ArcGIS 笔记1 前言：此部分是在实际操作该软件时遇到的一些问题和解决方法。大部分解决方法是通过网络搜索得到，而且为了省时、省事就直接通过截屏的方式进行记录了。 l 提取栅格单元值到点 l 根据属性值提取栅格像元 l 选中线经过的面状要素（选中之后可以提取） 实际上这用到了一个按照位置选择的知识，选择可以分为两种，一种是按照属性值进行选择，一种是按照位置信息进行选择，这两种方法都不要忘了，一定要熟记在心。按照位置进行选择是GIS（地理信息系统的一个特色）。 l ARCGIS 中按照某字段属性批量导出shp（矢量） Q:如何通过某字段属性批量导出各个字段对应的shp文件？比如现有一副国家的的行政区划图，想要提取各个省份的shp文件。 A：解决该问题，可以通过Analysis Tools——Extract——Split工具实现。在“Input Features”和“Split Features”中都选择需要分割的行政区划图，相当于用自己切割自己。在“Split Field”中选择具有唯一标识的字段，例如省级行政区名、行政区代码名等，要求这个字段的属性为字符串，它将作为生成的shp文件的文件名。然后在目标工作空间“Target Workspace”设置输出路径即可。 l ARCGIS 中按照某字段属性批量导出栅格（栅格） 根据某个属性字段把栅格数据导出的方法 l ArcGIS 连接两个矢量文件属性 l ArcGIS 生成面数据多边形的中心点数据 Creates a feature class containing points generated from the representative locations of input features. l 将栅格Nodata的数值赋值为0 l 改变栅格分辨率几种不同的方法 l 把矢量图层按照属性表拆分成独立的图层 l 把多个矢量图层合并为一个 (Union) l 多个矢量图层融合 l 根据属性把矢量图层要素融合 l 批量删除属性表字段 l 栅格计算器的条件函数 Con(范围DEM.tif 600,范围DEM.tif / 600,Con(范围DEM.tif 1600,1,1600 / 范围DEM.tif)) Float(Con(范围DEM.tif 650,范围DEM.tif / 650,Con(范围DEM.tif 1550,1,1550 / 范围DEM.tif))) Float(Con(1990.tif=1,0.3,Con(1990.tif=2,0.6,Con(1990.tif=3,0.1,Con(1990.tif=4,0.9,Con(1990.tif=5,1,0.2)))))) l 把土地利用数据的栅格单元赋值成小数的解决方法 l 矢量面转栅格失败的原因（我遇到了） l 浮点型栅格根据属性提取像元值 l 提取矢量面的边界 l 怎么利用一个面图层分割另一个面图层？ 问题描述： 杨凌区是咸阳市的一部分，我怎么把整个咸阳市分割成杨凌区和咸阳市非杨凌区两个部分 下图是咸阳市的一个面状要素 解决办法： 方法一：利用Identity工具 处理结果： 方法二：利用Union工具 效果一样 l 怎么处理面与面之间的空隙？ 比如下图这样的： 研究的解决方案是： 第一步：矢量编辑该图层 第二步：把新添加的矢量要素的某个属性和要划归的矢量要素的属性保持一致。 第三部：按照该属性字段进行融合。 第四：处理结果：
可数名词和不可数名词 Purdue OWL: Count and Noncount Nouns https://owl.english.purdue.edu/owl/resource/541/03/ 详细说明规则并有练习单句。 Longman Dictionary of Contemporary English | LDOCE http://www.ldoceonline.com/ 为非英语母语的人提供的在线词典。注明了单词是可数名词或是不可数名词。 动词时态 Purdue OWL: Verb Tenses https://owl.english.purdue.edu/owl/resource/601/1/ 有容易看懂的动词时态图表。 Review of English Tenses for ESL https://www.thoughtco.com/tense-review-1212197 动词时态的详细介绍，带有更多的信息和练习网页链接。 动词表达（短语动词） Longman Dictionary of Contemporary English | LDOCE http://www.ldoceonline.com/ 方便使用的在线词典。特别适用于母语非英语的人。有可供大量参考的成语和动词短语。 McGraw-Hill's Dictionary of American Idioms and Phrasal Verbs ( New York : McGraw-Hill, 2005) 另一种在线词典 Dictionary: Search the Merriam-Webster dictionary first. https://www.merriam-webster.com/ 非常棒的词典——一般用于科技期刊的标准词典。以例句的方式给出完整定义。 样本书 The ACS Style Guide, 3 rd edition (Washington , DC : American Chemical Society, 2006) Writing: Style/Usage Manuals http://libguides.mit.edu/c.php?g=176032p=1159365 句子构成 Effects of peer review and editing on the readability of articles published in Annals of Internal Medicine. https://www.ncbi.nlm.nih.gov/pubmed/8015120 关于医学文章可读性的技术性研究。 论文写作实例分析 ——Amanda Hindle（理文编辑资深编辑） http://jnapcdc.com/info02/inrSelection/132critique_E.html 提高英语书写和编辑水平的工具箱（1） 未完待续 优惠活动： 100 / 200 / 300元优惠券等你拿 脑力劳动节 多劳多得 分享光荣
标点符号 https://owl.english.purdue.edu/owl/section/1/6/ Purdue大学英语系的网站，提供了定义、规则和例子，使用方便。 https://ntrs.nasa.gov/search.jsp?R=19900017394 NASA （美国国家航空和航天管理局） 的网站，为技术方面的作者和编辑人员提供了语法、标点 符号和英文字母大写指导信息。 https://sites.google.com/a/iolani.org/kg2/d-part-4-mechanics 标点的使用介绍完整，正确使用和错误使用的例子结合，使用方便。 http://englishplus.com/grammar/punccont.htm 美观并方便使用。只需点击想了解的标点符号类型即可。 拼写 The Chicago Manual of Style, 15 th edition ( Chicago : University of Chicago Press , 2003), pp. 197–237 The Gregg Reference Manual, 10 th edition ( New York : McGraw-Hill/Irwin, 2005), pp. 199– 210, 311–345 The Little, Brown Handbook, 10 edition ( New York : Pearson Longman, 2007), pp. 543–544 Scientific Style and Format: The CSE Manual for Authors, Editors, and Publishers, 7th edition ( Reston , VA : The Council of Science Editors, 2006) http://www.ldoceonline.com/ http://www.thefreedictionary.com/ 对容易混淆的单词，提供了有用的提示。 American Heritage Dictionary, 4 th edition https://ahdictionary.com/ 对容易混淆单词，提供了有用的提示。 http://englishplus.com/grammar/mistcont.htm 易于使用的网站，只需点击对应字母就可查看有疑问的单词。 冠词 http://owl.english.purdue.edu/owl/resource/540/01/ 详细说明了定冠词和不定冠词的用法。 https://sites.google.com/a/iolani.org/kg2/1-grammar/d-modifiers#TOC-Art:-Use-articles-correctly.- 简单说明了冠词的使用方法。 http://www.english-test.net/lessons/16/index.html 冠词用法的详细列表。 未完待续 优惠活动： 100 / 200 / 300元优惠券等你拿 脑力劳动节 多劳多得 分享光荣
