GS+在1988年成为第一个在PC机运行的地质统计学软件，是一款先进的地质统计分析软件。
之后快速被全世界用户广泛使用。
GS+是第一个将所有组件集成到一起来完成统计任务，包括有半方差分析，克里金方法以及软件绘制图形。
GS+操作简单，对于专业的地质学家跟初学者都很容易上手。
GS+主要用来将不完整的数据来完成精确、严格的统计地图，这就意味着客户只需要使用较简单的样例数据，通过GS+的统计计算，就可以完成详尽的地质统计结果。

MATLAB代码经典功率谱估计，Welch法、协方差法、周期图、burg法及其对比，附完整注释

周期滑移检测是其中涉及载波相位观测的高精度GNSS数据处理的基本步骤之一，例如在精确的点定位（PPP）和精确的轨道确定（POD）中。
自1980年代开发以来，有效地处理了双频GPS。
然而，新兴的北斗导航卫星系统为这些现有算法带来了一些新的挑战，尤其是在小周跳频发的情况下。
在这项研究中，在低海拔北斗GEO载波相位观测中发现了大量的1周期滑动，这些观测是由IGS多GNSS实验的接收者收集的。
如果可能，在PPP和POD处理之前，应识别并修复这种小的周跳。
我们提出了一种基于一系列双频相位无几何组合的增强循环滑移检测方法。
采用鲁棒的多项式拟合算法和一般的自回归条件异方差建模技术来提供自适应检测阈值，从而可以以高可靠性识别出如此小的循环滑动。
仿真和实际数据测试表明，即使在电离层闪烁的情况下，该方法具有较高的灵敏度和较低的误报率。

Matlab功率谱估计的详尽分析——绝对原创功率谱估计是信息学科中的研究热点,在过去的30多年里取得了飞速的发展。
现代谱估计主要是针对经典谱估计(周期图和自相关法)的分辨率低和方差性能不好的问题而提出的。
其内容极其丰富,涉及的学科和领域也相当广泛,按是否有参数大致可分为参数模型估计和非参数模型估计,前者有AR模型、MA模型、ARMA模型、PRONY指数模型等;后者有最小方差方法、多分量的MUSIC方法等。
ARMA谱估计叫做自回归移动平均谱估计,它是一种模型化方法。
由于具有广泛的代表性和实用性,ARMA谱估计在近十几年是现代谱估计中最活跃和最重要的研究方向之一。
二：AR参数估计及其SVD—TLS算法。
谱分析方法要求ARMA模型的阶数和参数以及噪声的方差已知.然而这类要求在实际中是不可能提供的,即除了一组样本值x(1),x(2),…,x(T)以供利用(有时会有一定的先验知识)外,再没有其它可用的数据.因此必须估计有关的阶数和参数,以便获得谱密度的估计.在ARMA定阶和参数之估计中,近年来提出了一些新算法，如本文介绍的SVD—TLS算法便是其中之一。
三：实验结果分析和展望1，样本数多少对估计误差的影响。
（A=[1,0.8,-0.68,-0.46]）图1上部分为N=1000；
下部分为取相同数据的前N=50个数据产生的结果。
图1N数不同：子图一N=1000,子图二N=200，子图三N=50由图可知，样本数在的多少，在对功率谱估计的效果上有巨大的作用，特别在功率谱密度函数变化剧烈的地方，必须有足够多的数据才能完整的还原原始功率谱密度函数。
2，阶数大小对估计误差的影响。
A=[1,-0.9,0.76]A=[1,-0.9,0.76,-0.776]图二阶数为二阶和三阶功率密度函数图A=[1,-0.9,0.86,-0.96,0.7]A=[1,-0.9,0.86,-0.96,0.7,-0.74]图三阶数为三阶和四阶功率密度函数图如图所示，阶数相差不是很大时，并不能对结果产生较大的影响。
但是阶数太低，如图二中二阶反而不能很好的估计出原始值。
3，样本点分布对估计误差对于相同的A=[1,-0.9,0.86,-0.96,0.7]；
样本的不同，在估计时的误差是不可避免的。
因此，我们在取得样本时，应该尽可能的减少不必要的误差。
图四：不同的样本得到不同的估计值4，奇异值的阈值判定范围不同对结果的影响。
上图是取奇异值的阈值大于等于0.02，而下图是取阈值大于等于0.06，显然在同种数据下，阈值的选取和最终结果有密切关系。
由于系数矩阵和其真实值的逼近的精确度取决于被置零的那些奇异值的平方和。
所以选取太小，导致阶数增大，选取太大会淘汰掉真实的系数。
根据经验值，一般取0.05左右为最佳。

