基于MCNN的_HSI_分类 文件 MCNN-CP：使用混合卷积和协方差合并的高光谱图像分类（TGARS 2021） MCNN-PS和Oct-MCNN-PS：使用混合3D八度音程和2D子像素卷积神经网络的高光谱图像分类（已提交TGARS） 1.环境设置 该代码已在配备Intel i7-9750H 2.6 GHz处理器，32 GB RAM和NVIDIA GTX1650图形卡，Python 3.6，tensorflow_gpu-1.14.0，Keras-2.2.4，CUDA 10.0， cuDNN 7.6。 请在运行此代码之前安装相关的库： pip install -r requirements.txt 2.下载日期集： IP：， UH： 上： SA：和 并将它们放入数据目录。 3.下载模型（加载模型）： 代码：caor 并将它们放到models目录中。 4.下载pretrai

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

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

协方差椭圆法

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。

在现有的稀疏诱导到达方向（DOA）估计方法中，基于稀疏贝叶斯学习（SBL）的方法已被证明可以提高精度。 但是，当信噪比（SNR）相对较低时，这些方法的学习过程收敛非常缓慢。 在本文中，我们首先表明，独立信号的阵列输出的协方差矢量（协方差矩阵的列）共享与空间信号分布相对应的相同的稀疏度分布图，并且在中等快照数量时其SNR超过原始阵列输出的SNR。被收集。 因此，通过以高计算效率重构那些矢量，可以将SBL技术用于估计独立的窄带/宽带信号的方向。 经过适当修改后，该方法可扩展到窄带相关信号。 还提供了深入分析，以显示新方法在DOA估计精度方面的下限以及在独立信号的情况下可以分离的最大信号数。 仿真结果最终证明了该方法在DOA估计精度和计算效率上的性能。

【原创】R语言基于协方差的SEM结构方程模型中的拟合指数数据分析报告论文（代码数据）.docx

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