该代码适用于数学建模中需要求权重或评估模型，只需要修改输入的数据，其余命令不变，十分简易方便

matlab灰色关联度代码Matlab中模式识别的白内障分类器 利用Matlab中的模式识别神经网络将视网膜眼底彩色图像分类为各种类型的白内障。 对数据集图像进行预处理，以提取训练神经网络所需的特征。 首先将图像转换为绿色通道，以获得细节之间的最大对比度。 然后对这些图像进行上下帽子转换，然后进行对比度校正和滤波，以获得用于特征提取的最佳图像。 从每个图像的灰度共生矩阵中提取对比度，相关性，同质性和能量这四个特征。 总共处理了51张图像以进行特征提取和训练。 利用Matlab中的NPR工具箱将这些特征用于训练具有10个隐藏神经元的反向传播神经网络，并绘制混淆矩阵和ROC特性以分析训练后的神经网络的效率。 最终使用Matlab的GUIDE工具箱将该神经网络合并到图形用户界面中。 该应用程序能够将白内障的程度分为三类，即轻度，中度和严重。 PS：所有文件均为matlab代码文件说明：prefeat-用于图像预处理和特征提取的代码。 数据集-包含提取的特征矩阵和用于训练神经网络的目标矩阵。 Trainer-用于使用给定数据集训练神经网络的代码。 retinalCataractClassifi

基于灰色关联度的GM(1,1)-BP神经网络组合模型研究.pdf

基于灰色关联度和BP神经网络的全国人口预测研究.pdf

基于C语言变压器故障诊断灰色关联度计算研究.pdf

matlab灰色关联度代码印度硬币面额识别 MATLAB中用于识别印度硬币面额的程序 方法 图像采集。 将RGB转换为灰色。 应用高斯滤波器。 应用Canny Edge Detection。 将相关系数因子与数据集结合起来。 运行命令 在MATLAB中打开代码。 运行代码。 选择要输入的图像。

摘要 本文对长江近两年多的水质情况做出了定量的综合评价，并对水质的污染状况、污染源的确定、水质的预测与控制这四个问题分别建立了相应的模型。并对求解结果作出了分析。 针对问题一，对于相同污染因素的不同等级，采取梯度赋权的方法确定权重。利用“理想点法”和灰色关联度的思想，建立综合排名模型，得到各个地区整体综合污染情况排名。相应的排名为{3，2，6，14，4，7，8，16，5，12，1，13，15，11，17，10， 9} 针对问题二，对干流上7个观测点隔开的6个江段进行分析。根据一位水质模型推导出浓度降解公式，据此公式联系实际，列出浓度在上中下游的变化方程，计算出每江段污水排放量。得出高锰酸盐主要由重庆朱沱-湖北宜昌-湖南岳阳两段排放，氨氮主要由重庆朱沱-湖北宜昌-湖南岳阳-江西九江三段排放。 针对问题三，用可饮用水的比例刻画长江水质的好坏。分析近两年的百分比发现其呈现波动下降的趋势。因此，建立基于灰色GM（1，1）模型和时间序列分析法的组合式模型，预测未来十年可饮用水占总水量百分比，以描述长江水质污染情况趋势：若不治理，长江10年后可饮用水的比例在大多数情况下将低于50%。 针对问题四，将Ⅳ类Ⅴ类化为一类，劣Ⅴ类单独成类，根据附件所给数据，建立二元线性回归模型，得到各类水的污水密度。结合预测出的未来10年的总流量，便可以得到未来10年符合要求的污水质量。而其与预测出的污水量之差即为需要处理的质量。 最后，结合实际给出治理污染的切实可行的建议与意见，并对模型作出了分析评价。

基于灰色关联度，BP网络相似日预测，可以自己改参数，

针对齿轮实测信号因受噪声干扰而不能准确反映故障特征的问题，提出将自适应局部迭代滤波应用到齿轮故障识别中，与样本熵、灰色关联度相结合实现齿轮的故障识别。利用自适应局部迭代滤波将齿轮非平稳信号分解为有限个平稳的本质模态函数，通过计算各本质模态函数的样本熵，发现以齿轮系统的转频信号对应的本质模态函数的样本熵为界，前几个本质模态函数的样本熵能表征不同故障类型的特征；计算齿轮系统正常、齿面轻度磨损、齿面中度磨损和断齿4种工况下多个训练样本的样本熵的平均值，将其作为对应工况标准故障模式的参考值；计算待检测样本的样本熵与各状态下训练样本的样本熵平均值之间的灰色关联度，与待识别样本灰色关联度最大的标准故障模式即被认为是待识别样本的故障类型。实例分析结果表明，通过自适应迭代滤波能有效抑制模态混叠现象，发现明显的齿轮转频信号，而采用集合经验模式分解（EEMD）方法进行信号分解后，模态混叠现象比较明显，且在EEMD的分解结果中基本看不出齿轮的转频分量；4种工况的样本熵曲线形状存在明显差异，说明样本熵能有效表征齿轮故障特征的变化；灰色关联度方法能有效地将4种不同的故障类型进行分类识别，分类识别性能优于BP神经

关联度分析是分析系统中各因素关联程度的方法 这个是本人自己学习灰色预测理论的时候用MATLAB编写的一个源代码