大数据-算法-非线性再生散度随机效应模型的统计诊断.pdf

【Python在气象中的实战应用案例】Python计算涡度、散度、涡度平流和温度平流.zip

层次分析matlab代码MBHC-FMM 该存储库提供了MATLAB的实现：具有Bregman散度和Fisher混合模型（MBHC-FMM）的基于模型的层次聚类。 它使用MBHC-FMM方法对3D定向数据执行聚类。 它已应用于聚类图像法线（3D单位矢量）以分析深度图像。 有三个演示文件来演示上述任务。 注意：此处添加了四个文件：emsamp.m，vsamp.m，unitrand.m和house.m，用于从指定的vMF混合模型中采样观察值。 这些文件来自“ vmfmatlab”代码，该代码可在线获得。 参考： [1] Hasnat等人，基于模型的Bregman散度和Fishers混合模型的层次聚类：在深度图像分析中的应用。 统计与计算，2015年1月20日。 [2]马萨诸塞州哈斯纳特，阿拉巴马州阿拉特市和特雷默岛，答（2014年10月）。 基于模型的3D方向特征聚类：应用于深度图像分析。 在2014年IEEE国际图像处理会议（ICIP）中，第3768-3772页。 [3] Hasnat等人，分层3D von Mises-Fisher混合模型，在第一届散度与散度学习研讨会（ICML-WDD

sympy有个vector 模块，里面提供了求解标量场、向量场的梯度、散度、旋度等计算,官方参考连接： http://docs.sympy.org/latest/modules/vector/index.html sympy中计算梯度、散度和旋度主要有两种方式： 一个是使用∇∇算子，sympy提供了类Del()，该类的方法有：cross、dot和gradient，cross就是叉乘，计算旋度的，dot是点乘，用于计算散度，gradient自然就是计算梯度的。 另一种方法就是直接调用相关的API：curl、divergence和gradient，这些函数都在模块sympy.vector 下面

Kullback-Leibler 散度 (KLD)

KL散度估算器 通常在两个概率分布之间定义。 在仅概率分布的样本可用的情况下，可以多种方式估计KL散度。 在这里，我测试了基于k最近邻概率密度估计的KL散度估计器的一些实现。 估计值是 Wang Wang，Sanjeev R. Kulkarni和SergioVerdú。 “通过k最近邻距离对多维密度进行散度估计。” 信息论，IEEE Transactions on 55.5（2009）：2392-2405。 从各种测试分布中抽取样本，并计算它们之间的估计KL散度。 通过对分布重新采样并重新计算100次方差估计来评估不确定性。 然后，将不确定度带作为间隔，该间隔包含最接近中位数的68％的重采样估计值。 提供的时间是在样本大小为N = 1000， k = 5的情况下计算所有100个重采样所花费的时间。 这项研究远非详尽无遗，而且时间对实施细节很敏感。 请带一点盐。 估算器实现 naiv

nmf的matlab代码bnmf 贝叶斯NMF工具包（BNMF-Tool）为Matlab中的KL发散实现了贝叶斯NMF。 贝叶斯NMF工具箱（BNMF-Tool）实现了针对以下方面的KL散度的贝叶斯NMF： N. Mohammadiha，P。Smaragdis和A. Leijon，“使用非负矩阵分解的有监督和无监督语音增强方法”，IEEE Trans。 音频，语音和语言处理，第1卷。 21号10，第2140–2151页，2013年10月： 该实现基于包含所有相关功能的NMF类（@NMF）。 在demo.m中演示了该类的用法，其中BNMF用于建议的有监督和无监督降噪。在Matlab中运行演示时，请确保包含@NMF的目录在Matlab搜索路径中。 阅读用户指南文件以获取代码说明。

香农在1948年在《通信的数学理论》里面提出了bit用来计算信息的度量并且提出了香农熵的计算公式，在这将这篇文章分享给大家，关于信息熵的那一部分重要内容，可以参考个人博客，在博客中给出了部分摘录和补充。

.zip 文件包含两个函数，分别命名为 JSDiv.m 和 KLDiv.m JSDiv.m 使用 KLDiv.m 计算 KL 散度。 有关分歧的更多信息，您可以查看以下内容：

材料对向量算子(梯度、散度、旋度)与拉普拉斯算符的公式与定义整理