Python中的最大协方差分析 最大协方差分析（MCA）使两个不同数据字段之间的时间协方差最大化，并且与主成分分析（PCA）/经验正交函数（EOF）分析密切相关，后者使单个数据字段内的方差最大化。 MCA允许提取两个不同数据字段之间的主要共变模式。 xmca模块可将numpy.ndarray和xarray.DataArray用作输入字段。 测验 python -m unittest discover -v -s tests/ 核心功能 标准MCA / PCA 最大化协方差而不是相关==>最大协方差分析（MCA） 对数据字段应用纬度校正以补偿较高纬度中的拉伸区域 应用奇异矢量的旋转 正交Varimax旋转 倾斜的Promax旋转 通过希尔伯特变换使数据复杂化，以检查振幅和相位信息

代码是清晰的自我描述

Learning Aberrance Repressed Correlation Filters for Real-Time UAV Tracking 文章的代码，科研学习交流使用

pent 估计Copula熵和传递熵 介绍 实现了估计参数熵和传递熵的非参数方法。 估计copula熵的方法由两个简单步骤组成：通过等级统计估计经验copula和使用k最近邻法估计copula熵。 Copula熵是用于多元统计独立性测量和测试的数学概念，并被证明等同于互信息。与Pearson相关系数不同，Copula熵是为非线性，高阶和多元情况定义的，这使其普遍适用。估计copula熵可以应用于很多情况，包括但不限于变量选择[2]和因果发现（通过估计传递熵）[3]。有关更多信息，请参阅Ma and Sun（2011） 。有关中文的更多信息，请点击。 用于估计传递熵的非参数方法包括两个步骤：估计三个copula熵和从估计的copula熵计算传递熵。还提供了条件独立性测试的功能。有关更多信息，请参阅Ma（2019） 。 功能 pent-估计copula熵; Construct_empir

重新讨论快速相关攻击-对Full Grain-128a，Grain-128和Grain v1进行密码分析

主要介绍了Python中的相关分析correlation analysis的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

基于网络的入侵检测系统：基于网络入侵检测系统的最后一年项目

pent 用于估计Copula熵的R包 介绍 Copula熵是用于统计独立性度量的数学概念[1]。在双变量情况下，Copula熵被证明等同于互信息。与Pearson相关系数不同，Copula熵是为非线性，高阶和多元情况定义的，这使其普遍适用。 它具有广泛的应用，包括但不限于： 结构学习； 变量选择[2]； 因果发现（估计转移熵）[3]。 该算法包括两个步骤：使用秩统计量估计经验语料密度，以及使用kNN方法从估计的经验语料密度中估计语料熵。由于两个步骤都使用非参数方法，因此可以将copent算法应用于任何情况而无需进行假设。 在copent包的预印纸上的arXiv。有关更多信息，请参阅[1-3]。有关中文的更多信息，请点击。 功能 copent-主要功能; Construct_empirical_copula-算法的第一步，它通过秩统计来估计数据的经验copula; entknn-算法的

sa函数的matlab代码

皮尔逊相关系数 皮尔逊相关性和每个vox相关性。