Matlab做状态空间辨识1 发表于 2013 年 4 月 18 日 状态空间辨识是一种很强大的系统辨识方法，matlab的系统辨识工具箱提供了函数实现基于此方法的辨识。这里把matlab帮助简单翻译一下。 状态空间模型 状态空间模型是一个快速辨识很不错的选择，因为 它只需要一个用户输入，即模型阶次n 。模型阶次是一个等于状态 x ( t ) 维数的整数，它与线性差分方程中输入输出的延迟相关，但不一定相等。 连续时间形式的状态空间模型 如下 x ˙ ( t ) = F x ( t ) + G u ( t ) + K ~ w ( t ) y ( t ) = H x ( t ) + D u ( t ) + w ( t ) x ( 0 ) = x 0 连续时间状态空间模型通常是比较容易定义的，因为它可以由物理微分方程而得来。 离散时间形式的状态空间模型 与线性差分方程的ARX模型一致，但状态空间模型只有1个延迟。离散形式常常表示成如下更新模式innovations form： x ( k T + T ) = A x ( k T ) + B u ( k T ) + K e ( k T ) y ( k T ) = C x ( k T ) + D u ( k T ) + e ( k T ) x ( 0 ) = x 0 其中 T 是采样间隔。 连续时间模型和离散时间状态空间 模型矩阵之间的关系 在piece-wise-constant输入的定义下如下 A = e F T B = ∫ T 0 e F τ G d τ C = H K 和 K ~ 之间的准确关系比较复杂，然而对于比较小的采样间隔 T ，下面的近似还是可以的 K = ∫ T 0 e F τ K ~ d τ 对线性模型，通常的符号模型描述如下 y = G u + H e G 、 H 是传递函数。 那么 传递函数和离散时间状态空间矩阵之间的关系 如下 G ( q ) = C ( q I n x − A ) − 1 B + D H ( q ) = C ( q I n x − A ) − 1 K + I n y 其中， I n x 和 I n y 是单位阵， n y 是 y 和 e 的维数。连续时间的状态空间表示类似。 支持的状态空间参数化形式 工具箱支持的状态空间参数化形式，即哪些参数需要辨识哪些是固定的： 自由参数化辨识 直接辨识各系统矩阵 A , B , C , D 和 K 。 规范型参数化辨识 规范型参数化表示矩阵规范化后系统矩阵参数减少， A , B , C 很多元素为0或1。需要辨识的参数出现在系统矩阵的一些行或列。 结构参数化辨识 允许用户指定一些参数是固定值，这些参数从待辨识参数中剔除。 完全任意映射参数化辨识 即灰箱辨识 ，也就是指定一些变量，这些变量通过函数关系形成系统矩阵，根据输入输出数据直接辨识这些变量。 状态空间模型阶次的选择 要辨识一个状态空间模型，首先要知道它的阶次。当你不知道阶次的时候，你可以通过下面的步骤选择一个阶次。 通过GUI选择阶次： 如下，Orders中设定1:10，Method选择N4SID，或可以通过点击Order Selection来做如此设置 点击Estimate打开Model Order Selection窗口，如下，显示了各状态对输入输出行为的贡献大小（协方差矩阵的奇异值取log） 根据上图选择代表下降最快的那个阶次 ，点击insert插入到辨识的模型中。 红色柱条表示推荐的选择 ，如上图中，状态1和2给出了最重要的贡献，状态2后面的贡献快速下降。 为提高辨识的准确性，可以使用上面的模型最为后续辨识的初始猜测。 在命令行中选择阶次 ： 上面中利用GUI选择阶次可以在命令行中实现，如下 m = n4sid(data,n1:n2); 上面语句会弹出Model Order Selection窗口。 除此之外，还可以使用ssest命令打开阶次选择窗口，如下 m = ssest(data, nn) 其中的nn = 指定你想尝试的阶次。 n4sid使用data数据的采样时间来估计模型，所以估计的是离散模型。而ssest默认估计的连续时间模型。 可以通过指定Ts和其值的额外参数对来指定估计离散模型，如 model = ssest(data,nn,'Ts',data.Ts); 如果想不打开阶次选择窗口自动得到最优阶次，可以使用如下命令 m = n4sid(data,'best') 在GUI中辨识状态空间模型 使用GUI做系统辨识先要做如下准备： 将数据导入GUI； 对数据做一些预处理，如去趋势，这样能提高辨识的精度； 选择阶次，上面已经介绍过了。 准备工作做好后，选择EstimateState Space Models打开Polynomial and State Space Models对话框，如下 各选项的说明如下 Orders: 指定模型阶次。还可以使用下面的Order Editor...来做更详细配置，如设置选项N4Weight和N4Horizon。 Method: 选择PEM或N4SID方法。 N4SID为子空间方法，可以先用来估计得到一个初始模型；PEM为最小化预测误差迭代方法（得到最大似然估计），对应的函数为ssest，可以对初始估计进行改善。 PEM会默认先运行N4SID得到初始估计矩阵再对初始估计矩阵进行迭代优化，所以它运行时间较长。 N4SID运行比SSEST快，但精度和鲁棒性均不如SSEST，需要指定额外的难于调整的参数。 Domain: 选择辨识连续时间模型还是离散模型。 Feedthrough: 指定模型是否有直通分量 。通过输入一个与输入个数相同的布尔型向量来配置。如对于一个两输入模型，输入 ，表示第一个输入直通到系统输出，第二个不直通。这相当于设置状态空间模型的D矩阵。 Form: 设置辨识的 参数化形式 。有如下选项 对应自由参数化辨识、特征多项式伴随形式参数化辨识、模型分解形式参数化辨识（A是对角矩阵）、可观规范型形式参数化辨识。 Input delay: 指定输入延迟 。通过输入一个与输入个数相同向量来配置。对于连续时间模型，延迟需要以秒为单位。对于离散模型，指定为整数的延迟量，即采样周期的倍数。 Name: 辨识模型的名字。 Focus: 选择如何衡量在不同频率处拟合的相对重要性。 Prediction：使用噪声模型H的逆来衡量不同频率范围内拟合的相对重要性。这与最小化一步前向预测相对应，适合于在一段短时间间隔的拟合。 适合于输出预测应用 。 Simulation：使用输入的频谱来衡量不同频率范围内拟合的相对重要性，而不使用噪声模型来衡量。 适合于输出仿真应用 。 Stability： 估计最稳定的模型。 Filter：通过弹出Estimation Focus对话框来指定一个用户滤波器，详见Defining a Custom Filter章节做配置。这个预滤波只在估计从输入到输出的动态特性时应用。干扰模型由估计数据决定。 Initial state： 指定对待初始状态的方法 。这个在使用PEM辨识时作为迭代的初始状态使用。如果辨识得到不精确的解，可以尝试指定特定的方法来处理初始状态而不是选择自动。 Auto：基于估计的数据自动选择Zero、Estimate或Backcast。如果初始状态对估计误差的效果微不足道，可以设置为0来最优化方法的效果。 Zero：设置初始状态为0。 Estimate：把初始状态作为一个未知的参数向量来对待，从数据中辨识初始状态。 Backcast：用后向滤波方法（最小二乘拟合）估计初始状态。 Covariancs： 如果想得到参数的不确定度，选择Estimate；否则选择None。不确定度会显示在模型置信区间的图中。对于复杂模型或大数据集问题，选择None可以减少计算时间。 