搜索资源列表
structure dynamic exercise
- 针对随机结构随机激励下的动力响应概率分布求解，基于广义概率密度方法(the calculation of the generalized probability density function)
BA6
- 展示了如何生成一个随机无标度网络图，基本结构分析，包括度分布、聚类系数等。观察两种类型的攻击对网络的影响：随机攻击（所有的几点有相同的概率从网络中删除）、有目标地选择连接度最大的节点（节点度最大的节点从网络中删除）。(Shows how to generate a random scale-free network graph, basic structural analysis, including degree distributi
kuopin
- ①传输的数据随机产生，要求采用频带传输（BPSK调制）； ②扩频码要求采用周期为63（或127）的m序列； ③仿真从基站发送数据到三个不同的用户，各不同用户分别进行数据接收； ④设计三种不同的功率延迟分布，从基站到达三个不同的用户分别经过多径衰落（路径数分别为2，3，4）； ⑤三个用户接收端分别解出各自的数据并与发送前的数据进行差错比较。((1) the transmission data is randomly generat
第6章 Copula理论及应用实例
- Copula一词原意为连接，它把多个随机变量的边缘分布连接在一起形成联合分布。变量间的相关结构完全由Copula决定，而各变量的统计特征由其边缘分布确定。与我们描述变量问相关关系常用的相关性相比，Copula描述的多元随机变量间的相关结构可以提供更准确的信息，目前Copula已经成为流行的多变量建模工具。(Copula is originally meant to connect the edge distributions of mu
RANSAC平面提取
- 根据点云的分布特征，采用随机采样一致性算法提取平面(According to the distribution characteristics of point clouds, a random sampling consistency algorithm is used to extract the plane.)
噪声分析
- 正态分布、均匀分布随机噪声分析，通过画出正态分布、均匀分布随机噪声的频谱、功率谱、一维概率密度、自相关函数对噪声进行分析。(Random Noise Analysis of Normal Distribution)
hsmm
- 隐马尔科夫模型是关于时序的概率模型，描述由一个隐藏的马尔科夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测序列的过程。隐藏的马尔科夫链随机生成的状态的序列，称为状态序列；每个状态生成一个观测，而由此产生的观测的随机序列，称为观测序列。马尔科夫链由初始概率分布、状态转移概率分布以及观测概率分布确定(The hidden Markov model is a probabilistic model for time se
拉丁超立方抽样
- 拉丁超立方，去抽取样本，是一种从多元参数分布中近似随机抽样的方法，属于分层抽样技术，常用于计算机实验或蒙特卡洛积分等。(Latin hypercube sampling)
打包
- 两种不同的假设： H1 ： 0 xn A fn wn ( ) cos(2 ) ( ) = ++ π θ n=1,2,…,N，f0 为规一化频率 H0 ： xn wn () () = n=1,2,…,N 其中 w[n]是均值为 0，方差为 2 σ n 的高斯白噪声，A 已知，样本间相互 独立，信号与噪声相互独立; 相位θ 是随机变量，它服从均匀分布 1 0 2 ( ) 20 p θ π θ π ?? ≤ ≤ = ??? 其它
最大似然
- 两种不同的假设： H1 ： 0 xn A fn wn ( ) cos(2 ) ( ) = ++ π θ n=1,2,…,N，f0 为规一化频率 H0 ： xn wn () () = n=1,2,…,N 其中 w[n]是均值为 0，方差为 2 σ n 的高斯白噪声，A 已知，样本间相互 独立，信号与噪声相互独立; 相位θ 是随机变量，它服从均匀分布 1 0 2 ( ) 20 p θ π θ π ?? ≤ ≤ = ??? 其它
e702633d
- 拉丁超立方抽样（英语：Latin hypercube sampling，缩写LHS）是一种从多元参数分布中近似随机抽样的方法，属于分层抽样技术，常用于计算机实验或蒙特卡洛积分等。(Latin hypercube sampling (abbreviated LHS) is an approximate random sampling method from multivariate parameter distribution. It b
2
- （a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。 （b）在上述数据集上运用感知器算法，并且使用不同的初始向量初始化参数向量。 （c）测试每一次算法在和上的性能。
L4_1
- a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。 （b）在上述数据集上和分别属于+1类和-1类，请在上述数据集的两类中各随机抽取150个样本作为训练集，运用Logist
Copula
- 包括copula分布参数估计、秩相关系数估计、平方欧式距离求解等，两个随机变量，从求边缘分布，到求二元联合copula函数的全过程，(copula function estimate)