肘部法则–Elbow Method 我们知道k-means是以最小化样本与质点平方误差作为目标函数,将每个簇的质点与簇内样本点的平方距离误差和称为畸变程度(distortions),那么,对于一个簇,它的畸变程度越低,代表簇内成员越紧密,畸变程度越高,代表簇内结构越松散. 畸变程度会随着类别的增加而降低,但对于有一定区分度的数据,在达到某个临界点时畸变程度会得到极大改善,之后缓慢下降,这个临界点就可以考虑为聚类性能较好的点. import pandas as pd from sklearn.cl

实验的过程中,经常需要对所采集的数据进行频谱分析,软件的选择对计算速度影响挺大的.我在实验过程中,通常使用Origin7.5来进行快速傅里叶变换,因为方便快捷,计算之后,绘出来的图也容易编辑.但是当数据容量太大,达到100M大小,这时候使用Origin7.5进行快速傅里叶变换,运算速度非常慢,甚至运算不出来. 对大容量的数据进行快速傅里叶变换,我使用Matlab,运算速度比Origin7.5快很多.但是使用Matlab进行FFT时,需要进行一些小的处理,才能使运算结果与使用Origin7.5进行

一重定积分 1. Z = trapz(X,Y,dim) 梯形数值积分,通过已知参数x,y按dim维使用梯形公式进行积分 %举例说明1 clc clear all % int(sin(x),0,pi) x=0:pi/100:pi; %积分区间 y=sin(x); %被积函数 z = trapz(x,y) %计算方式一 z = pi/100*trapz(y) %计算方式二  运行结果 被积函数曲线 2.[q,fcnt]= quad(fun,a,b,tol,trace,p1,p2...) 自适应sim

http://hi.baidu.com/dreamflyman/item/11e920165596280fd0d66d9f >> syms k;>> kfac=sym('k!');>> subs(kfac,k,10) ans = 3628800 >> subs('x!',10) ans = 3628800 其实,以上程序还可以求更大的数的阶乘,只不过即使算出来为Inf,似乎没有什么用处. http://www.zdh1909.com/html/matlab/

一.差分与微分 我自己的理解. 二.求解 2.1 矩阵 这就是matlab的计算结果.太小的话放大些: c = 4 5 9 7 2 1 5 2 6 >> [x,y]=gradient(c) x = 1.0000 2.5000 4.0000 -5.0000 -3.0000 -1.0000 -3.0000 0.5000 4.0000 y = 3.0000 -3.0000 -8.0000 0.5000 -1.5000 -1.5000 -2.0000 0 5.0000 先看x,x就是矩阵的横向梯度,怎

夜深人静时分,宿舍就我自己,只有蚊子陪伴着我,我慢慢码下这段文字............ 感觉知识结构不完善:上学期看论文,发现类间离散度矩阵和类内离散度矩阵,然后百度,找不到,现在学模式识别,见了,发现是数学公司,不过老师不讲........ 一.问题来源 今天有个意想不到的收货,下午讲课的时候遇到一个人主动加我,来自南京信息工程大学的某X(处于隐私保护,未经李某X同意,笔者不敢公开其信息),下面是他的话:很久没去博客园了....现在只有matlab版本的一些hash算法;我现在主要就是在研究

% matlab script to test efficiency of % Euler's method, classical Runge-Kutta, and ode45 % on Arenstorf orbit problem close all clear all % these are variables we would like the right-hand function to "see" % without actually passing them as arg

MATLAB语言 function y=f(x) y=f(x); %函数f(t)的表达式 i=0; %二分次数记数 a=a; %求根区间左端 b=b; %求根区间右端 fa=f(a); %计算f(a)的值 fb=f(b); %计算f(b)的值 c=(a+b)/2; %计算区间中点 fc=f(c); %计算区间中点f(c) while abs(fc)>=ε; %推断f(c)是否为零点 if fa*fc>=0; %推断左側区间是否有根 fa=fc; a=c; else fb=fc; b=c; en

matlab是标准的,numpy相当于转置后计算 >> x = [2,0,-1.4;2.2,0.2,-1.5;2.4,0.1,-1;1.9,0,-1.2] x = 2.0000    0            -1.4000 2.2000    0.2000    -1.5000 2.4000    0.1000    -1.0000 1.9000    0            -1.2000 >> cov(x) ans = 0.0492        0.0142      0