Display progress： 对于选用PEM方法辨识时，勾选上复选框会弹出一个进程窗口显示估计的过程。 Matlab做状态空间辨识2 发表于 2013 年 4 月 18 日 命令行辨识状态空间模型 准备工作： 构造iddata对象（输入输出数据对象）或frd、idfrd对象（频率响应数据对象）； 数据预处理，如对时域数据做去趋势； 选择阶次。 状态空间辨识有两种方式 ，决定于你对系统了解的先验知识。 黑箱辨识： 指定模型阶次，选择性的对一些模型矩阵结构属性进行配置。这种辨识方式，你可以使用ssest或n4sid函数以数据和模型阶次作为主要函数参数来辨识。额外的属性要以名字-值对的形式来指定，如指定模型模型采样时间、直通分量存在性、噪声成分是否存在等。你不能直接配置各系统矩阵的元素。 结构化辨识： 你需要首先创建一个包含系统矩阵初始值的 idss模型结构 ，在此结构中，使用Structure属性来指定参数约束。如指定系统矩阵某个元素固定或设定其范围。详细参数化配置可以参考ssform函数说明。 在配置好约束后，就可以此idss模型作为ssest的输入进行辨识了。注意n4sid不能结构化辨识。 另外注意， 这里的结构化辨识其实就是灰箱辨识，属于一种简单的一种，复杂的灰箱辨识可以使用idgrey和idnlgrey模型实现；结构化辨识中不能指定系统矩阵中各元素之间的关系，即各元素之间是独立的，对于元素之间有依赖性的结构化辨识属于复杂灰箱辨识，可尝试使用grayest估计器。 命令行辨识的实现： 使用ssest辨识 m = ssest(data,n,opt,Name,Value) 其中，data为估计的数据，n为系统阶次，opt包含了状态空间估计的配置参数，包括初始条件、输入偏移、估计中心、搜索方法等，其详细配置见ssest函数。 使用n4sid辨识 m = n4sid(data,n,opt,Name,Value) 除非指定采样时间，ssest默认辨识连续时间模型；而n4sid辨识离散模型。 连续模型与离散模型的选择： 默认情况下，ssest估计连续时间模型。如果使用非零采样周期的数据，可以使用如下命令估计离散模型 model = ssest(data,nx,'Ts',data.Ts); 如果使用的是连续时间频域数据，则不能辨识离散模型。 默认地，n4sid以数据的采样周期辨识离散时间模型，如果想辨识连续时间模型，可以用如下命令 model = n4sid(data,nx,'Ts',0); 对于状态空间辨识，你可以指定是否辨识 D 、 K 、 X 0 矩阵，分别表示输入-输出直通分量、噪声模型和初始状态。 D ： 默认情况下， D 矩阵是不辨识的，除静态模型外其值固定为0。 黑箱辨识中，使用 Feedthrough 名和值对输入参数来设置直通分量的存在与否。如两输入模型中，第二输入直通，则使用如下命令设置 model = n4sid(data,n,'Feedthrough', );. 结构辨识中，通过配置 init_sys.Structure.d 来设置，其中init_sys是一个代表理想模型结构的idss结构。如强制第 i 个输入为直通，则 init_sys.Structure.d.Value(:,i) = 0; init_sys.Structure.d.Free = true; init_sys.Structure.d.Free(:,i) = false; 第一行指定矩阵 D 的第 i 列的值为0；第二行指定 D 矩阵的所有元素都是自由的，需辨识的；第三行指定 D 的第 i 列的值在辨识中是固定不变的。 另外，也可以再 ssform 中以参数对的形式配置直通。 K ： K 代表系统的噪声矩阵 ，如模型的噪声成分 x ˙ = A x + K e y n = C x + e 对于频域数据，无噪声模型辨识， K 被设置为0。对于时域数据， K 默认以黑箱的设置辨识。 黑箱辨识中，使用 DisturbanceModel 参数对来表示噪声模型是设置为0（如果值设为'none'）还是以自由参数辨识（值设为'estimate'）。如 model = n4sid(data,n,'DisturbanceModel','none') 在结构辨识中，通过配置 init_sys.Structure.k 来设置。你可以固定一些 K 矩阵系数的值或设置一些值的上下界范围。如，只辨识一个两输出模型的 K 矩阵的第一列 kpar = init_sys.Structure.k; kpar.Free(:,1) = true; kpar.Free(:,2) = false; kpar.Value(:,2) = 0; % 第二列的值固定为0 init_sys.Structure.k = kpar; 还可以使用ssform来配置。 当不确定如何配置 K 时，可以先不辨识它，只辨识系统矩阵。在得到系统模型后，再使用ssest配置 K 为自由参数辨识改善模型。 如 init_sys = ssest(data, n,'DisturbanceModel','none'); init_sys.Structure.k.Free = true; sys = ssest(data, init_sys); init_sys为无噪声的动态模型。 要在一个已存在的模型中设置 K 为0，可以如下配置 m.Structure.k.Value = 0; m.Structure.k.Free = false; X 0 ： 初始状态向量 X 0 一般作为模型辨识的副产品，即在n4sid和ssest函数中返回的第二个输出参数为 X 0 。可以使用 InitialState 选项来选择如何控制初始状态。使用n4sid的n4sidOptions和ssest的ssestOptions来创建辨识选项。如在用n4sid辨识中保持初始状态为零 opt = n4sidOptions; opt.InitialState = 'zero'; = n4sid(data,n,opt); 返回的 X 0 为长度为 n 的零向量。 在使用ssest迭代辨识中，初始状态有Auto、Zero、Estimate和Backcast四个选项，具体说明见上面GUI中的介绍，在命令行中使用方法如下 opt = ssestOptions('InitialState','estimate'); m = ssest(data, 4, opt) 当使用多组实验数据辨识时， X 0 矩阵的列数要和实验数据的一样。 辨识自由参数状态空间模型 自由辨识中，状态空间各矩阵 A 、 B 、 C 、 D 、 K 的参数是自由，即它们的所有元素在辨识过程中都是可调整的。 由于 A 、 B 、 C 是自由的，所以状态空间实现的基是在满足最优条件下自动选择的。 如果对离散状态空间模型的内部结构知识了解不多，可以使用下面语句做快速尝试辨识： m = ssest(data) 此语句辨识1到10阶的连续状态空间模型。 要辨识指定阶数的模型，使用如下语法 m = ssest(data,n) 迭代方法ssest是以n4sid的结果为初始模型的，所以你可以直接使用n4sid代替ssest来辨识： m = n4sid(data,n) 辨识标准型状态空间模型 标准型辨识表示矩阵 A 、 B 、 C 是稀疏的，即除一些行或列的值可辨识外，其他元素固定为0或1。 支持的标准型辨识如下： 伴随型 ：特征多项式的系数出现在 A 矩阵的最右列； 模型分解型 ： A 矩阵是块对角线的形式； 可观标准型 ：自由参数只出现在 A 的一些行。 对于模型分解型，其块对角化元素是对称的，如果使用结构化辨识，这些对称性将不会保留，虽然得到的模型仍然是块对角的。 命令行辨识标准型的语句如下 m = ssest(data, n, 'Form', 'canonical') 上面语句默认辨识连续时间模型，辨识离散模型使用如下语句 md = ssest(data, n, 'Form', 'canonical', 'Ts', data.Ts) 辨识结构参数状态空间模型 结构参数化辨识允许用户通过设置一些参数为固定值来剔除一些辨识参数。 这种方法是很有用的，如果你的状态空间矩阵是从物理原理得来的，那么一些参数将有其物理意义，是固定的，这时可以使用此种方法做辨识。 结构化辨识需要 两个步骤 ： 1.使用idss命令指定状态空间矩阵的结构和辨识参数的初始值； 2.使用ssest辨识未知参数。 要在GUI中实现结构化辨识，需要先在命令行中创建模型结构，然后倒入到GUI中辨识。 定义离散时间状态空间结构，语句如下 m = idss(A,B,C,D,K,'Ts',T) A,B,C,D,K指定矩阵初始值，T指定采样间隔。 