matlab最小距离最小距离分类，是指求出未知类别向量到要识别各类别代表向量中心点的距离，将未知类别向量归属于距离最小一类的一种图像分类方法。
最小距离分类法是分类器里面最基本的一种分类方法，它是通过求出未知类别向量X到事先已知的各类别（如A，B，C等等）中心向量的距离D，然后将待分类的向量X归结为这些距离中最小的那一类的分类方法。

用最大最小距离实现聚类的matlab函数，只要有样本就能实现了!!

对Iris数据进行两个特征选取，共6种组合，计算类别可分性准则函数J值，得出最好的分类组合，画出各种组合的分布图；
2、使用前期作业里面的程序、对6种组合分别使用不同方法进行基于120个训练样本30个测试样本的学习误差和测试计算，方法包括：最小距离法（均值为代表点）、最近邻法、k近邻法（k取3、5...）等；

第1章绪论1.1合成孔径雷达概况1.2发展历程1.2.1国外SAR发展历程1.2.2我国SAR发展历程1.3发展趋势1.4主要应用1.4.1军事领域1.4.2民用领域1.5内容安排第2章合成孔径雷达2.1概述2.2SAR成像基本原理2.2.1距离向分辨率与脉冲压缩技术2.2.2方位向分辨率与合成孔径原理2.2.3点目标信号回波模型2.2.4SAR成像处理与算法2.3SAR成像的几何特性2.3.1斜距图像的比例失真2.3.2透视收缩与顶底位移2.3.3雷达阴影2.3.4雷达视差与立体观察第3章雷达目标电磁散射计算3.1概述3.1.1电磁散射基本计算方法3.1.2严格的经典解法3.1.3近似求解方法3.2等效电磁流计算3.2.1等效电磁流奇异性的消除3.2.2等效电磁流的分析与计算3.3多次散射的计算3.3.1几何/物理光学混合算法3.3.2存在多重散射的条件和遮挡关系的判断3.3.3几何光学/等效电磁流混合算法3.3.4GO/PO混合方法的应用3.4腔体结构电磁散射RCS计算3.4.1复射线近轴近似电磁散射算法3.4.2计算实例3.5复杂目标电磁散射的计算3.5.1复杂目标几何建模3.5.2复杂目标电磁散射混合计算第4章合成孔径雷达图像特征分析4.1概述4.2SAR图像辐射特征4.2.1SAR图像回波强度的概率分布4.2.2辐射分辨率4.3SAR图像噪声特征4.4SAR图像目标几何特征4.4.1点目标4.4.2线目标4.4.3面目标4.5SAR图像灰度统计特征4.5.1幅度特征4.5.2直方图特征4.5.3统计特征4.6SAR图像纹理特征4.6.1方向差分特征4.6.2灰度共现特征4.6.3小波纹理能量特征第5章合成孔径雷达图像分割5.1概述5.2阈值分割法5.2.1基于遗传算法的二维最大熵阈值分割法5.2.2二维模糊熵阈值分割法5.2.3双阈值分割算法5.3基于马尔可夫随机场模型的分割法5.3.1吉布斯MEF分割模型5.3.2吉布斯MRF分割算法5.3.3多尺度MRF图像分割5.4基于多尺度几何分析的分割法5.4.1基于Contourlet变换的SAR图像分割5.4.2基于Wedgelet变换的SAR图像分割5.5分割评价方法5.5.1分割质量评价5.5.2适用情况分析第6章合成孔径雷达图像目标分类6.1概述6.1.1分类流程6.1.2评价标准6.2概率密度函数估计6.2.1单-密度函数6.2.2混合密度函数6.2.3有限混合密度函数的逼近能力6.3参数估计6.3.1极大似然估计6.3.2EM算法6.4最小距离分类法6.5最大后验概率分类法6.6支持向量机分类法6.6.1支持向量机原理6.6.2支持向量机分类法6.7隐马尔可夫优化分类法6.7.1HMM原理6.7.2HMOC模型第7章合成孔径雷达图像目标识别7.1概述7.1.1识别方法7.1.2自动目标识别系统7.2基于电磁特性的目标识别7.3典型目标识别7.3.1道路识别7.3.2机场识别7.3.3MSTAR坦克识别第8章合成孔径雷达图像融合8.1概述8.1.1图像融合概念8.1.2融合效果评价8.2SAR图像与可见光图像融合8.2.1提升小波变换8.2.2基于提升小波变换区域统计特性的融合算法8.3SAR图像与多光谱图像融合8.3.1主成分分析方法8.3.2基于主成分分析的SAR与多光谱图像融合8.4多波段SAR图像融合8.4.1基于atrous算法方向滤波器组的多波段SAR图像灰度融合8.4.2多波段SAR图像伪彩色融合第9章合成孔径雷达图像压缩9.1概述9.1.1第一代和第二代压缩技术9.1.2多尺度方向分析技术9.2SAR图像压缩中的典型特征9.2.1纹理特征9.2.2变换域系数统计特征9.3SAR图像Non-SWMDA压缩方法9.3.1不可分离小波的提升实现9.3.2基于块分割的二叉树编码方案设计9.4SAR图像压缩效果评价9.4.1保真度准则9.4.2特征衡量标准

