matlab errorbare,Matlab – Rhapsody of the Universe

(这里有一些理论公式推导:http://eagle.lamost.org/?p=37798 ,比此文更加详细,可以参看) 前一阵被X.L. Fan师兄问到关于尘埃能谱 (Dust SED) 做图的问题。然后仔细检查了一遍自己本科论文时候编写的数据,发现有错误,于是花了些时间重新编写了一下。虽然拟合尘埃在亚毫米波段的灰体谱是一件很简单的事情,但在我看来,其中涉及到的单位的问题比较典型。我们平常在做SED的时候,常常会搞混 Flux Density,Intensity,Flux 等概念,他们的单位等等。并且平常老师在课程中讲到各种SED的时候,也没有仔细的讲讲观测中这些东西要注意的地方。这点比较遗憾。 我把程序贴出来跟大家共享一下(点击下载压缩包)。如果你也是在做冷尘埃灰体谱(following the gray-body function or the modified Planck distribution function)辐射的,可以试试这个程序。程序是用 Matlab 写的,一共包含一个主程序 dustsed.m 和两个调用的函数: errorbare.m 和 fitblackbody.m, 其中 errorbare 是由Gerry提供的 ( 详见:Gerry-云居 )。拟合的公式是: (1)   下面测试一下,输入的波长单位是 micron,我取了60, 100, 122, 158, 170, 450, 850 micron 这几个波段的数据,其流量按照Jy的单位分别是65.52, 114.74, 92.0, 91.5, 75.60, 8.832, 1.393 Jy,然后输入测量的误差,调用函数。拟合出单一成份模型中的谱指数、和温度T以及(实际上,我在拟合的过程中用的这个参量包含了尘埃的投影面积和距离的信息,但是把含有β的那个因子独立出去了,单独作为一个参量拟合,所以程序里面的 emissivity 不是严格的)。图如下: 给出的结果是,=1.160865 ,给出的相对误差为0.208285。可以看出,这个Beta明显偏小了。所以应该尝试用更多的温度来拟合,如果用两个温度成份拟合的话会得到更好的结果,…

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值