- 博客(1635)
- 收藏
- 关注
RSS订阅
原创 数模应用-MATLAB基础知识精讲系列文章目录介绍（持续补充ing）
本专栏以MATLAB基础知识讲解为主，相信有很多刚入门的理工科小伙伴，对于MATLAB这个软件还不是很熟悉，在这里给各位学弟学妹们一个小建议：大学期间数模竞赛如果有机会尽量去参加，一方面是对自己所学知识的一次检验，另外，如果能在比赛中获得好名次的话，对你之后的求职升学等方面都会有很大助力！本专栏的进阶版参见博主的这个专栏，里面详细列举了各类算法的算法原理、应用案例及多种编程语言的代码实现，配合基础篇一起学习能达到事半功倍的效果哦。
2022-10-08 09:03:23
615
原创 数学建模-MATLAB算法精讲系列文章目录介绍（持续补充ing）
结合实际案例，从算法背景开始一步步到最终代码实现，本系列文章主要以matlab代码为主，为照顾学习其他编程语言的小伙伴，大部分算法会附带python、Java、C++、R语言等市面上主流代码，满足各层面的用户学习。部分内容参见网络文献，如有侵权，请联系博主删除本专栏中涉及的MATLAB基础知识讲解篇详见文章内容主要包括算法背景、算法原理、算法优缺点、算法伪代码、算法的应用场景、算法的应用案例、算法的拓展以及多语言实现算法的代码化。
2022-08-30 09:26:54
2171
原创 MATLAB基础应用精讲-【数模应用】二元Probit回归分析
Probit回归分析基于正态分布概率单位（probit）的概念。在Probit模型中，假设因变量Y的观测值是二元的，并且与一个或多个自变量X相关联。模型的目标是找到自变量X对因变量Y的概率影响。1. 二元响应变量（Binary Response Variable）Probit回归分析的因变量（响应变量）是二元的，即它只有两个可能的值，通常表示为0和1，或者成功与失败。2. 自变量（Independent Variables）自变量是影响二元响应变量的预测变量，可以是连续的、离散的或者定性的。
2024-07-27 00:30:00
4
原创 MATLAB算法实战应用案例精讲-【数模应用】二元Probit回归分析(附MATLAB、R语言和python代码实现)
一般情况下，在我们研究的回归模型中，都隐含的假定了因变量（Y）是定量的，而解释变量（X）是定量、定性（或虚拟变量）。当因变量（Y）为二值定性的情况：比如一个家庭是否拥有一所住房，如拥有 Y=1，不拥有 Y=0，则被称为线性概率模型。当因变量为二值时，X 与 Y 的关系如图中的点:要预测的值y为期望令根据员工满意度、月均工作小时、工伤事故、薪资水平四个影响因素(自变量)研究员工是否离职。一般情况下，在我们研究的回归模型中，都隐含的假定了因变量（Y）是定量的，而解释变量（X）是定量、定性（或虚拟变量）
2024-07-26 00:30:00
108
原创 目标检测YOLO实战应用案例100讲-【目标检测】结构光
焊接技术是工业制造过程中最重要的部分之一。由于传统焊接生产存在工作环境差、重复性高、人工劳动强度高、效率低等缺点，近年来焊接机器人越来越多地取代焊工。传统的焊接机器人一般采用示教回放方式工作。然而，由于工件夹紧误差和焊接热变形，焊枪在焊接过程中很容易偏离理论焊缝轨迹。因此，传统的焊接模式难以满足高效率、高精度和高质量的焊接要求。随着计算机视觉的发展，基于结构光视觉传感器的自动焊缝跟踪方法越来越多地被用于焊缝跟踪和熔池测量。该方法适应性强，能够在不影响焊接过程的情况下获取丰富的焊缝信息。
2024-07-25 00:30:00
8257