相似的，定义连续时间模型，语句如下 m = idss(A,B,C,D,K,'Ts',0) 在创建了模型结构后，你需要指定哪些参数是要辨识的，哪些参数使用设定值。这可以使用模型的Structure属性来设置，需要设置的详细属性如下 Value ：参数值； Minimum ：辨识过程中参数的最小值； Maximum ：辨识过程中参数的最大值； Free ：布尔值，指定此参数是否要辨识。true为需要辨识，false表示固定为Value中值； Scale ：参数值的比例，它不在辨识中使用； Info ：保存参数的单位和标签信息，它是一个包含Lable和Unit的结构。 举个例子，假如你创建了一个如下A矩阵的状态空间模型m A = 如果你想固定A(1,2) = A(2,1)=0，则使用如下语句 m.Structure.a.Value(1,2) = 0; m.Structure.a.Value(2,1) = 0; m.Structure.a.Free(1,2) = false; m.Structure.a.Free(2,1) = false; 另外，快速配置参数、指定直通分量、干扰动态特性，可以使用ssform。 在结构化辨识中，对需要辨识的参数可以使用符合物理意义的值作为辨识初始值。但由于这可能导致迭代过程收敛到局部极小，所以建议尝试几组不同的初始化值辨识。 如果想使用随机初始化值，可以使用init命令。 另外， 当模型结构包含不同量级的参数时，建议缩放变量使它们具有相近的量级。 迭代搜索算法中使用数值微分来计算预测误差对参数的梯度，步长的大小由 nuderst 命令，默认步长是参数绝对值*10的-4次方与10的-7次方的大者。如果想指定不同的步长，可通过nuderst来编辑。 辨识结构化离散时间状态空间模型的例子 这个例子中，我们辨识如下离散方程中的未知参数 ( θ 1 , θ 2 , θ 3 , θ 4 , θ 5 ) ： 假设未知参数 ( θ 1 , θ 2 , θ 3 , θ 4 , θ 5 ) 的名义值为-1,2,3,4,5。 辨识此离散模型的步骤如下： 1.构造参数矩阵，以参数名义值来初始化参数 A = ; B = ; C = ; D = 0; K = ; 2.构造状态空间模型对象 m = idss(A,B,C,D,K); 3.指定不想辨识的参数 S = m.Structure; S.a.Free(1,1) = false; S.a.Free(2,:) = false; S.c.Free = false; m.Structure = S; 如果想固定初始状态为已知的0值，可以在InitialState选项中设置 opt = ssestOptions; opt.InitialState = 'zero'; 4.估计模型 m = ssest(data, m, opt) data为包含时域数据或频域数据的iddata对象。迭代搜索以各系统矩阵的名义值开始搜索。 辨识结构化连续时间状态空间模型的例子 这个例子中，我们辨识如下连续时间模型中的未知参数 ( θ 1 , θ 2 , θ 3 ) ： 这个方程代表一个电机模型， y 1 ( t ) = x 1 ( t ) 是电机轴的角位置， y 2 ( t ) = x 2 ( t ) 是角速度。参数 − θ 1 是电机时间常数的逆， − θ 2 / θ 1 是输入到角速度的静态增益。 电机在 t = 0 时是静止的，但其角度位置 θ 3 是未知的。假设位置参数的近似名义值为 θ 1 = − 1 、 θ 2 = 0.25 。位置测量的误差方差为0.01，角速度测量的方差为0.1。 辨识此连续模型的步骤如下： 1.构造参数矩阵、初始化参数名义值 A = ; B = ; C = eye(2); D = ; K = zeros(2,2); x0 = ; 2.构造连续时间状态空间模型对象 m = idss(A,B,C,D,K,'Ts',0); 3.指定在辨识中固定的值 S = m.Structure; S.a.Free(1,:) = false; S.a.Free(2,1) = false; S.b.Free(1) = false; S.c.Free = false; S.d.Free = false; S.k.Free = false; m.Structure = S; m.NoiseVariance = ; 初始状态是部分未知的，可以用InitialState选项来设置 X 0 opt = ssestOptions; opt.InitialState = idpar(x0); opt.InitialState.Free(2) = false; 4.辨识模型 m = ssest(data, m, opt) 其中data是包含时域或频域数据的iddata对象。这个例子中可以使用dcmotordata.mat中的数据，它在matlabroot/toolbox/ident/iddemos/data/下。 5.如果想仿真的，可以构造采样周期为T=0.1的仿真数据，如下 e = randn(300,2); u = idinput(300); simdat = iddata([],u,'Ts',0.1); simopt = simOptions('AddNoise', true, 'NoiseData', e) y = sim(m,simdat,simopt) 通过辨识状态空间模型来得到等价的ARMAX和OE模型 你可以使用状态空间模型来辨识等价的ARMAX和OE多输出模型。 对于ARMAX，需要指定状态空间辨识估计 K 矩阵，而对于OE模型，设置 K = 0 。最后将得到的状态空间模型通过idpoly转化为相应的多项式格式。 下面的例子展示了如何利用状态空间方法辨识ARMAX和OE格式的模型。 首先加载测量数据，辨识状态空间模型 load iddata1 z1 mss_noK = n4sid(z1, 2,'DisturbanceModel','none'); mss = n4sid(z1,2); mss_noK是二阶无干扰模型的状态空间模型，mss是有噪声成分的二阶状态空间模型。两者都使用z1数据来辨识。 将状态空间模型转换为多项式模型： mOE = idpoly(mss_noK); mARMAX = idpoly(mss); 上面的转化将是参数方差信息丢失。你可以重新计算方差：使用相同的估计数据做零迭代更新；使用translatecov做高斯估计公式。 使用零迭代更新方法重估计mOE和mARMAX的多项式模型参数如下 opt = polyestOptions; opt.SearchOption.MaxIter = 0; mOE = polyest(z1,mOE); mARMAX = polyest(z1,mARMAX); 使用零迭代的方法，模型参数保持不变，只有方差信息得到更新。 除此之外，使用translatecov将估计的模型转化为多项式模型，代码如下 fcn = @(x)idpoly(x); mOE = translatecov(fcn, mss_noK) mARMAX = translatecov(fcn, mss) 因为polyest和translatecov使用不同的算法，所以得到的方差数据可能是不同的。使用如下命令查看模型参数的不确定性 present(mOE) present(mARMAX) 另外，你也可以使用 K = 0 的状态空间模型作为Hammerstein-Wiener的初始辨识，这可以提高模型的拟合效果，详见相关帮助。
针对中文术语的语义相似度计算问题，文献 首先用数学语言对其进行了描述，然后仔细分析了求解该问题的传统计算方法，结果发现传统计算方法大都做了一个隐式假设：组成两个术语的原子术语的顺序必须大体一致。换句话说，传统计算方法并没有考虑原子术语顺序的差异对构建两个术语的原子术语间对应关系质量的影响。为克服这个问题，通过类比分析，文献 认为可将该问题看作一个全局双序列比对问题，因而引入生物信息学领域中著名的全局双序列比对算法（ NW 算法）。理论及实验研究均表明，在绝大多数情况下，该方法优于传统方法，或至少与传统方法的效果相当。 为了进一步促进情报分析的发展，现将我们开发的中文术语相似度计算工具箱公布于此( PSASimilarity.rar )，该工具包括相应的源代码、原理描述文档以及使用的资源——同义词词词林扩展版（词林电子版来源于网上，应该是 哈工大信息检索研究室将其开源的， 在此感谢哈工大信息检索研究室所做的工作） 如果大家使用了这个工具箱，也请大家引用以下文献： 徐硕, 朱礼军, 乔晓东, 薛春香, 2010. 基于双序列比对的中文术语语义相似度计算的新方法. 情报学报 , Vol. 29, No. 4, pp. 701-708. Shuo Xu, Lijun Zhu, Xiaodong Qiao, and Chunxiang Xue, 2009. A Novel Approach for Measuring Chinese Terms Semantic Similarity based on Pairwise Sequence Alignment. Proceedings of the 5th International Conference on Semantics, Knowledge and Grid (SKG) , pp. 92-98
