k-means聚类算法及matlab代码贝叶斯非参数小方差渐近聚类 这是贝叶斯非参数小方差渐近聚类算法库：DP均值，动态均值，DP-vMF均值，DDP-vMF均值。 出于比较原因，该库还实现了k均值和球形k均值。 该库带有一个可执行文件，该可执行文件允许使用DP-vMF-means，DP-means，球形k-means和k-means进行批量聚类。 示出了算法的简单性。 有关使用DDP-vMF-means的示例，请参考，该文档依赖于此程序包的dpMMlowVar库使用DDP-vMF-means从Kinect RGB-D流执行实时方向分割。 如果您使用DP-vMF手段或DDP-vMF手段，请引用： Julian Straub, Trevor Campbell, Jonathan P. How, John W. Fisher III. "Small-Variance Nonparametric Clustering on the Hypersphere", In CVPR, 2015. 如果您使用动态均值，请引用： T. Campbell, M. Liu, B. Kulis, J. How

在多输入多输出-正交频分复用(MIMO-OFDM)系统中,通过联合估计信道矩阵和干扰协方差矩阵(ICM)的方法来抑制同信道干扰.首先,利用最小二乘法和残差估计方法获取信道矩阵和ICM的初始估计值;然后,基于Cholesky分解方法对ICM的估计值进行改善,并利用改善后的ICM估计值对信道矩阵估计值进行更新.该方法充分利用了时域和频域中的所有可用信息,提高了信道估计精度,较好地抑制了同信道干扰.仿真结果表明:与其他可实现的非迭代方法相比,该方法所得的信道频率响应估计均方误差性能增益高于2 d B;信干噪比(SINR)越大,比特误码率性能的改善程度越好,并且随着天线数的增多,性能增益也增大.

规模等方差可改善连体跟踪 Ivan Sosnovik *，Artem Moskalev *和Arnold Smeulders方差，WACV 2021。 介绍 连体跟踪器将跟踪转化为模板与框架中候选区域之间的相似度估计。 在数学上，相似性函数成功的关键因素之一是翻译等方差。 非平移等价架构会在训练过程中引起位置偏差，这会妨碍精确定位。 但是，在现实生活中，目标不仅要进行平移，还需要进行更多的转换，例如旋转和缩放。 在这项工作中，我们将重点放在后面，并证明使用内置比例等方差扩展暹罗跟踪可以提高跟踪质量。 结果 楷模 OTB-2013 2015年OTB VOT2016 VOT2017 暹罗FC + 0.67 0.64 0.30 0.23 SE-SiamFC 0.68 0.66 0.36 0.27 原始结果和模型可 环境：该代码是使用2.40GHz GPU的Intel

协方差矩阵的估计 两种方法的实现（Python） “股票收益协方差矩阵的改进估计及其在投资组合选择中的应用/ Ledoit and Wolf 2001”（ “大尺寸协方差矩阵的直接非线性收缩估计/ Ledoit and Wolf 2017”

四、用MATLAB计算方差 计算方差的常用公式为： 若离散型随机变量有分布律 其MATLAB计算程序为 若是连续型随机变量且密度函数为 ，则方差的MATLAB计算程序为

此 m 文件返回参数为 N 和 P 的多项式分布的均值、方差和标准差。 期望值（即平均值）： 期望值 = m = Sum(Xi × Pi)，总和是对所有 i 的。 预期值是平均值和（算术）平均值的另一个名称。 方差是： 方差 = s2 = v = Sum[Xi2 × Pi] - m2，总和是所有 i 的。 方差不以与预期值相同的单位表示。 因此，由于计算中的平方项，方差很难理解和解释。 这可以通过使用方差的平方根来缓解，这称为标准（即与数据具有相同的单位）偏差： 标准偏差 = s =（方差）½ 文件需要输入感兴趣值的 x 向量和相关概率的 p 向量。 它输出 m-多项平均值（默认）、v-多项方差值（可选）和 s-多项标准偏差值（可选）。

matlab图像主成分分析代码

计算有或没有异方差校正的时间序列的方差比检验。

【图像分割】基于最大类间方差阈值与遗传算法的道路分割

通过协方差矩阵自适应提高差分进化的性能