高斯消元法简介   数学上，高斯消元法（或译：高斯消去法），是线性代数规划中的一个算法，可用来为线性方程组求解。但其算法十分复杂，不常用于加减消元法，求出矩阵的秩，以及求出可逆方阵的逆矩阵。不过，如果有过百万条等式时，这个算法会十分省时。一些极大的方程组通常会用迭代法以及花式消元来解决。当用于一个矩阵时，高斯消元法会产生出一个“行梯阵式”。高斯消元法可以用在电脑中来解决数千条等式及未知数。亦有一些方法特地用来解决一些有特别排列的系数的方程组。        ——转自百度百科 内容   消元法是将方程组中的一方程的未知数用含有另一未知数的代数式表示，并将其代入到另一方程中，这就消去了一未知数，得

将具有任意分布的模拟数据转换为高斯分布的简单代码

这是用Visual studio 2008编写的，经过测试，可以直接运行。

matlab2016代码密集CRF 这是PhilippKrähenbühl的完全连接CRF（版本2）的（基于Cython的）Python包装器。 如果您将此代码用于reasearch，请引用： Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials Philipp Krähenbühl and Vladlen Koltun NIPS 2011 界面 Win64的python2.7 Win64的python3.5 Win64 MATLAB2016 安装 下载代码 git clone https://github.com/liyemei/densecrf 重命名 Renameing the file "pydensecrf-py27" or "pydensecrf-py35" to the new name "pydensecrf" 安装包 Puting this file "pydensecrf" in this directory "C:\Program Fi

该程序计算高斯环境中 QPSK 调制的 BER 曲线与 SNR。 它在计算 BER 之前为每个 SNR 值计算 100 个错误。 这给出了 BER 的一个很好的近似值。 我希望这对学生有很大帮助。 如果有人有任何疑问，请随时与我联系。

弹性波数值模拟中的高斯型混合吸收边界条件及其GPU并行.pdf

自己制作，可以使用，并有用MATLAB的BER/SNR作图

高斯密度函数估计是一种参数化模型。有单高斯模型(Single Gaussian Model, SGM)和高斯混合模型(Gaussian mixture model,GMM)两类。本文详细介绍了这两种模型的原理,并介绍了实现方法,最后附了源码,以供参考.源码经过详细测试，没有任何错误

这个包通过期望最大化（EM）算法拟合高斯混合模型（GMM）。它适用于任意维度的数据集。 应用了多种技术来提高数值稳定性，例如在对数域中计算概率以避免浮点数下溢，这在计算高维数据概率时经常发生。 该代码还通过利用顶点化和矩阵分解进行了仔细调整以提高效率。 这种算法被广泛使用。 详细信息可以在伟大的教科书“模式识别和机器学习”或维基页面中找到http://en.wikipedia.org/wiki/Expectation-maximization_algorithm 此功能强大且高效，但代码结构经过组织，易于阅读。 请尝试以下代码进行演示： 关闭所有; 清除; d = 2; k = 3； n = 500； [X,label] = mixGaussRnd(d,k,n); plotClass(X,label); m = 楼层（n/2）； X1 = X(:,1:m); X2 = X(:,(m

针对传统混合高斯背景建模(GMM)在一些复杂场景下未能有效地描述背景,提出了一种改进算法。该算法引入更新和消退控制因子改进参数更新模型,并定量约束运动目标停留时间,采用从时间域上过滤得到的快速变化的背景进行背景减除操作,最后在空间域上对检测结果进行数学形态学的处理。实验结果表明,该算法能够提高背景建立和形成速度,增强对背景扰动和光照变化的抗干扰能力,对固定摄像机场景下运动目标的检测具有良好的鲁棒性。