KS2D 2拟合优度的Kolmogorov-Smirnov维检验。 KS2D是对Kolmogorov-Smyrnov测试的拟合优度的二维扩展。 它用于比较点的数据集与分布或两个点的数据集，并拒绝或不拒绝以下假设：样本是从分布中得出的，或者两个样本是从同一分布中得出的。 注意：检验仅拒绝数据符合概率分布的假设，或者不针对某个显着性水平拒绝该假设。 它不能确认，只有“不拒绝”。 在这种情况下，我们检查二维数据是否适合特定的分布。 扩展到更高维度是不平凡的，需要O （ n 2 ）个操作的数量级，即对于大型数据集来说很慢。 主要旨在与使用函数ks2d1s和ks2d2s进行交互，这些函数分别将一个2列矩阵和一个2D函数或两个2列矩阵作为输入。 这些算法计算在围绕数据集中每个点的正交象限中找到数据的相对概率，然后使用那些算法来计算具有分布函数（ Qks ）的KS统计量。 在[3]中查看14​​

此函数估计二进制序列的 Kolmogorov 复杂度。 该算法如 Lempel 和 Ziv (IEEE trans inf theory IT-22, 75 (1976)) 和 Kaspar and Schuster (Physical Review A, vol 36, no 2, pg 842) 中所述。 输入是二进制序列，输出是 kolmogorov 复杂度。

图割算法代码matlab

双样本 Kolmogorov-Smirnov 检验是一种统计检验，用于确定两组数据是来自相同还是不同的分布。 零假设是两个数据集都来自相同的连续分布。 此处包含的测试旨在比较二维分布。 该函数中的算法取自 Peacock [1]。 用法：[H, pValue, KSstatistic] = kstest_2s_2d(x1, x2 <, alpha>) 'x1' 是一个 [Nx2] 矩阵，每行包含一个二维样本。 “ x2”是[Mx2]矩阵，每行同样包含一个二维样本。 可选参数 'alpha' 用于设置拒绝原假设所需的显着性水平。 'H' 是一个逻辑值：true 表示应该拒绝原假设。 “pValue”是检验统计量的 P 值的估计值。 “KSstatistic”是测试统计量的原始值（[1] 中的“D”）。 对比kstest2，这个函数只能进行双尾测试。 这是因为 Peacock 没有提供一种在

matlab里简单的计算时间序列的复杂度的算法，输入是数字序列，输出是归一化的复杂度

调制分类在诸如电子战和干扰消除之类的应用中至关重要。在这封信中，提出了一种基于特征的新型Kolmogorov-Smirnov分类器，用于识别调制格式。首先使用折叠操作对接收到的信号进行预处理，该折叠操作可根据其不同的对称轴帮助识别调制格式。仿真结果表明，与基于似然的最优分类器相比，该分类器的性能接近于基于最优似然的分类器，同时提高了其对噪声不确定性的鲁棒性，降低了计算复杂度。

非Kolmogorov大气湍流对部分相干厄米高斯光束传输因子的影响

这是关于计算复杂性的电子书，高清，最新版本，经典著作，英文版

基于非Kolmogorov谱模型，利用广义惠更斯-菲涅耳原理，推导出了高斯谢尔模型（GSM）光束在非Kolmogonov大气湍流中光谱的解析表达式，并用其研究了非Kolmogorov大气湍流对GSM光束光谱变化的影响。结果表明，GSM光束在非Kolmogorov大气湍流中传输时有光谱移动（蓝移和红移）和光谱跃变发生。光谱跃变的发生与离轴距离r、广义指数参量[α]、广义结构常量[C2n]、湍流内尺度l0、湍流外尺度L0和传输距离z有关。随着广义指数参量[α]的增大、湍流内尺度l0的增大及广义结构常量[C2n]的减小，光谱跃变量[Δ]减小，光谱跃变临界位置zc增大。该研究工作可为自由空间光通信等实际应用提供理论模型和计算依据。

同时计算时间序列的关联维数及Kolmogorov熵