WSCT is a sequence clustering toolkit. Given a set of sequences S, and a number of clusters k, WSCT partitions S into k disjoint partitions according to a minimum cut criterion on the similarity graph between the partitions. The set S consists of discrete sequence of alphabets (of different lengths) drawn from a finite alphabet set. The sequences may be either weighted or un-weighted. An un-weighted sequence is essentially a sequence of alphabets from the given alphabet set. In the weighted version, a weight is associated with each of the alphabets - so essentially its a sequence of 2-tuples. For example, let A = (a, b, c) be an alphabet set.Then, s1 = a,a ,b,c,a,b is an unweighted sequence whereas s2 = (a,2),(a,4),(b,1),(c,7),(a,2),(b,3) is a weighted sequence. Related Paper Clickstream Clustering using Weighted Longest Common Subsequences A. Banerjee and J. Ghosh Workshop on Web Mining: 1st SIAM Conference on Data Mining Vpp. 33-40 2001 下载地址： http://www.pipipan.com/file/22419256
ClusterPack is a collection of Matlab functions for cluster analysis. It consists of the three modules ClusterVisual, ClusterBasics, and ClusterEnsemble as described in the following. They are a selection out of my personal codebase for machine learning research. They contain general clustering algorithms as well as special algorithms developed in my research as indicated in the README files. Please feel free to download ClusterPack Matlab Toolbox (.tar) or ClusterPack Matlab Toolbox (.zip). 下载地址： http://www.pipipan.com/file/22092313
The Netlab toolbox is designed to provide the central tools necessary for the simulation of theoretically well founded neural network algorithms and related models for use in teaching, research and applications development. It is extensively used in the MSc by Research in the Mathematics of Complex Systems. It consists of a toolbox of Matlab® functions and scripts based on the approach and techniques described in Neural Networks for Pattern Recognition by Christopher M. Bishop, (Oxford University Press, 1995), but also including more recent developments in the field. The functions come with Matlab on-line help, and further explanation is available via HTML files. The software has been written by Ian Nabney and Christopher Bishop. This is the third release of Netlab. If you have any comments, bug reports, or wish lists, please email us at i.t.nabney@aston.ac.uk . We also hope that other researchers would like to contribute to this library in the future. See the Contributions page for some examples. The Netlab library includes software implementations of a wide range of data analysis techniques, many of which are not yet available in standard neural network simulation packages. Netlab works with Matlab version 5.0 and higher but only needs core Matlab (i.e. no other toolboxes are required). It is not compatible with earlier versions of Matlab. We have now also released the Data Visualisation and Modelling System (DVMS), an interactive visualisation tool that uses algorithms from Netlab and other sources to project high-dimensional data to 2D and information visualisation techniques to support user interaction. The principles behind the toolbox are more important than simply compiling lists of algorithms. Data analysis and modelling methods should not be used in isolation; all parts of the toolbox