原创 MATLAB算法实战应用案例精讲-【数模应用】Poisson 回归分析（附R语言、python和MATLAB代码实现）
如果回归模型中X仅为1个，此时就称为简单线性回归或者一元线性回归；如果X有多个，此时称为多元线性回归，Y满足定量数据即可。逐步回归分析研究X对Y的影响关系情况,X可以为多个,但并非所有X均会对Y产生影响;当X个数很多时,可以让系统自动识别出有影响的X;这一自动识别分析方法则称为逐步回归分析;SPSSAU提供三种方法：向前法、向后法、逐步法。如果Y为两类比如0和1（比如1为愿意和0为不愿意，1为购买和0为不购买），此时就叫二元logistic回归；
2024-07-25 00:30:00
8351
原创 机器视觉系列之【硬件知识】-工业相机（四）
白平衡就是通过调整图像中R、G、B分量的比例关系，可以使在各种光线条件下拍摄出的图像色彩还原真实。由于图像传感器（CMOS/CCD）本身没有这种功能，因此就必要对它输出的信号进行一定的修正。
2024-07-24 00:30:00
151
原创 目标检测YOLO实战应用案例100讲-【目标检测】机器视觉（六）
一旦检测到有缺陷的瓶装饮料，系统需要能够进行识别和登记缺陷瓶子的信息，以便在长长的产线中定位缺陷瓶子，通过无线传输的方式将数据传送给产线下游的专门站点，从而在最终打包环节前将有缺陷的瓶装饮料剔除出去。Laplace 算子是一种各向同性的二阶微分算子［5］，而图像的边缘灰度是阶跃变化的，在数学上表示为其二阶导数过零点，故可利用 Laplace 算子对进行图像锐化，可以有效地定位边缘点，并通过加强边缘的灰度值，使图像的对 比度增强，同时使边缘细节得到提升。其次，图像，国内外差距目前已经很小，好发重要期刊；
2024-07-24 00:30:00
2014
原创 MATLAB算法实战应用案例精讲-【数模应用】Kappa一致性检验（附MATLAB、python和R语言代码实现）
Kappa分析是一种用于检验员检验能力鉴定的方法，它衡量的是评估者之间的一致性。Kappa值用于计算两观察者的吻合率，取值范围在-1到1之间，其中0表示随机一致性，1表示完全一致性。在检验员检验能力鉴定中，Kappa分析通过收集检验员对同一批样本的检验结果以及样本的真实结果，来计算Kappa值。根据Kappa值的大小，可以评估检验员的检验能力，并为后续的培训和提升提供参考依据。Kappa分析具有一些优点，如客观性和准确性高，可消除评估者之间的主观差异。
2024-07-24 00:30:00
8431
原创 目标检测YOLO实战应用案例100讲-【目标检测】图像特征提取（最终篇）
特征提取和匹配是许多计算机视觉应用中的一个重要任务，广泛运用在运动结构、图像检索、目标检测等领域。每个计算机视觉初学者最先了解的特征检测器几乎都是1988年发布的HARRIS。在之后的几十年时间内各种各样的特征检测器/描述符如雨后春笋般出现，特征检测的精度与速度都得到了提高。特征提取和匹配由关键点检测，关键点特征描述和关键点匹配三个步骤组成。
2024-07-23 00:30:00
32
原创 目标检测YOLO实战应用案例100讲-【图像处理】图像分类
计算机主要问题有图像、目标分类和图像分割等。针对图像分类任务，视觉提升准确率的方法路线有几个，一个是模型的修改，另一个是各种数据处理和训练的技巧（技巧）图像分类中的各种技巧对于目标检测、图像分割等任务也有很好的作用，因此值得总结。热身线性缩放学习率标签平滑随机图像裁剪和修补知识蒸馏抠图随机擦除余弦学习率衰减混音训练阿达布德自动增强其他经典技巧学习是神经网络训练中最重要的超参数之一，针对学习率的技巧有很多。
