今天小编就为大家分享一篇Python 图像处理: 生成二维高斯分布蒙版的实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

指数修正高斯 (exGaussian) 分布描述独立正态和指数随机变量的总和。 该分布被提议作为色谱峰形状的模型 [1]，也用于心理学、心理生理学和神经科学作为React时间模型 [2-4]。 让我们以React时间为例。 总React时间可以分为两个部分 [2，第 4 章]，[4]： - 决定回应所花费的时间（“决定部分”）； - 感知刺激和身体React所需的时间（“转导组件”） 转导分量可以通过具有 mu 平均值和 sigma 标准偏差的正态分布建模。 决策组件可以通过具有 tau 平均值的指数分布建模。 然后总React时间由 exGaussian 建模，参数为 mu、sigma 和 tau。 此提交包含三个处理 exGaussian 分布的函数： - exgauss_rnd.m 生成 exGaussian 随机数； - exgauss_pdf.m 计算 exGaussian

MCMC算法--Gibbs采样2：多元高斯分布的边际分布与条件分布

机器学习异常检测（高斯分布）.7z

在当前文件中，将高斯过程转换为非高斯过程的方法基于基于矩的 Hermite 变换模型 (MBHTM)，并使用三次变换。 在[1]中已经描述过，但我主要依靠[2]来实现代码。 非高斯性由目标偏度和目标峰度引入。 但是，转换仅适用于偏度和峰度的有限范围（有关更多详细信息，请参见 [2]）。 ----------- ----------- 包括 3 个 .m 文件： - MBHTM.m 这是生成非高斯过程的主要函数- Example.m 这是示例文件- 在 Example.m 文件中使用的 fitDistEtienne.m。 它的灵感来自于 matlab 函数 fitdist。 ----------- ----------- 这是脚本的第一个版本，因此，很快就会有一些变化。 我没有进行任何新的工作。 所有的功劳都归于 [1] 和 [2]。 任何改进脚本的评论或提议都受到热烈欢迎！ -------

分析了数字高斯白噪声在频域的频谱特性和在时间域的统计特性,提出在数字处理速度一定时,随着输出噪声频域带宽的增加,输出噪声的时间统计特性不再符合高斯分布.通过增加滤波器阶数可以提高噪声的时间统计特性,但是将增加输出噪声的带内波动.通过计算机仿真验证了上述的理论分析,并给出了频域和时域特性都满足相应要求的带宽范围实验值.

复高斯分布的数学基础理论，包括复高斯的随机变量、随机分布，二维分布和随机矢量，莱斯分布的概率密度函数，供参考。

实现对符合广义高斯分布样本的广义高斯参数的估计，利用Newton–Raphson迭代方法实现参数的数值解。

提出一种基于维纳-辛钦定理计算光学相干层析成像(OCT)系统轴向分辨率δz的通用方法:对光源的功率谱密度分布进行傅里叶逆变换,得到其自相干函数,由其半峰全宽值来获得δz。利用该方法计算了高斯和非高斯分布光谱光源OCT系统的δz,通过与厂商给出的产品标称值相比较,验证了本方法对于高斯和非高斯分布光谱光源的正确性。以超宽带白光光源为例,使用滤光片滤除边缘部分光谱后形成非高斯分布光谱,搭建实验系统,实测δz,所得结果与本方法的计算结果较为接近,实验验证了本方法的正确性。本方法对于非高斯分布光谱光源OCT系统δz的计算结果,能为系统设计时的参数考虑与器件选择等提供依据。

关于高斯随机变量，高斯随机变量函数的分布的总结。 书中列出了很多实用的高斯随机变量函数的统计特性，例如，两个独立的高斯随机变量商的统计特性。很适合当作工具书来查询