matlab仿真丢包率代码该存储库包含论文“Xu, L., Y. Mo, and L. Xie, Remote State Estimation with Stochastic Event-triggered Sensor Schedule in the Presence of Packet Drops. 已提交，2019 年”的仿真代码。 “estiamtors.py”文件包含所有用 Python 函数编写的估算器。 “RelativeMSEvsLossRate.py”文件比较了不同估计器在不同丢包率下的相对MSE。 “ExecutionTimeCompare.py”文件比较了不同估算器的执行时间。 “RelativeMSEPlot.m”和“ExecutionTimePlot.m”是绘制最终仿真结果的MATLAB脚本。

指数修正高斯 (exGaussian) 分布描述独立正态和指数随机变量的总和。 该分布被提议作为色谱峰形状的模型 [1]，也用于心理学、心理生理学和神经科学作为React时间模型 [2-4]。 让我们以React时间为例。 总React时间可以分为两个部分 [2，第 4 章]，[4]： - 决定回应所花费的时间（“决定部分”）； - 感知刺激和身体React所需的时间（“转导组件”） 转导分量可以通过具有 mu 平均值和 sigma 标准偏差的正态分布建模。 决策组件可以通过具有 tau 平均值的指数分布建模。 然后总React时间由 exGaussian 建模，参数为 mu、sigma 和 tau。 此提交包含三个处理 exGaussian 分布的函数： - exgauss_rnd.m 生成 exGaussian 随机数； - exgauss_pdf.m 计算 exGaussian

高斯过程 我用高斯过程实现回归。 写它是为了加深我对这些概念的理解。 如果您想在您的应用程序中使用它，请先与我联系。 该代码远非稳定且可供使用。

PPT内含Gaussian安装包链接，可直接下载。 欢迎各位下载

MFFA 多重分形趋势波动分析MFDFA是一种与模型无关的方法，可以揭示随机过程或自回归模型的自相似性。 DFA由Peng等人首先开发。 1和后来扩展到研究Kandelhardt等人的多重分形MFDFA 。 2 。 在最新版本中，还添加了移动窗口系统，特别适用于短时间序列，最近对DFA的扩展（称为扩展DFA ）和经验模式分解的额外功能（作为去趋势方法）。 安装 要安装MFDFA，您只需使用 pip install MFDFA 在您喜欢的编辑器上，只需将MFDFA导入为 from MFDFA import MFDFA 有一个附加的库fgn可以生成分数高斯噪声。 MFDFA库 MFDFA基础仅取决于numpy ，尤其是numpy的polynomial 。 在版本0.3中，添加了一种基于方法，以替代依赖于PyEMD时间序列趋势变化方法。 使用MFDFA库 一维分数阶Ornstein-U

gaussian09的Windows版本

这是流行的 Nonlocal Means 去噪方案的快速而稳健的实现，适用于 Rician 和 Gaussian 平稳噪声。 它的工作原理是基于特征空间中的距离计算非局部权重，包括图像的局部平均值和梯度。 与原始实现相比，它可以达到 20 倍的加速因子，并提高了中低 SNR 图像的性能。 我们基于众所周知的传统方法对 Rician 噪声使用偏差校正步骤。 可以在以下参考资料中找到有关此算法的更多详细信息（如果您使用此软件进行研究，我们要求您引用）： A. Tristan-Vega、V. Garcia Perez、S. Aja-Fenandez 和 C.-F. 威斯汀， '基于MR数据的高效鲁棒非局部均值去噪显着特征匹配，计算机方法和程序生物医学，105（2）：131-44。 2012 年。 注意：此 Matlab 实现无法利用上述论文中描述的所有计算方法。 如果计算性能对您来说

通过GaussView建立模型，以便于在Gaussian中计算过渡态能量和结构、键和反应能量、分子轨道、原子电荷和电势、振动频率、红外和拉曼光谱、核磁性质、极化率和超极化率、热力学性质、反应路径，计算可以对体系的基态或激发态执行。可以预测周期体系的能量，结构和分子轨道。是学习量子化学计算的必备可视化工具。

高斯混合模型的em算法代码，文档粗略解析和代码。注释高斯混合，不是高斯过程混合。

高斯混合模型意味着每个数据点（随机）从 C 类数据之一中抽取，概率 p_i 从第 i 类中抽取，并且每个类都分布为具有平均标准差 mu_i 和 sigma_i 的高斯分布。 给定从这种分布中提取的一组数据，我们试图估计这些未知参数。 这里用于估计的算法是 EM（期望最大化）。 简单地说，如果我们知道 N 个输入数据点中的每一个的类别，我们就可以将它们分开，并使用最大似然估计每个类别的参数。 这是 M 步。 E 步骤根据每个类的前一轮参数估计为每个数据点（软）选择（未知）类。 隐式地将数据分类（或聚类）到不同的类中，估计其参数。 当前代码仅适用于一维数据，主要用于说明混合模型和 EM 的想法，但很容易推广到更高维度。