interact in a coherent way, and implementations of standard pattern recognition techniques (such as linear regression and K-nearest-neighbour classifiers) are provided so that they can be used as benchmarks against which more complex algorithms can be evaluated. This interaction allows researchers to develop new techniques by building on and reusing existing software, thus reducing the effort required and increasing the robustness and usability of the new tools. An accompanying text book, Netlab: Algorithms for Pattern Recognition written by Ian Nabney is published by Springer in their series Advances in Pattern Recognition. The cost is ￡59.84 and the ISBN number is 1-85233-440-1. Acknowledgements We are grateful to Andrew Weaver, David Barber, David Evans and Mike Tipping for allowing us to base some of the functions in Netlab on their software. We also thank Markus Svensen, Iain Strachan, Mehdi Azzouzi, David Lowe, Cazhaow Qazaz and other members of the Non-linearity and Complexity Research Group for their comments on earlier versions of the library. 下载地址： http://www.pipipan.com/file/22037380
全文转自: http://www.cs.stonybrook.edu/~kyamagu/mexopencv/ Collection and a development kit of matlab mex functions for OpenCV library This software package provides matlab mex functions that interface a hundred of OpenCV APIs. Also the package contains a C++ class that converts between Matlab's native data types and OpenCV data types. The package is suitable for fast prototyping of OpenCV application in Matlab, use of OpenCV as an external toolbox in Matlab, and the development of a custom mex function. Note: The OpenCV developers are planning to implement Matlab wrappers as of February 2013. While the mexopencv will be kept as a private project, let's see how the official wrappers come out. Download Github Please refer the above link for how to compile the source code. Usually it is as easy as typing mexopencv.make in matlab. If you're using git, git clone git://github.com/kyamagu/mexopencv.git Getting started Here is an example of how simple it is to use an OpenCV function from matlab: % Load a face detector and an image detector = cv.CascadeClassifier('haarcascade_frontalface_alt.xml'); im = imread('myface.jpg'); % Preprocess gr = cv.cvtColor(im, 'RGB2GRAY'); gr = cv.equalizeHist(gr); % Detect boxes = detector.detect(gr, 'ScaleFactor', 1.3, ... 'MinNeighbors', 2, ... 'MinSize', ); % Draw results imshow(im); fori = 1:numel(boxes) rectangle('Position', boxes{i}, ... 'EdgeColor', 'g'); end Would you like to use a camera input? No problem. % Connect to a camera camera = cv.VideoCapture(); pause(2); fori = 1:50 % Capture and show frame frame = camera.read; imshow(frame); pause(0.3); end The package already contains more than 150 OpenCV functions/classes. You can check a list of supported functions in the online documentation . If there isn't your favorite one, you can easily add a new mex function through MxArray class. MxArray is a data conversion utility for Matlab's native array and OpenCV data types. With this class, your mex function is as simple as the following: #include mexopencv.hpp voidmexFunction( intnlhs, mxArray *plhs ) { // Check arguments if(nrhs!=2 || nlhs1) mexErrMsgIdAndTxt(myfunc:invalidArgs, Wrong number of arguments); // Convert MxArray to cv::Mat and cv::Size cv::Mat src = MxArray(prhs ).toMat(), dst; cv::Size ksize = MxArray(prhs ).toSize(); // Use your favorite OpenCV function cv::blur(src, dst, ksize); // Convert cv::Mat back to mxArray* plhs = MxArray(dst); } Check the README file and the developer documentation for detail. License The code may be redistributed under The BSD 3-Clause License .