Ostu方法又名最大类间差方法，通过统计整个图像的直方图特性来实现全局阈值T的自动选取，其算法步骤为：1)先计算图像的直方图，即将图像所有的像素点按照0~255共256个bin，统计落在每个bin的像素点数量2)归一化直方图，也即将每个bin中像素点数量除以总的像素点3)i表示分类的阈值，也即一个灰度级，从0开始迭代4)通过归一化的直方图，统计0~i灰度级的像素(假设像素值在此范围的像素叫做前景像素)所占整幅图像的比例w0，并统计前景像素的平均灰度u0；
统计i~255灰度级的像素(假设像素值在此范围的像素叫做背景像素)所占整幅图像的比例w1，并统计背景像素的平均灰度u1；
5)计算前景像素和背景像素的方差g=w0*w1*(u0-u1)(u0-u1)6)i++；
转到4)，直到i为256时结束迭代7）将最大g相应的i值作为图像的全局阈值

为方差0.1的百噪声信号，设计最小方差自校正调节器并仿真运行系统；

我的毕业设计，自己用matlab编的关键帧提取的代码，调试通过，运行结果较理想。
与大家分享一下。
参考了光流发提取关键帧的代码，通过计算帧差的欧式距离，均值，方差等来提取关键帧。

为了提高图像的边缘检测性能,将蚁群算法引入图像边缘检测。
阐述了提取图像边缘特征的方法和蚁群算法的基本原理,提出了一种基于改进的蚁群算法的边缘检测方法。
将图像的形态学梯度值作为蚁群的信息激素强度值和启发信息值,使用最大类间方差法获得图像的边缘信息。
实验结果表明该算法能成功地提取边缘信息并抑制背景纹理细节,具有较好的检测效果。

运动目标检测在计算机视觉，图像处理，模式识别等多领域有着广泛的应用，经历了多年的研究和探索，针对运动目标检测的算法层出不穷，我们也积累了许多相关的算法。
但是我们还远没有完成对这个充满挑战的领域的探索。
本文对运动目标检测的技术进行了一定的研究，实现了基于canny算子和光流法相结合的运动目标检测方法。
为了能够准确把握这个行业的动态，本文首先介绍了运动目标检测的三大经典方法：背景相减法，帧差法，光流法。
同时比较了各自的优缺点。
帧差法具有易实现，计算量小的优点，但是却无法准确的检测出运动目标的完整轮廓。
光流法具有对不断运动的运动目标进行目标检测，但是它却有很大的计算量，同时对噪声也比较敏感。
为了可以对运动目标进行更好的识别，我们提出了边缘检测算子与光流法相结合的新方法。
在对多种边缘检测算子进行了了解之后，我们确定了利用canny算子进行边缘检测，并且结合光流法进行运动目标检测的方法。
在用canny算子检测出运动物体边缘之后，借助光流法计算出物体的运动场，同时结合最大类间方差法分辨出运动目标和背景，接着将物体的边缘信息和物体的运动信息进行融合，最后运用数学形态学的方法对结果进行处理，得到最终的运动目标。
通过实验，我们发现该方法既克服了帧差法不能准确检测出运动物体轮廓，和光流法抗噪声能力差的缺点，可以准确检测运动目标，对运动目标具有更好的检测效果

根据不同的方差和均值，产生三组不同高斯分布的随机数

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。