搜索资源列表
fusion-evaluation
- 图像融合中常用的评价指标（非常全面）如：平均梯度、相关系数、信息熵、交叉熵、联合熵、均方误差、互信息、信噪比、峰值信噪比、均方根误差、空间频率、标准差、均值、扭曲程度、偏差指数等等。-Image fusion evaluation (very comprehensive): average gradient, correlation coefficient, entropy, cross entropy, joint entropy, mean square error and mutual i
statistical-analysis
- 随机模拟和统计分析 max,min - 最大，最小值 sum - 求和 mean - 均值 std - 标准差 sort - 排序（升序） sortrows - 按某一列排序(升序) rand - [0，1]区间均匀分布随机数 randn - 标准正态分布随机数 randperm - 1...n 随机排列 regress - 线性回归 classify - 统计聚类 *trim - 坏数据祛除 *specrnd -
arrcteim
- 通过反复训练模板能有较高的识别率，一种流形学习算法（很好用），最小均方误差（MMSE）的算法，抑制载波型差分相位调制，基于欧几里得距离的聚类分析，均值便宜跟踪的示例，包含位置式PID算法、积分分离式PID。- Through repeated training iUEtmdnlate have higher recognition rate, A fluid manifold learning algorithm (good use), Minimum mean square error (MM
98104849fusion-evaluation
- 图像融合中的平均梯度、相关系数、信息熵、交叉熵、联合熵、均方误差、互信息、信噪比、峰值信噪比、均方根误差、空间频率、标准差、均值、扭曲程度、偏差指数等等(Evaluation indexes average gradient, correlation coefficient, entropy, cross entropy, joint entropy, mean square error, mutual information, signal-to-noise ratio, peak sign
tezhengzhi
- 时域指标特征提取：包含均值、方差、最大最小值，峭度指标等16个指标(Time domain index feature extraction: including the mean, variance, maximum and minimum values, kurtosis indicators and other 16 indicators)
7175674gaussian
- GPR程序，可以用于高斯过程回归预测，预测均值和方差(GPR program can be used for regression prediction of Gauss process, prediction of mean and variance.)
RVM回归预测
- 主要功能有： （1）基于SB2_Release_200工具箱 （2）输出训练数据和测试数据的预测值 （3）输出相关向量的序号和对应的数值 （4）输出预测值的均值和方差（即分布）
Clustering
- 1) 使用凝聚型层次聚类算法（即最小生成树算法）对所有数据点进行聚类，最后聚成3类。相异度定义方法可选择single linkage、complete linkage、average linkage或者average group linkage中任意一种。 2) 使用C-Means算法对所有数据点进行聚类。C=3。 任务2（必做）： 使用高斯混合模型（GMM）聚类算法对所有数据点进行聚类。C=3。并请给出得到的混合模型参数（包括比例??、均值??和协方差Σ）。 任务3（全做）： 1) 参考数据文
图像处理评价指标
- 图像融合中的平均梯度、相关系数、信息熵、交叉熵、联合熵、均方误差、互信息、信噪比、峰值信噪比、均方根误差、空间频率、标准差、均值、扭曲程度、偏差指数等等(Average gradient, correlation coefficient, information entropy, cross-entropy, joint entropy, mean square error, mutual information, signal-to-noise ratio, peak signal-to-no
随机过程
- （1）产生N（0,1）正态分布的随机过程； （2）产生正态分布随机过程外的任意一种随机过程； （3）对随机过程的性能进行评估，包括概率密度函数、分布函数、均值、方差和相关函数。((1) The stochastic process of generating N(0,1) normal distribution; (2) generating any random process outside the normal distribution random process; (3) evalua
打包
- 两种不同的假设： H1 ： 0 xn A fn wn ( ) cos(2 ) ( ) = ++ π θ n=1,2,…,N，f0 为规一化频率 H0 ： xn wn () () = n=1,2,…,N 其中 w[n]是均值为 0，方差为 2 σ n 的高斯白噪声，A 已知，样本间相互 独立，信号与噪声相互独立; 相位θ 是随机变量，它服从均匀分布 1 0 2 ( ) 20 p θ π θ π ?? ≤ ≤ = ??? 其它 1）改变输入信噪比（改变 A 或噪声方差均可），给
最大似然
- 两种不同的假设： H1 ： 0 xn A fn wn ( ) cos(2 ) ( ) = ++ π θ n=1,2,…,N，f0 为规一化频率 H0 ： xn wn () () = n=1,2,…,N 其中 w[n]是均值为 0，方差为 2 σ n 的高斯白噪声，A 已知，样本间相互 独立，信号与噪声相互独立; 相位θ 是随机变量，它服从均匀分布 1 0 2 ( ) 20 p θ π θ π ?? ≤ ≤ = ??? 其它 1）改变输入信噪比（改变 A 或噪声方差均可），给
2
- （a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。 （b）在上述数据集上运用感知器算法，并且使用不同的初始向量初始化参数向量。 （c）测试每一次算法在和上的性能。 （d）画出数据集和，以及分类面。((a) Generate
L4_1
- a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。 （b）在上述数据集上和分别属于+1类和-1类，请在上述数据集的两类中各随机抽取150个样本作为训练集，运用Logistic regression算法得到的分类面，然后对余下的各5