2024-07-22 00:30:00
32
原创 目标检测YOLO实战应用案例100讲-【目标检测】YOLOV8(二)
YOLO（You Only Look Once）系列从YOLOv5发展到YOLOv10的演变代表了实时目标检测领域创新和改进的非凡历程。每个版本都在架构、性能和部署能力上引入了重大进步，使YOLO系列成为计算机视觉领域的一个重要基石，特别是在边缘部署场景中。YOLOv5、YOLOv8和YOLOv10的性能指标展现出准确性及效率不断提高的清晰趋势。YOLOv5以其CSPDarknet主干网络和PANet Neck 结构，为速度与准确性的平衡奠定了坚实基础。
2024-07-22 00:30:00
32
原创 MATLAB算法实战应用案例精讲-【数模应用】多元方差分析MANOVA（附MATLAB、python和R语言代码实现）
方差分析常常对应因子（因素）是离散的（比如被分为几个组），响应变量为连续性数据（比如花萼的长度）分析，而回归则是因子（因素）和响应变量都是连续性数据，这尤其在线性回归中得到了充分的体现。存在显著差异，常用于两两之间对比，比如不同学历（专、本、硕）对购买意愿有差异，进一步分析专、本之间的购买意愿差异、专、硕之间的购买意愿差异、本、硕之间购买意愿差异。多因素方差分析用于研究多个定类数据（自变量）对于一个定量数据（因变量）的差异性分析，比如研究不同学历、不同年龄段、不同职业对商品购买意愿的差异分析。
2024-07-22 00:30:00
38
原创 MATLAB基础应用精讲-【数模应用】卡方检验
卡方检验，是用途非常广的一种假设检验方法，它在分类资料统计推断中的应用，包括两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。卡方检验属于非参数检验，不存在具体参数，且不需要有总体服从正态分布的假设，是用途非常广泛的一种假设检验方法，主要用于研究定类与定类数据之间的差异关系，包括两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析。卡方检验分为拟合优度检验和独立性检验。
2024-07-22 00:30:00
37
原创 MATLAB基础应用精讲-【数模应用】Kappa一致性检验
Kappa一致性系数是由 Cohen 在 1960 年首次提出，用来评估两个或多个观察者对样本分类的一致性程度。其中，PA 表示观察一致概率，PE 表示期望一致概率。PA 反映了两位观察者分类结果的实际一致程度，PE 反映了两位观察者分类结果的随机一致概率。Kappa 值的范围为–1 到 +1。kappa 值越高，一致性就越强。当：Kappa =1，为完全一致；Kappa=0，一致的情况只是碰巧发生;一致性越强，Kappa 值越高；
2024-07-22 00:30:00
409
原创 目标检测YOLO实战应用案例100讲-【目标检测】三维重建(基础篇)
是指对三维物体建立适合计算机表示和处理的数学模型，是在计算机环境下对其进行处理、操作和分析其性质的基础,也是在计算机中建立表达客观世界的虚拟现实的关键技术。多视图的三维重建，其方法是先对摄像机进行标定, 即计算出摄像机的图像坐标系与世界坐标系的关系.然后利用多个二维图像中的信息重建出三维信息。
2024-07-21 00:30:00
112
原创 MATLAB基础应用精讲-【数模应用】多元方差分析MANOVA
