遥感图像解译 kappa系数计算程序（C++） kappa系数计算程序（C++） kappa系数计算程序（C++）

具有 LN(mu,sigma) 的任何不确定参数 X 的“n”阶系数可以分析计算为： ai_a=sigma^n*exp(mu+sigma^2/2)/(n!) 代码使用Matlab符号积分计算系数

这是为了扩展多项式并在GF2中得到它的系数。 用于计算 GF2 最小多项式。 输入数组是根的幂，输入多项式是本原多项式每项的幂。 输出是从最高功率到最低功率的每个系数。

Excel财务函数的终值系数和现值系数.rar,终值是本金按照给定利率在若干计息期后按复利计算的本利和。终值是基于复利计息而计算出来的。内容示例了终值系数表和现值系数表。

此表能够实现输入构件长细比和截面类型，就能自动输出稳定性系数。 有助于大家手边没有规范的时候使用。 如，输入长细比为111，截面类型是a类，则稳定性系数为0.555。

缺陷预测旨在通过从历史缺陷数据中学习来估计软件的可靠性。 缺陷预测方法根据从软件项目中提取的指标来识别软件模块是否容易出现缺陷。 这些度量值（也称为特征）可能涉及不相关和冗余，这将损害缺陷预测方法的性能。 现有工作采用特征选择来预处理缺陷数据以滤除无用的特征。 在本文中，我们提出了一种新颖的特征选择框架MICHAC，它是通过层次聚类聚类通过最大信息系数进行缺陷预测的简称。 MICHAC分为两个主要阶段。 首先，MICHAC利用最大信息系数对候选特征进行排序，以过滤掉不相关的特征；其次，MICHAC通过分层聚集聚类对特征进行分组，并从每个结果组中选择一个特征以去除冗余特征。 我们使用三个具有四个性能指标（精度，召回率，F量度和AUC）的不同分类器，对11个被广泛研究的NASA项目和四个开源AEEEM项目评估了我们提出的方法。 与五种现有方法的比较表明，MICHAC可有效选择缺陷预测中的特征。

matlab计算相关系数代码JHU_Bootcamp：Ahrenslab 这是由 Ahrens 实验室于 2017 年 8 月 22 日在 HHMI Janelia 举办的 JHU 训练营课程的 github 存储库。 导师：Takashi Kawashima 和 Mika Rubinov 本课程的目标是学习大规模钙成像实验的数据分析基础知识。 在我们的实验中，约 100,000 个神经元的钙活动同时记录在斑马鱼幼虫的大脑中，斑马鱼在虚拟现实环境中行为[参考 1-3]。 在本课程中，我们使用 Matlab 作为编程环境。 我们使用 JHU_demo.mlx 来演示和练习数据分析。 成像数据集可以从 thd dropbox () 下载。 在这个实验中，鱼会根据环境中出现的各种视觉刺激改变其游泳模式。 我们分析了单个神经元的活动如何根据不同的行为变量（游泳模式、视觉刺激）进行调整，以及它们如何根据调整情况在大脑中分布。 下面是演示代码（“JHU_demo.mlx”）的一个例外。 您可以在代码中找到更详细的解释。 数据分析 首先，我们加载行为变量、神经元活动和神经元位置的数据。 root_d

材料的导热系数是其热性能的重要参数，它可以直接反映和衡量材料的保温性能。材料的导热系数越小，其保温性能就越好。因此，研究和测量材料的导热系数对保温材料和隔热材料的选择和改进具有重要意义。导热性好的物体可以分为两类:导热性好的物体和导热性高的物体是良导体。例如，金属是良导体。相反，导热性差、导热系数低的为非导体。在物理学中，测量材料导热系数的原理和方法主要包括稳态法和瞬态法。针对被测设备的稳态状态，采用基于傅里叶热传导定律的稳态导热系数测量方法。通过在样品内部形成稳定的温度分布的方法，操作更加简单容易，主要适用于中低温条件下的测量。采用稳态法测量了缺陷导体的导热系数，并采用稳态法计算了缺陷导体的冷却速率。

实验四 用拉脱法测定溶液的表面系数张力.pdf

天线的方向系数可由下式求得： 3.方向系数 f(Δm1,φ) 和 Rr 二者应归算于同一电流。 对双极天线而言，Rr=R11-R12，R11是振子的自辐射电阻，R12是振子与其镜像之间（相距2H）的互辐射阻抗。