http://blog.sina.com.cn/s/blog_5d7954df01011jdl.html http://forum.chinavib.com/thread-37688-3-1.html 边际谱 form求边际谱时所用程序是没有问题的，用的是矩形积分公式。 他所得结果不正确的原因是：输入的应是调用了toimage后的结果，而不是调用了hhspectrum后的结果。 下面给一段程序，大家可以去试下。边际谱的分析结果是完全正确的。 clear; fs=1000; %fs为采样频率; N=1000; %采样点数 t=1/fs:1/fs:1; y1=2*sin(60*pi*t); y2=5*sin(90*pi*t); y= ; %IMF集 %%%%%%%%%%%%%求边际谱 =hhspectrum(y); =toimage(A,fa,tt,length(tt)); E=flipud(E); for k=1:size(E,1) bjp(k)=sum(E(k,:))*1/fs; end f=(0:N-3)/N*(fs/2); plot(f,bjp); xlabel('频率 / Hz'); ylabel('幅值'); 信号处理matlab程序示例 原文地址： G-RillingEMD工具箱 作者： 我爱春秋 先顺便提一句，另外一个学习EMD的网站 http://rcada.ncu.edu.tw/research1.htm ，这个是黄锷老先生开的推广EMD的网站，很给力！ 工具箱的安装 运行install_emd.m文件可以实现此工具箱的安装，uninstall_emd.m实现卸载。 安装中的问题 但是安装的时候，如果使用的是VS的编译器（mbuild –setup、mex –setup设置），会 报找不到complex.h的问题 （用Linux下的Matlab不会出错），从而使cemdc2_fix.c等文件编译失败，这几个文件是为了快速实现计算EMD而用c编写的，所以即使编译失败，也不影响直接使用emd.m实现EMD功能。如果想编译成功，可如下修改：（摘自 http://www.chinavib.com/thread-79866-1-1.html ） G. Rilling 07年3月份的程序，运行作者的install_emd.m，出现找不到complex.h的问题，以下是个人的理解和解决过程：（个人的运行环境为matlab6.5） complex.h的问题 产生原因：采用matlab的C编译函数mex时，定义了C99_OK的宏（EMDS/make_emdc.m (28行)），利用的是ANSI C99标准如果个人的电脑中没有相关的支持，就会出现这个问题。 解决方法：EMDS/make_emdc.m中第28行中mex(’-DC99_OK‘,args(:))语句中的 '-DC99_OK' 即可。 注意： 改完之后，运行install_emd，会 出现M_PI没有定义的问 题 ，缺少了常数PI的宏定义，导致一些.c文件编译失败。 产生原因：去掉C99_OK之后，程序中使用的是作者提供的 emd_complex.h和emd_complex.c两个文件来支持复数运算，这两个文件中，并没有定义M_PI这个宏。 解决方法：M_PI这个宏，只在两个文件中（clocal_mean.c和clocal_mean2.c）使用，个人的解决方法是，在相应的头文件（clocal_mean.h和clocal_mean2.h）中加入M_PI的宏定义即可。 在两个.h文件中分别加入一下语句： #define CLOCAL_MEAN_H #ifndef M_PI #define M_PI 3.1415926 #endif 安装完成后，编译输出的.dll文件会出现，重复后缀名的问题，及 xxx.dll 变成了 xxx.dll.dll自己去掉多余的.dll即可 最后，关于版本问题：作者推荐使用7.1+版本，但只是针对个别的函数有影响，主要是作者提供的例子程序，无法在matlab6.5环境中运行，算法的主要功能函数并不受影响。 如果懒得向上面修改，可以直接下载已经编译成功的工具箱压缩包，即里面已经有了cemdc.mexw32、cemdc_fix.mexw32等文件，这里可以下载到 http://www.chinavib.com/thread-84036-1-1.html 下载后，通过设置路径，作为matlab工具箱使用即可。 工具箱的使用 工具箱函数 运行 help index_emd 可以查看工具箱提供的函数，如下 index_emd.M list of functions in the EMD package type help function_name for more information on a specific function Empirical Mode Decomposition emd- computes EMD and bivariate/complex EMD with various options emd_local- computes local EMD variation emd_online- computes on-line EMD variation. Note that it does not truly apply on-line: the function is only a demonstration. emdc- fast implementation for EMD with Cauchy-like stopping criterion (requires compilation, see make_emdc function) emdc_fix- fast implementation for EMD with predefined number of iterations (requires compilation, see make_emdc function) cemdc- fast implementation for bivariate/complex EMD (first algorithm) with Cauchy-like stopping criterion (requires compilation, see make_emdc function) cemdc_fix- fast implementation for bivariate/complex EMD (first algorithm) with predefined number of iterations (requires compilation, see make_emdc function) cemdc2- fast implementation for bivariate/complex EMD (second algorithm) with Cauchy-like stopping criterion (requires compilation, see make_emdc function) cemdc2_fix- fast implementation for bivariate/complex EMD (second algorithm) with predefined number of iterations (requires compilation, see make_emdc function) Utilities install_emd- setup Matlab's path and compile the C codes. uninstall_emd - revert the modifications made by install_emd and remove the files (optional). make_emdc- compile all C codes emd_visu- visualization of EMD cemd_visu- visualization of bivariate/complex EMD (automatically called by emd_visu when the input is complex) cenvelope- compute envelope curves for bivariate/complex EMD cemd_disp- visualization of envelope curves and tube envelope plot3c- plot