首先说说自相关和互相关的概念.  自相关 在统计学中的定义,自相关函数就是将一个有序的随机变量系列与其自身作比较.每个不存在相位差的系列,都与其都与其自身相似,即在此情况下,自相关函数值最大. 在信号分析当中通常将自相关函数称之为自协方差方程. 用来描述信息在不同时间的,信息函数值的相关性.     互相关 在统计学中,互相关有时用来表示两个随机矢量 X 和 Y 之间的协方差 cov(X, Y),以与矢量 X 的“协方差”概念相区分,矢量 X 的“协方差”是 X 的各标量成分之间的协方差矩阵.

最近接触到了遗传算法以及利用遗传算法求最优解,所以就把这些相关的内容整理记录一下. 一.遗传算法简介(摘自维基百科) 遗传算法(英语:genetic algorithm (GA))是计算数学中用于解决最佳化的搜索算法,是进化算法的一种.进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传.突变.自然选择以及杂交等. 算法 选择初始生命种群 循环 评价种群中的个体适应度 以比例原则(分数高的挑中概率也较高)选择产生下一个种群. 改变该种群(交叉和变异) 直到停止循环的条件满足

MATLAB PCHIP函数一阶求导分析 摘要:本文首先根据三次立方插值的一般表达式,得出分段三次立方插值时,每个小区间上的各次项系数.分析发现,三次项.二次项.一次项系数都与小区间端点处的一阶导数值相关,故需要求出端点处的一阶导数值,Matlab Pchip.m文件给出了方法.根据pchip.m的代码以及参考文献,归纳出求一阶导数值的公式.文章第三节着重分析内点处导数值公式的由来,以及与此相关的其它三个公式. 关键字:Matlab Pchip.m:分段三次立方插值:离散数据一阶求导:单调保形插

MATLAB线性方程组的迭代求解法 作者:凯鲁嘎吉 - 博客园http://www.cnblogs.com/kailugaji/ 一.实验目的 1． 借助矩阵按模最大特征值,判断解方程组的Jacobi迭代法所得迭代序列的敛散性. 2． 会在Jacobi迭代法所得迭代序列收敛时,用修改后的Gauss-Seidel迭代法. 3． 会逐次超松驰迭代法. 二.实验原理 三.实验程序 四.实验内容 用上面前二种方法求解4元线性方程组的近似解,所选方程组尽可能可以用多种方法求得收敛解. 注:要注意判断迭代法

相关Matlab函数:hist, bar, cdfplot, ksdensity (1) hist函数 n = hist(Y, x)  假设x是一个向量,返回x的长度个以x为中心的,Y的分布情况. 比如:假设x是一个5元素的向量,返回Y在以x为中心的,x长度个范围内数据直方分布. [n,xout] = hist(...)  返回n和xout.包括有数目频率和间隔位置.能够使用bar(xout, n)来绘制直方图. (2) bar函数 绘制条形图.bar(X,Y) 将Y矩阵的每一行化成一组条形图.

问题是这样,如果我们知道两个向量v1和v2,计算从v1转到v2的旋转矩阵和四元数,由于旋转矩阵和四元数可以互转,所以我们先计算四元数. 我们可以认为v1绕着向量u旋转θ​角度到v2,u垂直于v1-v2平面. 四元数q可以表示为cos(θ/2)​+sin(θ/2)​u,即:q0​=cos(θ/2)​,q1​=sin(θ/2)​u.x,q2=sin(θ/2)​u.y,q3=sin(θ/2)​u.z 所以我们求出u和θ/2即可,u等于v1与v2的叉积,不要忘了单位化:θ/2用向量夹角公式就能求. ma

画decision boundary(直线) %% ============= Part 3: Optimizing using fminunc =============% In this exercise, you will use a built-in function (fminunc) to find the% optimal parameters theta. % Set options for fminuncoptions = optimset('GradObj', 'on', '

转自 http://www.cnblogs.com/tiandsp/archive/2012/01/07/2316006.html  感谢Dsp tian clearclc;img = imread('124.jpg');     % Read image from graphics file [m n t] = size(img);            % 获取图型大小   max = 0;min = 256;avg = 0;for i =1:1:m    for j = 1:1:n    

sigmoid.m文件 function g = sigmoid(z)%SIGMOID Compute sigmoid functoon% J = SIGMOID(z) computes the sigmoid of z. g = zeros(size(z));  初始化g ,z可以是一个数,一个向量或者一个矩阵 % ====================== YOUR CODE HERE ======================% Instructions: Compute the si

