denddadsfa的博客

x = categorical({'6','10','20'}); %将x轴数值转化为类别，x = reordercats(x,{ '6','10','20'}); %对分类数组 x 中的类别重新排序，以使其按字母顺序排列y= [0.642 0.654 0.65 0.664 0.651 0.673];bar(x,y)legend('EMD','VMD');xlabel('Data dimension');ylabel('Accuracy');...

figure()SNR = -20:2:30; #横坐标，数据在d中的mat文件plot(SNR,d(:,1)/100,'-*',SNR,d(:,2)/100,'-o',SNR,d(:,3)/100,'-v',SNR,d(:,4)/100,'-v',SNR,d(:,5)/100,'-v',SNR,d(:,6)/100,'-v') ##-v等是marker的形状，可以手动改xlabel("SNR (dB)")ylabel("Accuracy")legend('AP','FFT','CD','IQ

import matplotlibimport matplotlib.pyplot as plt# sphinx_gallery_thumbnail_number = 2import pandas as pdimport numpy as npfrom matplotlib.ticker import MultipleLocator, FormatStrFormatterd="EMD" ##i 可选项IQ、EMD、VMDf=8 ##j 可选项4、6、8k=0.5 ##k .

获得每个信噪比的准确度信噪比为26种，调制方式为12种，一种调制方式为13000个样本，一个信噪比为500个样本，一个调制方式有26个信噪比import pandas as pdimport numpy as npd="EMD" ##i 可选项IQ、EMD、VMDf=8 ##j 可选项4、6、8k=0.5 ##k 可选项1、0.5、0.1datapath="./data/{}_test/sample{}/resnet{}/".format(d,k,f)datasave="

neo4j简单使用