例子： im = imread('captured_colorchecker_d65.jpg'); [de76,de00,meanCh76,meanCh00,neuCh76,neuCh00,neuSat] = coloranalysis(imin);

这个包包含两个 MATLAB 函数 e=ERF(r) 和 e=ERFZ(z)} 作为 Windows 的 MEX 文件。 ERF 以更快的实现重载了实值数的默认 MATLAB 误差函数。 ERFZ 也增强了 ERF 来评估复数的误差函数。 如果用实数调用，它与 ERF 相同并且同样快。 如果使用复数调用时不需要错误消息，则 ERFZ 可以替换 ERF。 为了与 x86 处理器上的 Windows 以外的操作系统兼容，ERFZ 被例如实现为一个普通的 M 文件，它依赖于 MATLAB 的默认 ERF。 实施细节可在随附的 PDF 手册中找到。

费业泰误差理论与数据处理答案.

2．2蒙特卡洛方法的基本特性 2．2．1蒙特卡洛方法的收敛性和误差 收敛性和误差，众所周知，分别是计算方法不容忽视的两个要点，由前面介绍 可知，蒙特卡洛方法作为计算方法的一种，更不可小觑，蒙特卡洛方法通常是由服 从某一概率分布的随机变量X的简单子样的算术平均值作为所求问题解的近似值。 根据“柯尔莫哥罗夫加强大数定理"可得，当五，置，．．．，坞独立同分布，且具有有限 期望值时，随机变量x的简单子样的算术平均值是以概率1的方式收敛到期望，即 尸晚iⅣ=E(x)J=1 (2．2) 依据中心极限定理，对于任意的丸>O都有 p(pⅢ，I<等)≈去卜扩出一口㈣ 成立，其中盯是随机变量的标准差，口为显著水平，丸为正态差，与置信水平 口是一一对应的。那么可得 p酗)I<等 (2．4) 是在l一口的置信水平下成立，也即以近似地以概率为1一口成立。通常情况 下，为保证近似的更精确，口的取值都很小，一般取值为O．01或0．05，公式表明， 样本平均值收敛到随机变量的期望的速度的阶为D(1／√Ⅳ)。而且如果方差不等于零 时，蒙特卡洛方法计算结果的误差即为： ．一丸仃 一面 (2．5) 显然，在口已经确定的前提下，蒙特卡洛方法的误差是由三部分决定的，即s， 仃，√万，且与标准差成正比，与抽样数成反比，即若想提高实验结果的精度，要 么减小方差，要么增大实验抽样数。在标准差保持不变时，如果我们要提高一个数 量级的精度，就要加大试验次数Ⅳ到100倍，也即模拟实验的次数需加大两个数 量级，因此，只是一味地增大Ⅳ并非最有效的举措，因为它降低了实验效率。通 7 万方数据

本文件提供了最小二乘法曲线拟合的c语言版本。 最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。

本文将BP神经网络应用于车牌的自动识别，在简述BP神经网络的基础上，重点 讨论了用BP神经网络方法对车牌照字符的识别，用MATLAB完成了对车牌照数字识别的模拟， 最后得出实验结果，证明这种方法是高效的.

在阵列互耦误差存在的前提下，针对多组相干信号源和若干非相干信号源并存的情况，提出了一种对信号源进行准确估计的算法．算法首先估计阵列的互耦参数，并利用此互耦参数对阵列接收数据进行补偿；然后利用 Toeplitz矩阵重构法对相干信号进行解相干；最后利用MUSIC算法估计各个信号源的来波方向(direction of arrival， DOA)．实验结果表明，算法有效解决了互耦的影响，避免了阵列损失，实现了间距很小信源的准确估计．

本方法将关节间隙等效为一个旋转一定角度的虚拟关节，在定性分析的同时，得到关节间隙对机器人精度的量化误差。

光学镜面的变形包括刚体位移和面形误差(表面畸变)，分析刚体位移和面形误差对于评价光机系统的环境适应性、空间位置稳定性和成像质量具有重要作用。根据坐标转换法去除镜面变形中的刚体位移，论述了曲面拟合、法线方向和光轴方向三种面形误差统计方法的原理并进行了深入比较，针对不同重力及温度工况计算了镜面面形误差的均方根(RMS)值及峰谷(PV)值。引入镜面弥散斑RMS 半径并将其作为面形误差大小的光学评价标准，通过三次插值算法生成栅格矢高面，在ZEMAX 软件中建立了高精度的镜面面形误差光学模型，最后采用面形误差的RMS 值及PV 值与弥散斑RMS 半径之间的线性关系考查了三种面形误差统计方法的光学性能。研究结果表明：曲面拟合法统计的面形误差信息不完整，适用于镜面面形方程参数不发生明显改变的工况。法线方向和光轴方向两种统计方法统计的面形误差信息完整，可以全面地衡量光机系统的成像质量。

向量自回归(VAR)和向量误差修正模型(VEC) 这是把第 j 个扰动项对第 i 个变量从无限过去到现在时点的影响用方差加以评价的结果此处还假定扰动项向量的协方差矩阵 ? 是对角矩阵则 yi 的方差是上述方差的 k 项简单和 j = 1, 2, , k (9.5.2) i = 1, 2, , k (9.5.3) 向量自回归(VAR)和向量误差修正模型(VEC) yi 的方差可以分解成 k 种不相关