基于Toeplitz协方差矩阵重构的到达方向估计

计算协方差矩阵的特征向量和特征值 eigenvectors：协方差矩阵C的特征向量 eigenvalues：协方差矩阵C的特征值 特征矢量组成模式矢量 求出特征值后，按照特征值由大到小排序，给出重要级级别 对相应位置的特征向量按照特征值位置变化进行调整 C

该函数是原生 matlab cov2corr() 函数的“重新混合”，它生成相关矩阵，其主对角线上的元素略大于或小于 1。因此它不能用于各种进一步的计算，例如在 squareform() 函数中. 这个问题可以简单地通过将所有对角线元素设置为 1（怪异的方式）或在计算相关矩阵时使用方差而不是 std 来解决（covariance(x,y)/sqrt(var(x)*var(y)) 代替协方差(x,y)/(std(x)*std(y)))。

计算数据矩阵的 ZCA 白化并返回白化数据和白化/去白化变换矩阵。

通过C语言实现二维协方差矩阵运算，包含例程，调用函数传相应参数就可以了，需要显示协方差矩阵可自行编写代码遍历数组

近年来随着盲检测算法的提出，越来越多的基于采样协方差矩阵的盲检测算法应用于频谱感知。针对其检测门限是近似值，检测性能会受到影响等问题，提出了基于采样协方差矩阵的混合核函数的支持向量机（support vector machine,SVM）高效频谱感知，通过感知信号采样协方差矩阵的最大最小特征值（maximum minimum eigenvalue,MME）和协方差绝对值（covariance absolute value,CAV）提取的统计量作为SVM的特征向量并训练其生成频谱感知的分类器，无需计算检测门限并且特征提取减少了样本集的大小。利用遗传算法（genetic algorithm,GA）优化混合核函数的SVM的参数。实验结果表明，该方法比MME算法和CAV算法的检测概率有所提高，并且比SVM减少了感知时间，具有良好的实用性。

提供了CMAES的详细matlab代码,并且包含测试函数，希望对做优化的同学有一定帮助

投资组合是由一个人或一群人持有的，由股票，债券和银行存款等投资工具组成的金融资产的集合。 在加纳，建立具有标准化优化的投资组合仍然是一个神话，因此，本研究显示了Markowitz模型如何在加纳证券交易所应用，并揭示了精选股票中最有效的投资组合，以减轻投资者的负担。 该研究使用了2011年至2016年股票收益的历史月度数据。 研究显示，GCB Bank limited的平均回报率最高（回报率为4.2％），风险为13.1％，其次是CAL（回报率为3.5％）和11.7％。 UGL的风险最低（风险为6.8％），平均回报最低，为2.1％。 风险爱好者可能会选择GCB和CAL，而完全不愿承担风险的投资者可以选择UGL，因为它具有最低的风险。 两种投资组合的组合还得出结论，最有效的投资组合是GCB和CAL的组合，因此建议风险承受能力的投资者可以将其所有资产投资于GCB，而风险规避投资者可以将其39.21％的资产投资于GCB。 GCB和CAL中的60.79％。 就预期收益而言，CAL和GCB银行有限组合的最高收益约为3.9％，风险为10.6％，其次是TOTAL和GCB组合的预期收益约为3.40％，高风

机载非正侧视阵的近程杂波具有严重的距离依赖性,在距离模糊条件下,现有的空时自适应处理(Space-Time Adap-tive Processing,STAP)算法难以对其进行有效抑制,为此提出了知识辅助的STAP处理方法。通过使用新的样本选择策略,以及改进的针对近程杂波的知识辅助协方差矩阵模型,该方法在处理非正侧视阵近程杂波时的性能接近最优,远高于一般的基于样本估计协方差矩阵的方法,并克服了缺少训练样本的问题。仿真结果证明了该方法的有效性。

基于协方差矩阵对角加载技术的信源个数研究~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~