方差分析是研究X对于Y的差异关系，此处X是定类数据，Y是定量数据。当X的个数或者Y的个数超过一个时，其又可具体进行细分，如下表格所述。如果X仅1个且Y仅1个，此时称作单因素方差分析，此种情况的使用频率最高，绝大多数分析均是此种单因素方差分析，在SPSSAU通用方法的‘方差’按钮即可实现，并且SPSSAU可让放入多个X，循环进行单因素方差分析。
2024-07-21 00:30:00
3348
原创 目标检测YOLO实战应用案例100讲-【目标检测】双目检测
最快的方法是颜色分割。该方法的缺点是将设置绑定到特定的产品上，如果背景颜色和对象不是很清楚，可能会产生不好的结果。这些标定板的主要优点是，即使是单个标定板也能提供足够的一致性来获得相机的姿势。评估两个图像之间的对应关系，人工智能确定到目标的距离，分析，并建立目标的3D结构。结果是直线对齐和细化图像，即同一平面的两幅图像共面，其直线对齐方向相同，具有相同的y坐标。4、因此，有了相机的几何排列，我们产生了视差图的三角度量。1、对一组连续的帧进行累积，这将增加错误恢复的弹性，用于对3D场景进行平均或细化。
2024-07-20 00:30:00
138
原创 MATLAB基础应用精讲-【数模应用】共线性分析（附MATLAB、R语言和python代码实现）
共线性，即同线性或同线型。统计学中，共线性即多重共线性。多重共线性（Multicollinearity）是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。一般来说，由于经济数据的限制使得模型设计不当，导致设计矩阵中解释变量间存在普遍的相关关系。完全共线性的情况并不多见，一般出现的是在一定程度上的共线性，即近似共线性。
2024-07-20 00:30:00
39
原创 MATLAB算法实战应用案例精讲-非线性回归模型
与线性模型中的参数估计值不同，非线性模型中的参数估计值的解释不一致。散点图显示在人口和时间之间似乎有很紧密的关系，但是此关系是非线性的，因此需要使用“非线性回归”过程的特殊估算方法。通过建立适当的方程，如 Logistic 人口增长模型，我们可以获得对模型的适当估计，从而对没有实际进行测量的时间点的人口进行预测。只有在指定的函数能够准确描述因变量和自变量的关系的情况下，结果才是有效的。即使指定了模型的正确的函数形式，如果使用不合适的起始值，模型也可能不收敛性，或者可能得到局部最优的解，而不是全局最优的解。
2024-07-19 00:30:00
57
原创 MATLAB基础应用精讲-【数模应用】非线性回归模型
非线性回归是回归函数关于未知回归系数具有非线性结构的回归。常用的处理方法有回归函数的线性迭代法、分段回归法、迭代最小二乘法等。非线性回归分析的主要内容与线性回归分析相似。如果回归模型的因变量是自变量的一次以上函数形式，回归规律在图形上表现为形态各异的各种曲线，称为非线性回归。这类模型称为非线性回归模型。在许多实际问题中，回归函数往往是较复杂的非线性函数。非线性函数的求解一般可分为将非线性变换成线性和不能变换成线性两大类。
2024-07-18 00:30:00
65
原创 MATLAB算法实战应用案例精讲-【数模应用】卡方检验
在介绍卡方检验之前，我们首先需要介绍一种统计学思想“假设检验”，其基本逻辑是：根据所获样本，运用统计学方法对总体的某种假设作出检验和判断.假设检验又可分为参数假设检验和非参数假设检验，而列联表的独立性检验（又称卡方检验）就是非参数假设检验的一种.我们首先明确卡方检验最基本的目的：“卡方检验主要用于分析两个分类变量的相关关系.所谓分类变量，指的是取值为离散值的变量，比如“性别”就是一个分类变量，它的取值只有“男”和“女”.
