提出一种基于二维Logistic混沌映射的DWT变换域脆弱数字水印算法。首先利用原始图像的特征信息结合密钥生成二维混沌映射的初值从而生成水印信息；为了实现盲检测，该算法结合小波变换后的特征信息将水印信息嵌入到经小波变换后的高频部分;最后将修改后的小波系数与其他系数重组做离散小波反变换IDWT，从而得到含水印的图像。实验证明，该算法不但能增强水印的安全性，还有良好的不可见性和图像定位篡改能力。
2022-11-02 14:29:49
461KB
1
coursera的吴恩达的课编程练习所需的所需包和数据，可以方便学员自己在本地练习
2022-10-26 08:59:15
2.7MB
1
Logistic混沌映射的MATLB仿真，包括分岔图，相图以及Lyapunov指数谱的绘制
2022-10-22 11:48:40
1KB
1
此文件包含了洛伦兹系统的庞加莱截面图，李雅普诺夫指数图的源代码，也有Logistic映射的分叉图，代码可以运行。
2022-10-21 21:22:27
2KB
1
逻辑混沌映射，通过排列熵算法有效检测出序列的周期——混沌状态
2022-10-19 22:21:52
2KB
1
吴恩达机器学习
logistics regression
jupyter note版本编程作业
机器学习与数据挖掘
2022-10-09 18:07:04
718KB
1
MATLAB用拟合出的代码绘图使用Logistic回归评估极端变暖与气候模式之间的相互作用
Logistic回归（LR）可用作检查二进制变量及其潜在协变量之间关系的实用方法。
这是一个有关如何使用MATLAB使用LR评估极端变暖和气候模式之间的相互作用的教程。
资料说明
本教程使用了三个主要数据。
1）根据HadISST数据在1950年至2018年期间的海面温度异常（Titchner
and
Rayner，2014）。
2）1950年至2018年的极端暖化二元指数，其中1表示相应网格中存在极端暖化，否则为0。
3）气候模式指数，包括MEI，AMO，PDO，NPGO和SAM。
型号说明
此处使用的LR的控制方程为：
其中p是极端变暖存在的概率，是SST相对于先前时间步长的变化，MEI，AMO，PDO，NPGO和SAM是相应的气候模式指标。
该等式可以转换为：
当协变量（，
MEI
，
AMO
，
PDO和NPGO
）增加1个单位时，相对于无极端变暖（）的极端变暖概率将增加到。
分步代码
首先，我们需要加载相应的数据。
首先，我们加载SST异常。
由于github不允许太大的数据集，因
2022-10-05 10:46:23
211.81MB
1
能够让你自学Logistic Regression 的参考书
2022-09-28 14:20:19
11.61MB
1