏微分算子的去噪模型。
该模型能够在抑制噪声的同时，更好地保持图像的纹理细节信息。
由于分数阶微分算子的阶数必须通过大量的实验人为确定，因而选择通过计算局部方差来反应图像局部纹理复杂度，自适应地确定分数阶微分的阶数。
实验表明：自适应分数阶偏微分算子不仅继承了TV模型的优点，并且在保持图像细节信息上的能力更强。

第1周面向小白的统计学：描述性统计（均值，中位数，众数，方差，标准差，与常见的统计图表）第2周赌博设计：概率的基本概念，古典概型第3周每人脑袋里有个贝叶斯：条件概率与贝叶斯公式，独立性第4周啊！微积分：随机变量及其分布（二项分布，均匀分布，正态分布）第5周万事皆由分布掌握：多维随机变量及其分布第6周砖家的统计学：随机变量的期望，方差与协方差第7周上帝之手，统计学的哲学基础：大数定律、中心极限定理与抽样分布第8周点数成金，从抽样推测规律之一：点估计与区间估计第9周点数成金，从抽样推测规律之二：参数估计第10周对或错？告别拍脑袋决策：基于正态总体的假设检验第11周扔掉正态分布：秩和检验第12周预测将来的技术：回归分析第13课抓住表象背后那只手：方差分析第14周沿着时间轴前进，预测电子商务业绩：时间序列分析简介

ThereisanexplosionofinterestinBayesianstatistics,primarilybecauserecentlycreatedcomputationalmethodshavefinallymadeBayesiananalysistractableandaccessibletoawideaudience.DoingBayesianDataAnalysis,ATutorialIntroductionwithRandBUGS,isforfirstyeargraduatestudentsoradvancedundergraduatesandprovidesanaccessibleapproach,asallmathematicsisexplainedintuitivelyandwithconcreteexamples.Itassumesonlyalgebraand‘rusty’calculus.Unlikeothertextbooks,thisbookbeginswiththebasics,includingessentialconceptsofprobabilityandrandomsampling.Thebookgraduallyclimbsallthewaytoadvancedhierarchicalmodelingmethodsforrealisticdata.ThetextprovidescompleteexampleswiththeRprogramminglanguageandBUGSsoftware(bothfreeware),andbeginswithbasicprogrammingexamples,workingupgraduallytocompleteprogramsforcomplexanalysesandpresentationgraphics.Thesetemplatescanbeeasilyadaptedforalargevarietyofstudentsandtheirownresearchneeds.ThetextbookbridgesthestudentsfromtheirundergraduatetrainingintomodernBayesianmethods.Accessible,includingthebasicsofessentialconceptsofprobabilityandrandomsamplingExampleswithRprogramminglanguageandBUGSsoftwareComprehensivecoverageofallscenariosaddressedbynon-bayesiantextbooks-t-tests,analysisofvariance(ANOVA)andcomparisonsinANOVA,multipleregression,andchi-square(contingencytableanalysis).CoverageofexperimentplanningRandBUGScomputerprogrammingcodeonwebsiteExerciseshaveexplicitpurposesandguidelinesforaccomplishment作者从概率统计和编程两方面入手，由浅入深地指点读者如何对实际数据进行贝叶斯分析。
全书分成三部分，第一部分为基础篇：关于参数、概率、贝叶斯法则及R软件，第二部分为二元比例推断的基本理论，第三部分为广义线性模型。
内容包括贝叶斯统计的基本理论、实验设计的有关知识、以层次模型和MCMC为代表的复杂方法等。
同时覆盖所有需要用到非贝叶斯方法的情况，其中包括：t检验，方差分析（ANOVA）和ANOVA中的多重比较法，多元线性回归，Logistic回归，序列回归和卡方（列联表）分析。
针对不同的学习目标（如R、BUGS等）列出了相应的重点章节；
整理出贝叶斯统计中某些与传统统计学可作类比的内容，方便读者快速学习。
本中提出的方法都是可操作的，并且所有涉及数学理论的地方都已经用实际例子非常直观地进行了解释。
由于并不对读者的统计或

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。