2024-07-17 00:30:00
3644
原创 MATLAB基础应用精讲-【数模应用】RFM模型（附R语言和python代码实现）（补充篇）
RFM分析主要由3个指标组成，分别为R（Recency，近度）F（Frequency频度）M(Monetary,额度）组成。RFM是三个指标的缩写：Recency:最近一次消费距离现在的时间，该值越小越好；Frequency：某段时间内的消费次数，这个值越大越好；Monetary：某段时间内的消费金额，对于企业来说，消费自然越多越好。这三个维度需要根据实际业务确定，比如针对游戏行业，R可以定义为最近一次充值距离现在的时间，F可以定义为某段时间的充值次数，M为某段时间的充值金额。指标解释意义。
2024-07-16 00:30:00
120
原创 MATLAB基础应用精讲-【数模应用】Lasso回归（套索回归）（附Python代码实现）
Lasso 回归也叫套索回归，是通过生成一个惩罚函数是回归模型中的变量系数进行压缩，达到防止过度拟合，解决严重共线性的问题，Lasso 回归最先由英国人Robert Tibshirani提出，目前在预测模型中应用非常广泛。一般线性回归模型的目标是最小化残差平方和，即通过拟合一个线性方程来预测目标变量。然而，在实际问题中，可能存在大量的自变量，其中一些可能对目标变量的预测能力较弱或冗余。
2024-07-15 00:30:00
2495
原创 MATLAB算法实战应用案例精讲-【数模应用】Lasso回归（套索回归）（附MATLAB、R语言和Python代码实现）
回归是一种技术，用于建模和分析变量之间的关系，并且经常是它们如何贡献的方式，并与一起产生的特定结果相关。从简单情况开始，单变量线性回归是一种用于使用线性模型(即线)来模拟单个输入自变量(特征变量)和输出因变量之间的关系的技术。然而，L1范数解决方案确实具有稀疏性，这使得它可以与稀疏算法一起使用，这使得计算的计算效率更高。L1范数具有产生具有零值或具有很小的大系数的非常小值的许多系数的属性。在套索和岭回归之间进行权衡的一个实际优势是，它允许Elastic-Net回归在旋转的情况下继承岭回归的一些稳定性。
2024-07-14 00:30:00
68
原创 MATLAB算法实战应用案例精讲-【数模应用】RFM模型（附python代码实现）
RFM分析模型是一种用于客户细分和价值评估的常用工具。RFM代表了三个指标：最近一次购买（Recency）、购买频率（Frequency）和消费金额（Monetary）。通过对这些指标的分析，可以将客户分为不同的细分群体，以便更好地了解客户行为和价值，并制定相应的营销策略。具体来说，RFM分析模型的三个指标含义如下：最近一次购买（Recency）：衡量客户最近一次购买产品或服务的时间间隔。较短的时间间隔通常表示客户更加活跃和忠诚。
2024-07-12 00:30:00
613
原创 MATLAB基础应用精讲-【数模应用】曲线回归（附MATLAB、python和R语言代码实现）
曲线回归（curvilinear regression）是指对于非线性关系的变量进行回归分析的方法。曲线回归方程一般是以自变量的多项式表达因变量。方法是：根据数据的特点先进行某些变换（如对数变换、平方根变换等），如果变换后得到线性模型，则进行线性回归；如果变换后仍得不到线性模型，则可以用曲线拟合的方法对原始数据进行拟合，确定曲线回归方程。
2024-07-11 00:30:00
372
原创 MATLAB基础应用精讲-【数模应用】RFM模型
RFM模型是衡量客户价值和客户创造利益能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。R是指用户的最近一次消费时间，用最通俗的话说就是，用户最后一次下单时间距今天有多长时间了，这个指标与用户流失和复购直接相关。F是指用户下单频率，通俗一点儿就是，用户在固定的时间段内消费了几次。这个指标反映了用户的消费活跃度。
2024-07-11 00:30:00
516
原创 MATLAB基础应用精讲-【数模应用】分层聚类（附python代码实现）
分层聚类法（hierarchical cluster method）一译“系统聚类法”。聚类分析的一种方法。其做法是开始时把每个样品作为一类，然后把最靠近的样品（即距离最小的群品）首先聚为小类，再将已聚合的小类按其类间距离再合并，不断继续下去，最后把一切子类都聚合到一个大类。一般来说，当考虑聚类效率时，我们选择平面聚类，当平面聚类的潜在问题（不够结构化，预定数量的聚类，非确定性）成为关注点时，我们选择层次聚类。此外，许多研究人员认为，层次聚类比平面聚类产生更好的聚类.
