Bipartite consensus of general linear multi-agent systems

matlab自相关代码评估有针对性的和多元依赖措施的重要性 版权所有（C）2020 Oliver Cliff。 该存储库提供了MATLAB函数，用于计算和评估多个自相关时间序列之间的线性相关性。 这包括各种线性相关性度量以及用于推断其重要性的假设检验，所有这些都在本文中和中进行了讨论。 实施的度量为：互信息，条件互信息， Granger因果关系和条件Granger因果关系（每个均针对单变量和多元线性高斯过程）。 为了完整起见，我们还包括了单变量过程的Pearson相关性和部分相关性（具有潜在的多元条件过程）。 该代码已根据（或更高版本）获得许可。 入门 确保具有MATLAB并已下载并安装（用于自相关和过滤功能）。 克隆（或下载）存储库。 将存储库添加到您的路径（包括utils文件夹）中，例如，使用： addpath(genpath('/path/to/repository')). 帮助中有关每个功能的文档。 使用的主要功能是mvmi.m （相互信息）， mvgc.m （格兰杰因果关系）和pcorr.m （皮尔森/偏相关）。 所有这三个都允许添加条件过程，并且可以选择输出p值。 p值是从

信号处理

Signal Processing and Linear Systems B.P.Lathi

y作m次多元式拟合的MATLAB代码机器学习（MATLAB）-正则化线性回归和偏差/方差 斯坦福大学的机器学习课程。 环境 macOS Catalina（版本10.15.3） MATLAB 2018 b 数据集 ex5data1.mat 此仓库中包含的文件 ex5.m-分步练习的Octave / MATLAB脚本 ex5data1.mat-数据集 Submit.m-将解决方案发送到我们的服务器的提交脚本 featureNormalize.m-功能归一化功能 fmincg.m-函数最小化例程（类似于fminunc） plotFit.m-绘制多项式拟合 sigmoid.m-Sigmoid函数 trainLinearReg.m-使用成本函数训练线性回归 [⋆] linearRegCostFunction.m-正则化线性回归成本函数 [⋆] learningCurve.m-生成学习曲线 [⋆] polyFeatures.m-将数据映射到多项式特征空间 [⋆] validationCurve.m-生成交叉验证曲线 第1部分：正则线性回归 我们将执行正规化线性回归，以利用水库中水位的变化预测从大坝

GMSK线性接收机，相干解调，线性接收机（基于Laurent分解）

机器学习数学 由于Coursera荣誉代码，绝不会共享证书所需的分级作业和考试 请注意，有时github不会加载.ipynb文件或对矩阵使用不正确的图表，请随时下载并在自己的阅读器中使用 我的资料库的目的是为学生提供机器学习的基础数学（特别是那些在帝国理工学院伦敦机器学习数学课程的学生）一些有用的资源，并提供一些指南来指导该课程中的实践练习。 该存储库涵盖以下主题： 线性代数 多元微积分； 主成分分析（PCA）。 基本课程说明（来自帝国理工学院伦敦课程） 对于许多机器学习和数据科学的高级课程，您会发现需要重新学习数学的基础知识-您以前在学校或大学学习过的东西，但是是在另一种情况下讲授的，或者不是很直观，因此您很难将其与计算机科学中的使用方式联系起来。 该专业旨在弥合这一差距，让您快速掌握基础数学，建立直觉的理解并将其与机器学习和数据科学联系起来。 在有关线性代数的第一门课程中，

Linear_Algebra_and_Its_Applications_5th_Edition_David_C._Lay, 线性代数及其应用, 第五版.

机器学习回归项目 使用的著名UCI数据集来预测葡萄酒质量。

线性回归 一个简单的线性回归机器学习程序，用Python 3.4编写 依存关系 numpy： ://www.numpy.org/ Docopt： ： 如果按照“安装”下的说明进行操作，则不必手动安装。 安装 获取此存储库中的文件。 例如：git clone 在命令提示符下，导航到此存储库在计算机上的保存位置。 您应该看到文件setup.py。 安装 跑步 > python setup.py install # do not use 'pip install .', this is just a script 您现在应该可以直接运行“ regress.py” 训练集和测试集 regress.py将使用训练集来学习一个权重矩阵，该矩阵将应用于测试集中每个条目的属性，以预测该条目的类别。 它将比较其预测与实际类别，并查看其预测是否正确。 处理完所有条目后，它将报告其总体准确性。