数据源——数据可视化（七）：Pandas香港酒店数据高级分析，涉及相关系数，协方差，数据离散化，透视表等精美可视化展示

诗人 阈值主正交补码的大型协方差估计的Python实现 参考：

对于带未知互协方差的两传感器系统, 提出一种协方差交叉(CI) 融合鲁棒稳态Kalman 滤波器, 它关于未知
互协方差具有鲁棒性. 严格证明了该滤波器的实际精度高于每个局部滤波器的精度, 但低于带已知互协方差的最优
融合Kalman 滤波器的精度. 基于协方差椭圆给出了精度关系的几何解释. 进一步将上述结果推广到一般多传感器情
形. 一个跟踪系统的Monte-Carlo 仿真例子表明, 其实际精度接近于带已知互协方差的最优融合器的精度.

MWCD代码版本1.0 最小加权协方差行列式（MWCD）估计量的计算 Matlab中的代码允许计算Roelant（2009）提出的最小加权协方差决定子（MWCD）估计量。 这是具有（可能）高故障点的多元数据集参数的可靠估计。 随时使用或修改代码。 要求 您需要文件fastlts.m来运行完整的代码，该代码将MWCD与最小协方差决定因素（MCD）估计量进行比较。 可在 用法 mainMwcd.m读取外部数据文件的主文件，运行经典估计（即高斯数据的最大似然）的估计，MCD和MWCD估计器，并显示其结果。 它还以图形方式显示了所得的MWCD估计量。 mwcdCheck.m用于为给定数据集计算MWCD估计量的函数。 作者 JanTichavský，捷克科学院计算机科学研究所 Jan Kalina，捷克科学院计算机科学研究所 接触 请随时与我们联系（ ）或写问题。 如何引用 请考虑引用以下内

在多输入多输出-正交频分复用(MIMO-OFDM)系统中,通过联合估计信道矩阵和干扰协方差矩阵(ICM)的方法来抑制同信道干扰.首先,利用最小二乘法和残差估计方法获取信道矩阵和ICM的初始估计值;然后,基于Cholesky分解方法对ICM的估计值进行改善,并利用改善后的ICM估计值对信道矩阵估计值进行更新.该方法充分利用了时域和频域中的所有可用信息,提高了信道估计精度,较好地抑制了同信道干扰.仿真结果表明:与其他可实现的非迭代方法相比,该方法所得的信道频率响应估计均方误差性能增益高于2 d B;信干噪比(SINR)越大,比特误码率性能的改善程度越好,并且随着天线数的增多,性能增益也增大.

协方差矩阵的估计 两种方法的实现（Python） “股票收益协方差矩阵的改进估计及其在投资组合选择中的应用/ Ledoit and Wolf 2001”（ “大尺寸协方差矩阵的直接非线性收缩估计/ Ledoit and Wolf 2017”

matlab图像主成分分析代码

通过协方差矩阵自适应提高差分进化的性能

数据集 hwlp4 dat 中包含下述三维问题的数据。 (1)绘制数据集中每一对特征的二维散点图，并对数据的结构进行分析。 (2)估计数据的平均向量和协方差矩阵。协方差矩阵中非对角线项与(1)中的 散点终一致吗?为什么一致或不一致? (3)使用你在(2)中估计的均值向量和协方差矩阵生成高斯分布的数据集。 (提示:可使用命令 mvnrnd) (4)使用你在(3)中生成的数据集，重复做(1)。这里的散点图与(1)中的一致 吗?为什么一致或不一致? 讨论你的结果。=-===========================================================================================================================================================================================================================================================================

高斯过程回归是基于贝叶斯理论和统计学习理论发展起来的一种全新机器学习方法, 适于处理高维数、小
样本和非线性等复杂回归问题. 在阐述该方法原理的基础上, 分析了其存在的计算量大、噪声必须服从高斯分布等
问题, 给出了改进方法. 与神经网络和支持向量机相比, 该方法具有容易实现、超参数自适应获取以及输出具有概率
意义等优点, 方便与预测控制、自适应控制、贝叶斯滤波等相结合. 最后总结了其应用情况并展望了未来发展方向.