题目 [SDOI2015]序列统计 挺好的题!!! 做法 \(f[i][j]\)为第\(i\)个数前缀积在模\(M\)意义下为\(j\) 显然是可以快速幂的:\[f[2*i][j]=\sum\limits_{ab\equiv j(mod~ M)}f[i][a]\cdot f[i][b]\] 时间复杂度\(O(m^2 log n)\) 考虑转换到对数上则可以化乘为加,而\(M\)为质数,原根\(g\)的\(g_0^{m-2}\)恰好对应\([1,m-1]\) 我们用这些代替数\(g^A\equiv

clc; clear all; close all; fx = @(x) -(0.4./sqrt(1 + x.^2) - sqrt(1+x.^2) .* (1- 0.4./(1 + x.^2))+x); [x0, f] =fminbnd(fx,0,2); % f利用负号求最小值 x = 0 :0.1: 2; y = feval(fx,x); %% ========maxvalue==== figure plot(x,-y,'b-','linewidth',2) hold on plot(x0,-

clear all; close all; clc img=imread('lena.bmp'); figure; imshow(uint8(img)); [m n]=size(img); img_max=0; img_min=256; img_avg=0; for i=1:1:m for j=1:1:n if img(i, j)<img_min img_min=img(i,j); end if img(i, j)>img_max img_max=img(i,j); end img_avg=i

requests对象是由类创建的 from django.core.handlers.wsgi import WSGIRequest    --> 类 request.environ中封装了请求的所以信息,environ是一个字典 Django将经常使用的某些值,做了便捷处理          1.使用Django便捷功能          2.自己处理原生数据   request.environ #所有请求的信息都以字典的形式放在里面 request.environ['HTTP_USER_AG

clear;clc;close all % 初始化 m = [-6,-2,0,2,4,6]; sigma = [1,1,0.5,0.25,0.6,2]; h = [1,2,3,2,2.13,3.14]; x=-10:0.01:10; sumy = zeros(1,length(x)); % 绘制各分支高斯信号 figure; for i = 1:length(m) y=(h(i)/((sqrt(2*pi))*sigma(i)))*exp(-((x-m(i)).^2)/(2*sigma(i).^2

randperm()函数: 功能:用于生成从1到N的随机整数,并且没有重复,它本质上是一个随机排序的函数: 用法:1.  randperm(n)     随机生成从1到n的不重复的整数: 2. randperm(n, k)  随机生成k个在区间 [1, n] 之间的不重复的整数: randi()函数: 功能:用于生成服从均匀分布的伪随机整数,是会重复的: 用法:1. randi(max, m, n)       用于生成在区间 [1, max] 上的M*N的矩阵: 2. randi(max)  

"QR_H.m" function [Q,R] = QR_tao(A) %输入矩阵A %输出正交矩阵Q和上三角矩阵R [n,n]=size(A); E = eye(n); X = zeros(n,); R = zeros(n); P1 = E; :n- s = -sign(A(k,k))*norm(A(k:n,k)); R(k,k) = -s; w = [A(,)+s,A(:n,k)']'; else w = [zeros(,k-),A(k,k)+s,A(k+:n,k)']'; R(:

对于一个二维信号,比如灰度图像,灰度值的范围是0-255,因此只要根据像素灰度值(0-255)出现的概率,就可以计算出信息熵.    但是,对于一个一维信号,比如说心电信号,数据值的范围并不是确定的,不会是(0-255)这么确定,如果进行域值变换,使其转换到一个整数范围的话,就会丢失数据,请高手指点,怎么计算. 比如数字信号是x(n),n=1~N(1)先用Hist函数对x(n)的赋值范围进行分块,比如赋值范围在0~10的对应第      一块,10~20的第二块,以此类推.这之前需要对x(n)做

数据预处理的主要内容包括数据清洗.数据集成.数据变换和数据规约,在数据挖掘的过程中,数据预处理工作量占到了整个过程的60%.数据清洗在上一篇博客中写过,这里主要写后面三部分. 数据集成 数据挖掘需要的数据往往分布在不同的数据源中,数据集成就是将多个数据源合并存放在一个一致的数据存储(如数据仓库)中的过程. 在数据集成时,来自多个数据源的现实世界实体的表达形式是不一样的,有可能不匹配,要考虑实体识别问题和属性冗余问题,从而将源数据在最低层上加以转换.提炼和集成. 1.实体识别 同名异义.异名同义.

matlab求极限(可用来验证度量函数或者隶属度函数)可用来验证是否收敛,取值范围等等. 一.问题来源 搜集聚类资料时,又看到了隶属度函数,没错,就是下面这个,期间作者提到m趋于2是,结果趋于1,我想验证下,于是查资料. 二.不同类型的极限 2.1 基础知识 a./b表示常数a除以矩阵b中每个元素或者矩阵a除以矩阵b对应元素或者常数b:点乘方a.^b,矩阵a中每个元素按b中对应元素乘方或者b是常数. 2.2 单变量独立式子 独立式子之地的是不存在连加之类的操作. 问题:用MATLAB求(x^2+

1.问题描述 给定一个字符串(序列),求该序列的最长的回文子序列. 2.分析 需要理解的几个概念: ---回文 ---子序列 ---子串 http://www.cnblogs.com/LCCRNblog/p/4321398.html这一篇文章描述了利用动态规划求解两个序列的最长公共子序列(Longest Common Sequence). 假设LCS(X,Y)表示序列X,Y的最长公共子序列,LPS(X)表示X的最长回文子序列: 在设序列X1为X的装置序列(逆序),比如X=“123”,X1=“32