spearman的matlab代码统计样本 主页 ：： 描述 Ruby 基础和高级统计套件。 在 Ruby 2.1.1p76（2014 年 6 月）、1.8.7、1.9.1、1.9.2（2010 年 4 月）、ruby-head（2011 年 6 月）和 JRuby 1.4（与 Ruby 1.8.7 兼容）上测试。 包括： 描述性统计：频率、中位数、平均值、标准误差、偏斜、峰度（以及许多其他）。 从 Excel、CSV 和纯文本文件导入和导出数据集。 相关性：Pearson r、Spearman 秩相关 (rho)、点双列、tau a、tau b 和 gamma。 Tetrachoric 和 Polychoric 相关性由 +statsample-bivariate-extension+ gem 提供。 类内相关 方差分析：通用和基于向量的单向方差分析和双向方差分析，以及单向方差分析的对比。 测试：F、T、Levene、U-Mannwhitney。 回归：简单、多重 (OLS)、Probit 和 Logit 因子分析：提取（PCA 和主轴）、旋转（Varimax、Equimax、Qua

matlab代码，简单的潮流计算，使用前推回代法，添加了注释，算是本人学习潮流计算时笔记，希望能帮到一样初学的朋友

基于FPGA的OFDM调制解调系统的仿真，包括matlab代码，verilog代码以及论文设计章节。在对OFDM（正交频分复用）调制解调方式进行研究的基础上，在ALTERA公司FPGA上的实现了一个基带的OFDM调制解调系统。并着重讨论了用FFT/IFFT来实现OFDM的解调问题。在FPGA上实现的OFDM系统分为调制和解调两个子系统，分别完成了子信道的IFFT的OFDM调制， FFT变换的OFDM解调。最后使用QUARTUSII8完成了整个OFDM调制解调电路的设计、仿真和实现，与MATLAB实现结果的比较，运算结果良好。

细节增强的matlab代码

步态matlab代码盲步SLAM算法 动机 从移动性的角度来看，步行机器人代表了一个非常好的解决方案，但需要能够处理地形不确定性的更优雅（且更复杂）的控制器。 因此，本论文是在法国南特中央理工学院，上海交通大学和意大利热那亚大学的监督下实现的，通过交互方案产生感知，从而为移动机器人的研究领域做出了贡献。旨在焊接在核压力容器上的平行六足机器人，平均最大步长为0.25 m，可在平坦的地形上行走，并将其功能进一步扩展为能够协商不平坦地形的第二种形式。 机器人没有附加任何视觉系统，必须同时从机器人关节（编码器）映射环境，以生成所谓的盲步行SLAM算法，因为同时会估计定位。 由于系统的组织结构良好，因此该方案可同时满足许多要求，并以其可预测性，适应性，模块化，参数化性质，收敛性证明，给定地形的静态稳定性最大化，快速计算预测方案和机器人任务而著称。遵守。 考虑了测试机器人上海交通大学的八达通，根据先前的研究阶段给出了机器人的几何和运动学模型，并推导了一般的机器人运动学模型。 这些模型被用作步态生成链的一部分，计算步态的几何量，可行性和边界检查。 摘要 从本文的移动机器人角度来看，步行机器人是一个很

双重分形的matlab代码#K表示聚类以对图像进行二值化 在这里，我代表了用matlab编写的用于对图像进行二值化处理的一些代码。 主要思想是对患者的骨组织进行活检，然后对其显微图像进行多重分形分析，该组织的肿瘤已转移到骨骼上。 在这里，在下面显示的图片上，您可能会看到该算法如何拍摄微观图像（上部图片）并使它们成为二进制图像（下部图片集）。 ！[K_Means_Algorithm_Binarization_Of_Image]（我的二进制图片。png）

1. 该算法基于锚节点到未知节点估计距离的比值来修正跳数 2. 包含原始Dvhop和基于RSSI的加权Dvhop两种定位算法，并进行了对比 3. 注释详细

DA蜻蜓算法matlab代码

smote的matlab代码信用卡欺诈检测 在这个项目中，我们将分析包含来自 Kaggle () 的 284,807 笔交易中的 492 笔欺诈的数据集。 这些交易是由欧洲信用卡持有人于 2013 年 9 月进行的。我们这个项目的目标是将数据集放入我们的机器学习模型中，以便在处理该数据集高度不平衡的问题的同时进行精确预测。 由于有28个变量是主成分分析（PCA）变换的结果，并且没有给出变量的信息，我们将删除具有相似分布的变量。 我们的下一步是处理不平衡的问题。 我们将使用合成少数过采样技术 (SMOTE) 对数据集进行重新采样，以使欺诈和正常交易的数量均匀。 最后一步是比较机器学习方法，我们发现 Xgboost 返回了最高的 AUC 分数。

数据融合matlab代码自适应加权学习网络的轻量图像超分辨率 王朝峰，李振和石军，“具有自适应加权学习网络的轻量图像超分辨率”， 该代码基于 依存关系 的Python 3.5 PyTorch> = 0.4.0 麻木 skimage 意象 matplotlib tqdm 代码 git clone git@github.com:ChaofWang/AWSRN.git cd AWSRN 抽象的 近年来，深度学习已以出色的性能成功地应用于单图像超分辨率（SISR）任务。 但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。 在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。 在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。 此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。 AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分