均值漂移聚类matlab代码使用从卷积自动编码器中学到的功能进行无监督图像分割 通过训练深度卷积自动编码器，已经从图像中学到了一些有用的功能。 我们使用PCA进行了特征变换。 最后，采用均值漂移聚类算法以无监督的方式对图像进行分割。 EDISON分割：基于EDISON工具箱的图像分割 均值漂移马替代方案：Weizmann马数据集下均值漂移聚类的替代试验 Training BSDS500 ：BSDS 500数据集下的培训网络代码 训练马：Weizmann马数据集下的训练网络代码 可视化PCA功能：可视化PCA转换后的功能 替补：计算图像分割的BSDS测试分数 EDISON matlab接口：用于均值漂移聚类的matlab包装器

针对机床主轴热误差补偿过程中现有建模方法的不足，提出一种新的热误差建模算法。首先应用FCM（模糊C-均值聚类）算法将众多温度测点予以分类，减少测点数量，提高测量精度；其次应用GCA（灰色关联分析）算法对同类测点的热敏感度进行排序，选出该类中的关键测点；最后以优选出的测点为输入变量，以热位移为输出变量，利用ANFIS进行热误差模型设计，并与BP算法建立的模型进行了比较。实验数据表明，该方法降低了机床热误差，具有预测精度高的优点，能较好地实现机床主轴热误差的补偿。

IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） 入侵杂草优化算法是一种模拟自然界杂草殖民过程的一种新型智能优化方法，具有结构简单、参数少、鲁棒性强、易于理解和易于编程等特点，目前，入侵杂草优化算法已被成功应用到许多领域。但该算法本身也存在着易陷入局部最优，后期寻优精度不高等缺陷，大大地限制了入侵杂草优化算法的应用范围。针对入侵杂草优化算法存在的寻优精度不高和早熟现象，提出了利用杂草算法的种群多样性进行全局搜索，同时用复合形的反射、延伸、压缩等运算产生一个新解替代当前种群中最差的个体来进行局部搜索，可有效地避免算法早熟现象，同时提高了算法的寻优精度，增加算法的收敛速度。 IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab） IWO-Kmeans侵入性杂草优化K均值聚类算法（Matlab）

实现几何均值分解，应用在MIMO系统中实现于预编码

将数据集转换为拉普拉斯矩阵，然后利用基于图论的谱聚类进行聚类。拉普拉斯矩阵采用高斯核函数，全连接方法计算。谱聚类擅长处理高维数据或非凸数据集。

本文是基于均值滤波的邻域滤波法，用来实现图像去噪。

一、两个样本均值之差的抽样分布 两个正态总体 两个非正态总体 则 为 则 为 样

估计已执行的关于均值的学生 t 检验的准确统计功效。 在这里，根据 Winer (1970)，我们使用非中心累积分布函数的精确幂。 它会提醒您应该到达的测试的统计结果。 输入： t - 学生的 t 统计量（它被认为是估计的非中心参数） df - 自由度c - 指定的测试方向 [1 = 单尾（默认）；2 = 双尾]。 alpha - 显着性水平（默认值 = 0.05） 输出： -指定方向测试（测试的统计结果你应该已经到了）。 -力量

为实现室外模糊红外图像对比度增强，提出一种基于去雾模型的红外图像增强方法。结合红外图像特点，对可见光去雾增强方法进行改进优化。采用三级高斯金字塔分解扩展实现图像快速均值滤波，获取透射率粗估计；通过图像统计信息自适应细化透射率，恢复出无雾图像；针对无雾图像整体亮度较暗现象，进一步采用背景抑制的分段对比度增强。实验结果表明：增强后图像细节信息突出，层次感丰富，人眼视觉效果良好。客观测评结果表明，该算法能有效增强红外图像对比度。嵌入式平台测试耗时28ms，可以实现实时红外图像增强处理。

此函数提供多元正态分布条件期望和协方差矩阵的矢量化估计。 均值是一个矩阵，其中行表示期望向量。 Sigma 是协方差矩阵。 Ind 是第一个无条件参数的索引。 值是条件值的矩阵，其中的行对应于平均行。