本文所述方法可以检测同一图像中的多个圆形(准确的说,应该是闭合图像). 在Matlab2010a中可以实现. 附录效果图: %颗粒圆度 clear;close all; %% %读取源图像 I = imread('999.png'); figure;imshow(I); %% %灰度化.取反 h = rgb2gray(I); figure;imshow(h);%灰度图像 h = imcomplement(h);%取反 figure;imshow(h); %% %中值滤波.二值化 h = medf

定义函数 function y=f(x) y=f(x).%函数f(x)的表达式 end function z=h(x) z=h(x).%函数h(x)的表达式 end 主程序 x=X;%迭代初值 i=0;%迭代次数计算 while i<= 100%迭代次数 x0=X-f(X)/h(X);%牛顿迭代格式 if abs(x0-X)>0.01:%收敛推断 X=x0; else break end i=i+1; end fprintf('\n%s%.4f\t%s%d','X='.X.'i='.i) %产

在统计分析中,有时候需要计算矩阵每列非0元素的个数,可以用以下方法: 先用find找到每列不为0的元素index,然后用count计数. 假设有矩阵A[M,N], 结果存在countZeros countZeros=zeros(1,N); for i=1:M countZeros(i)=length(find(A(:,i)>0); end

看机器学习的时候遇到的第一个算法就是线性回归,高数中很详细的说明了线性回归的原理和最小2乘法的计算过程,很显然不适合手动计算,好在各种语言都有现成的函数使用,让我们愉快的做个调包侠吧 简单线性回归 R越接近1表示拟合效果越好 >> x=[0,1,2,3,4,5,6,7] x = 0 1 2 3 4 5 6 7 >> y=[27.0,26.8,26.5,26.3,26.1,25.7,25.3,24.8] y = 列 1 至 7 27.000000000000000 26.800000

1.对脑电数据进行db4四层分解,因为脑电频率是在0-64HZ,分层后如图所示, 细节分量[d1 d2 d3 d4] 近似分量[a4] 重建细节分量和近似分量,然后计算对应频段得相对功率谱,重建出来得四个频段(αβθδ)都有14个通道,所以要计算4频段14通道共56个相对功率 2.代码 function wavelet(signal) A4Array = zeros(14,5000); D4Array = zeros(14,5000); D3Array = zeros(14,5000); D2A

计算14通道得脑电数据吗,将得出的样本熵插入Excel表格 a = zeros(1,14); b = a'; for i =1:14 b(i) = SampEn(d1_1(i,1:3000),2,0.2*std(d1_1(i,1:3000))); end xlswrite('C:\Users\25626\Desktop\滤波后数据\14\样本熵\样本熵.xlsx',b,'Sheet1','J');%数据写入A列 调用的SampEn函数 function SampEnVal = SampEn(da

我这个计算得14通道,每个通道截取3000个数据得复杂度,最后将计算得出得数据存储到本地txt文档中 function LZC(data) % 计算一维信号的复杂度 % data时间序列 % lzc:信号的复杂度 data = data(:,1:3000); for i=1:14 MeanData = mean(data(i,:)); % 数据二值化处理,基于均值的二值化处理 b=(data(i,:)> MeanData); x(1:length(b))='0'; x(b)='1';%二值化后得

A = 3 2 5 6 5 2 1 8 4 2 7 9 >> diff(A,1,1) ans = 2 0 -4 2 -1 0 6 1 >> diff(A,1,2) ans = -1 3 1 -3 -1 7 -2 5 2 >> diff(A,2,1) ans = -3 0 10 -1 >> diff(A,2,2) ans = 4 -2 2 8 7 -3

一.问题描述 B1[1 2 3 4 5 6 7 8 9] B2[12 13 14 21 31 41 51  1 1 81 1 1] 两个十进制矩阵,行数不一样,分别是n1和n2,列数必须一致,为nwords,输出的矩阵Dh是[n1,n2],这和求两句真的欧氏距离一样的. 输出[1 1] = 1和12海明+2和13海明 + 3和14海明,[1 2] = 1和21 + 2和31 + 3和41,也就是说[i j]是B1第i行和B2第j行的海明距离. 二.问题分析 1和12 21 51 81分别求海明距

​   一阶矩,定义了每个颜色分量的平均强度 ​  二阶矩,反映待测区域颜色方差,即不均匀性 ​  三阶矩,定义了颜色分量的偏斜度,即颜色的不对称性 close all;clear all;clc; J = imread('lena.jpg'); K = imadjust(J,[70/255 160/255],[]); figure; subplot(121),imshow(J); subplot(122),imshow(K); [m,n] = size(J); mm = round(m/2);