代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏距离剔除异常样本代码代码 基于马氏

复杂网络的任意子节点间的网络最短距离的求解 最小斯坦纳树---python代码（含输入数据、绘图代码、解题代码、csv生成文件）

超声波测距+LCD显示+蜂鸣器报警的代码，没有工程； P2^0接蜂鸣器，P1^4和P1^5接超声波传感器，P0接LCD；

一个求无向图的最短路径距离，用的是Dijkstra 迪杰斯特拉，很早年写的，代码应该开源，所以把积分取消了！

注意到我可以在 MATLAB File Exchange 上找到的所有 Hausdorff 距离函数似乎都计算所有成对的点对点距离，这使得它们对于大图像非常慢，我觉得有必要编写一个使用距离变换 bwdist 的版本 imhausdorff，因此对大型图像数据进行线性缩放。 该代码应该适用于任何尺寸的图像。 请尝试帮助文本中的示例。 还包括点云版本 hausdorff。 适用于小数据集。 / 乔金

马氏距离法剔除异常数据的matlab代码

长三角空间权重矩阵，01矩阵 地理反距离矩阵 经济距离矩阵 经济地理嵌套矩阵，四种矩阵都有哦，资料都是本人制作，还有分地区矩阵，单独的浙江，单独的安徽，单独的苏沪。一共4*4=16个矩阵，工作量很大的哦，希望大家给点支持，有问题都可以通过CSDN私信我哦。

距离选择的原则 （1）要考虑所选择的距离公式在实际应用中有明确的意义。如欧氏距离就有非常明确的空间距离概念。马氏距离有消除量纲影响的作用。 （2）要综合考虑对样本观测数据的预处理和将要采用的聚类分析方法。如在进行聚类分析之前已经对变量作了标准化处理，则通常就可采用欧氏距离。 （3）要考虑研究对象的特点和计算量的大小。样品间距离公式的选择是一个比较复杂且带有一定主观性的问题，我们应根据研究对象的特点不同做出具体分折。实际中，聚类分析前不妨试探性地多选择几个距离公式分别进行聚类，然后对聚类分析的结果进行对比分析，以确定最合适的距离测度方法。

为了解决在测试模块通信距离中出现的误差大，每个人的测试条件都不一样，没有标准， 没有数据（数据最能说明问题），数据手动记录容易丢失，手动计算的误差大等情况.在经理的 指导下，特此开发了一款自动测试模块通信软件。 1。智能计算丢包个数，丢包率，增加误码判断，计算误码率，增加丢字节数，丢字节率判断。 2。测试记录，智能保存，点击保存可以将结果自动保存到txt文本中，便于查看和记录！让你在测试过程中更省心 更给力！ 在测试过程中，只需要每次填写两个模块之间的距离即可，然后点击开始测试。该软件将自动计算所有的丢包率 丢字节个数 误码个数，误码率等，点击保存，将测试结果智能保存，并 打开，便于测试人员查看测试结果！ 最后该软件得到的测试结果 为100m的情况误码率的情况，400m(需要用户自己设定）丢包率的情况 1000m的丢包率 误码率情况等所有信息，如下图所示。 3.增加ESC，自动退出功能。当用户想退出此程序，只需要按一下ESC键，便可关闭此程序（测试记录保存在d:\桑锐电子测试报告.txt不会丢失） 4.增加右键菜单功能。 5.串口设置信息以及发送区信息智能保存。（让测试过程设置信息更简单，更快速，更智能） 例如上次我们打开了串口5，波特率为9600 ，校验位：偶校验，发送的数据为11 22 33 44 55 。 我们下次打开此工具默认串口为串口5，波特率为9600 ，校验位：偶校验，发送的数据为11 22 33 44 55 6.操作起来更简单。 点击开始测试，将自动打开串口，然后自动按照设定的发送包个数（例如我们设定总共发送500包） 发送周期为1000ms,模块之间的距离为100m,点击开始测试，自动打开串口，自动开始发送设定的字符。 发送到例如100包（您设定总共发送100包），就停止发送。 7.程序指令集重新优化，整体程序大小仅44kb.更加便于存储和便于传输！（需安装.net2.0）

在大数据环境下，K近邻多标签算法（ML-KNN）高时间复杂度的问题显得尤为突出；此外，ML-KNN也没有考虑k个近邻对最终分类结果的影响。针对上述问题进行研究，首先将训练集进行聚类，再为测试集找到一个距离其最近的训练数据簇作为新的训练数据集；然后计算最近邻样本的距离权重，并用该权重描述最近邻和其他近邻对预测结果的影响；最后使用新的目标函数为待测样本分类。通过在图片、Web页面文本数据等数据集上的实验表明，所提算法得到了更好的分类结果，并且大大降低了时间复杂度。