2024-07-09 00:30:00
93
原创 目标检测YOLO实战应用案例100讲-基于深度学习的无人机影像小目标识别（续）
在深度学习的整个训练与计算中，存在着大量的矩阵操作。常规CPU的优势是串行运 算，故GPU是大规模矩阵操作的首选。目前主流的算法都是利用GPU的强大并行运算能力， 对深度学习模型进行训练。表3-2显示了本实验的软件和硬件配置，CUDA是由NVIDIA开发的集成计算平台，它 可以加快对深度学习中的卷积等方面的矩阵操作。在Pytorch神经网络框架下进行训练和预 测时，CUDANN能够利用CUDA+ CUDANN来调用GPU加快模型的训练和预测，提升用户 体验。
2024-07-08 00:30:00
95
原创 MATLAB算法实战应用案例精讲-【数模应用】偏最小二乘回归分析（PLS）（附MATLAB和python代码实现）
偏最小二乘法是一种新型的多元统计数据分析方法，于1983年由S.Wold和C.Albano等人首次提出。偏最小二乘法实现了，在一个算法下，可以同时实现回归建模（多元线性回归）、数据结构简化（主成分分析）以及两组变量之间的相关性分析（典型相关分析）。PCA方法虽解决了自变量共线性的问题，但是并没有考虑自变量主元对于因变量变化的解释作用。所以删除的次要主元有可能包含对回归有益的信息，而保留的主元有可能会夹杂一些对回归模型输出无益的噪声。
2024-07-07 00:30:00
240
原创 MATLAB基础应用精讲-【数模应用】偏最小二乘回归分析（PLS）（附MATLAB和python代码实现）
偏最小二乘法是一种新型的多元统计数据分析方法，它于1983年由伍德(S.Wold)和阿巴诺(C.Albano)等人最早提出来的，在一个算法下，可以同时实现回归建模(多元线性回归)、数据结构简化(主成分分析)以及两组变量之间的相关性分析(典型相关分析)。这是多元统计数据分析中的一个飞跃。诸如基因组学、转录组学、蛋白组学及代谢组学等高通量数据分析，由于自变量数目大于病例数（未知数大于方程个数），无法直接使用传统的统计分析模型，最小二乘法有时会失效，遇到这种情况，需要先降维处理。
2024-07-06 00:30:00
99
原创 MATLAB算法实战应用案例精讲-【数模应用】分层聚类（附MATLAB、python和R语言代码实现）
层次聚类是在不同的“层次”上对样本数据集进行划分，一层一层地进行聚类。就划分策略可分为自底向上的凝聚方法和自上向下的分裂方法。
2024-07-05 00:30:00
78
原创 MATLAB基础应用精讲-【数模应用】 岭回归(Ridge)（附MATLAB、python和R语言代码实现）
岭回归分析（Ridge Regression）是一种改良的最小二乘法，其通过放弃最小二乘法的无偏性，以损失部分信息为代价来寻找效果稍差但回归系数更符合实际情况的模型方程。简单来说，岭回归是通过引入k个单位阵，使回归系数可以估计，得到的回归估计值要比简单线性回归系数更加稳定，也更加接近真实情况。虽然引入单位阵会导致信息丢失，但同时也换来回归模型的合理估计。
2024-07-04 09:49:25
213
原创 目标检测YOLO实战应用案例100讲-基于深度学习的无人机影像小目标识别
无人机是一种利用遥控或地面控制系统进行自动或半自动飞行的无人飞行器[ 1]。随着 市场需求的日益扩大，无人机已经成为了人们关注的焦点，它将取代人类从事危险、枯燥 和繁重的工作[ 2]。在军事、农业、交通、商业、水利、能源以及医疗等方面，都有着广泛 的应用。在农业生产中，经常用于喷洒农药，监测农情，播种等；在商务活动中，经常用 于快递运输，影视拍摄，广告宣传等；在交通行业中，经常被用于公安、交警、高速公路 应急管理等方面[ 3]；在水利工程中，经常应用于防洪指挥调度、大坝工程测绘 [4]；
2024-07-03 00:30:00
147
原创 MATLAB基础应用精讲-【数模应用】线性判别分析（附MATLAB和python代码实现）