可以进行遥感影像的读取，然后对其进行添加了最小距离的分类方法以及NDVI的计算、bp分类、ppi端元提取，代码的整体系很强，可以进行随意的添加以及修改。

C#利用最小距离法实现图像简易监督分类全代码，

本书介绍了LDPC码的编、译码基本原理及各种译码算法；
详细分析了LDPC码的特点、分析方法；
对无线移动通信信道模型下LDPC码的功能进行了剖析。
各章原理的叙述力求突出概念清晰，注重理论推导和仿真试验验证相结合。
目录第一章绪论...............................................................................................................11.1数字通信系统的结构.........................................................................................11.2信道编码技术的发展史.....................................................................................31.3LDPC码的研究现状..........................................................................................5第二章信道编码基础....................................................................................................92.1分组码的基本原理............................................................................................92.1.1线性分组码的概念..................................................................................92.1.2生成矩阵和校验矩阵...............................................................................92.1.3线性分组码的最小距离..........................................................................112.1.4系统码..................................................................................................122.1.5循环码和准循环码.................................................................................122.2信道容量与Shannon（香农）限......................................................................142.2.1信道容量的定义....................................................................................152.2.2信道容量与Shannon限的关系...............................................................152.2.3信道容量与纠错码的关系......................................................................152.3多种信道条件下的信道容量............................................................................172.3.1二元对称信道（BSC）..........................................................................172.3.2连续AWGN信道...................................................................................192.3.3输入离散、输出连续AWGN信道的容量....................................

共有七个完整算法%1.基于聚类的RBF网设计算法%一维输入，一维输出，逼近效果很好！SamNum=100;%总样本数TestSamNum=101;%测试样本数InDim=1;%样本输入维数ClusterNum=10;%隐节点数，即聚类样本数Overlap=1.0;%隐节点重叠系数%根据目标函数获得样本输入输出rand('state',sum(100*clock))NoiseVar=0.1;Noise=NoiseVar*randn(1,SamNum);SamIn=8*rand(1,SamNum)-4;SamOutNoNoise=1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);SamOut=SamOutNoNoise+Noise;TestSamIn=-4:0.08:4;TestSamOut=1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);figureholdongridplot(SamIn,SamOut,'k+')plot(TestSamIn,TestSamOut,'r--')xlabel('Inputx');ylabel('Outputy');Centers=SamIn(:,1:ClusterNum);NumberInClusters=zeros(ClusterNum,1);%各类中的样本数，初始化为零IndexInClusters=zeros(ClusterNum,SamNum);%各类所含样本的索引号while1,NumberInClusters=zeros(ClusterNum,1);%各类中的样本数，初始化为零IndexInClusters=zeros(ClusterNum,SamNum);%各类所含样本的索引号%按最小距离原则对所有样本进行分类fori=1:SamNumAllDistance=dist(Centers',SamIn(:,i));[MinDist,Pos]=min(AllDistance);NumberInClusters(Pos)=NumberInClusters(Pos)+1;IndexInClusters(Pos,NumberInClusters(Pos))=i;end%保存旧的聚类中心OldCenters=Centers;fori=1:ClusterNumIndex=IndexInClusters(i,1:NumberInClusters(i));Centers(:,i)=mean(SamIn(:,Index)')';end%判断新旧聚类中心能否一致，是则结束聚类EqualNum=sum(sum(Centers==OldCenters));ifEqualNum==InDim*ClusterNum,break,endend%计算各隐节点的扩展常数（宽度）AllDistances=dist(Centers',Centers);%计算隐节点数据中心间的距离（矩阵）Maximum=max(max(AllDistances));%找出其中最大的一个距离fori=1:ClusterNum%将对角线上的0替换为较大的值AllDistances(i,i)=Maximum+1;endSpreads=Overlap*min(AllDistances)';%以隐节点间的最小距离作为扩展常数%计算各隐节点的输出权值Distance=dist(Centers',SamIn);%计算各样本输入离各数据中心的距离SpreadsMat=repmat(Spreads,1,SamNum);HiddenUnitOut=radbas(Distance./SpreadsMat);%计算隐节点输出阵HiddenUnitOutEx=[HiddenUnitOut'ones(SamNum,1)]';%考虑偏移W2Ex=SamOut*pinv(HiddenUnitOutEx);%求广义输出权值W2=W2Ex(:,1:ClusterNum);%输出权值B2=W2Ex(:,ClusterNum+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。