LDA的目标是投影后最大化类间均值，最小化类内方差。通俗地解释就是，投影后同类别数据的投影点尽可能接近，离组织的中心越近越好：不同类别数据的投影点的中心点之间的距离尽可能大，类别间的数据点区分得越明显越好。假设前图中用方块和三角来区分两类样本，如下图所示。这些数据特征是二维的，现将这些数据降维到一维的直线上。使用PCA的降维方法即左图的投影方向，两类样本无法分开；右图的投影方向，两类样本没有混合，而且既让同一个类别的样本投影点尽可能接近，又使方块和三角数据中心之间的距离尽可能大。
2024-06-26 00:30:00
97
原创 MATLAB基础应用精讲-【数模应用】协方差分析 (ANCOVA)
协方差分析是把线性回归与方差分析结合起来，检验两个或多个修正均数间有无差别的方法。例如在营养研究中，不考虑动物食量的差别，直接用方差分析来比较不同饲料组动物所增体重的均数，以评价不同饲料的营养价值是不够恰当的。因为动物体重的增加，除与食物的营养价值有关外，还与各组动物的食量有关。而动物食量的多少又往往未加控制。若用直线回归的方法找出食量与所增体重的关系，求得当食量化为相等时(即扣除食量的影响)，各饲料组动物所增体重的修正均数，然后再用方差分析检验各修正均数间有无差别，这才比较合理。
2024-06-25 00:30:00
92
原创 MATLAB算法实战应用案例精讲-【数模应用】线性判别分析（附MATLAB、python和R语言代码实现）
线性判别分析是一种很重要的分类算法，同时也是一种降维方法（这个我还没想懂）。和 PCA 一样，LDA 也是通过投影的方式达到去除数据之间冗余的一种算法。如下图所示的 2 类数据，为了正确的分类，我们希望这 2 类数据投影之后，同类的数据尽可能的集中（距离近，有重叠），不同类的数据尽可能的分开（距离远，无重叠），左图的投影不好，因为 2 类数据投影后有重叠，而右图投影之后可以很好地进行分类，因为投影之后的 2 类数据之间几乎没有重叠，只是类内重叠得很厉害，而这正是我们想要的结果。
2024-06-25 00:30:00
611
原创 MATLAB算法实战应用案例精讲-【数模应用】三因素方差
在治疗肝癌的药物研究中，为了提高治疗药物在靶器官——肝脏的浓度，降低在非靶器官如心脏的浓度，设置了3个因素，第一个因素是药物（A），有2个水平，分别为“丝裂霉素+高分子物质+磁性物质”（实验组）和“丝裂霉素”（对照组）；第二个因素是时间（B），有3个水平，分别为给药后15分钟、30分钟和60分钟；第三个因素是器官（C），有两个水平，分别为肝脏和心脏，将60只小鼠随机分为12组（即2*3*3种组合），每组5只，即重复例数为5.观察指标（反应变量）为组织中丝裂霉素的浓度（ug/g）。
2024-06-24 00:30:00
78
目标检测YOLO实战应用案例100讲-3D Lidar MOT 激光雷达点云 感知 多目标追踪
2024-04-19
MATLAB算法实战应用案例精讲-优化算法正切搜索算法（FTTA）（附MATLAB代码实现）
2024-03-05
MATLAB算法实战应用案例精讲-【智能优化算法】基于人类行为的优化算法(HBBO)（附MATLAB源代码）
2023-12-12
MATLAB算法实战应用案例精讲-【智能优化算法】焦点群优化算法（FGOA）（附MATLAB源代码）
2023-12-12
实战应用案例-实时车道线检测和智能告警（车道线检测 + 距离告警 + 转弯曲率半径计算）（附详细代码实现）
2023-12-06
MATLAB算法实战应用案例精讲-【智能优化算法】引力搜索算法-GSA（MATLAB源代码）
2023-11-29
MATLAB算法实战应用案例精讲-优化算法人类城市化搜索算法(HUS)-附MATLAB代码实现
2023-11-17
MATLAB算法实战应用案例精讲-亨利气体溶解优化算法(HGSO)-MATLAB实现源代码
2023-11-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人