a complex vector in 3 dimensions plotc- plot the projection of a complex vector on a variable direction dirstretch- directional stretching of a complex vector hhspectrum- compute Hilbert-Huang spectrum (need the Time-Frequency Toolbox http://tftb.nongnu.org) toimage- transform a spectrum made of 1D functions (e.g., output of "hhspectrum") in an 2D image disp_hhs- display the image output of "toimage" as a Hilbert-Huang spectrum addtag- add a tag to a graphic object (uses the Tag property as a list of keywords or "tags") rmtag- remove a tag from a graphic object (uses the Tag property as a list of keywords or "tags") hastag- test whether a graphic object has a specific tag (uses the Tag property as a list of keywords or "tags") findtag- find objects having a specific tag (uses the Tag property as a list of keywords or "tags") Examples from G. Rilling, P. Flandrin and P. Gon鏰lves, "On Empirical Mode Decomposition and its algorithms" IEEE-EURASIP Workshop on Nonlinear Signal and Image Processing NSIP-03, Grado (I), June 2003 emd_fmsin- Fig. 1: a 3-component example (need the Time-Frequency Toolbox http://tftb.nongnu.org) emd_triang- Fig. 2: another 3-component example emd_sampling- Fig. 3: effect of sampling on 1 tone emd_separation- Fig. 4: separation of 2 tones ex_online- Sect 3.4: the way emd_online.m works triangular_signal - subroutine called by emd_triang (formerly triang.m) Examples from G. Rilling, P. Flandrin, P. Gon鏰lves and J. M. Lilly, "Bivariate Empirical Mode Decomposition", Signal Processing Letters (submitted) bivariate_EMD_principle- Fig. 1: principle of the bivariate/complex EMD bivariate_EMD_mean_definitions - Fig. 2: definition of the mean for each algorithm. Also allows to test other signals and parameter sets. bivariate_EMD_illustration- Fig. 3: illustration of the bivariate EMD on an oceanographic float position record 稍做整理如下： EMD分解函数 函数 功能 emd 计算EMD、双变量/复数EMD emd_local 计算local EMD emd_online 计算在线EMD（不是真正在线应用，此函数只是一个示范） emdc 使用Cauchy-like停止准则的快速EMD实现，需编译 emdc_fix 使用预定义迭代次数的快速EMD实现，需编译 cemdc 使用Cauchy-like停止准则的快速双变量/复数EMD实现（方法1），需编译 cemdc_fix 使用预定义迭代次数的快速双变量/复数EMD实现（方法1），需编译 cemdc2 使用Cauchy-like停止准则的快速双变量/复数EMD实现（方法2），需编译 cemdc2_fix 使用预定义迭代次数的快速双变量/复数EMD实现（方法2），需编译 工具函数 函数 功能 install_emd 设置Matlab路径，编译c代码 uninstall_emd 回复install_emd做的修改，移除文件 make_emdc 编译c代码 emd_visu EMD可视化 cemd_visu 双变量/复数EMD可视化（emd_visu的输入是双变量或复数时自动改为调用cemd_visu） cenvelope 计算双变量EMD的包络曲线 cemd_disp 显示复数包络曲线 plot3c 三维中绘制复数向量 plotc 绘制复数向量在一个可变方向上的投影 dirstretch 复数向量的方向拉伸 hhspectrum 计算Hilbert-Huang谱（需要时频工具箱http://tftb.nongnu.org） toimage 将一个一维函数谱转化为图像 disp_hhs 以Hilbert-Huang谱的形式显示toimage函数的输出 addtag 添加标签到一个图形对象 rmtag 移除标签从一个图形对象 hastag 测试一个图形对象是否有指定的标签 findtag 找有指定标签的图形对象 来自《On Empirical Mode Decomposition and its algorithms》的Examples 函数 功能 emd_fmsin 一个包含3组分的例子（需要时频工具箱） emd_triang 另一个包含3组分的例子 emd_sampling effect of sampling on 1 tone emd_separation separation of 2 tones ex_online the way emd_online.m works triangular_signal emd_triang文件调用的子程序 来自《Bivariate Empirical Mode Decomposition》的Examples 函数 功能 bivariate_EMD_principle 双变量/复数EMD原则 bivariate_EMD_mean_definitions 各种方法的平均值的定义 bivariate_EMD_illustration 双变量EMD在海洋漂流位置的应用图解 工具箱使用示例 EMD clc clear all close all % 原始数据 fs = 1000; ts = 1/fs; t=0:ts:0.3; z=2*sin(2*pi*10*t) + 5.*sin(2*pi*100*t); figure plot(t, z) title('原始信号') % EMD imf=emd(z); emd_visu(z,t,imf) =hhspectrum(imf); =toimage(A,f); disp_hhs(im); 边际谱 clc clear all close all % 原始数据 fs = 1000; ts = 1/fs; t=0:ts:0.3; y=2*sin(2*pi*10*t) + 5.*sin(2*pi*100*t); figure plot(t, y) title('原始信号') % 求Hilbert-Huang谱 = hhspectrum(y); figure subplot(211) plot(th*ts, A) title('瞬时幅值') % 就是包络 subplot(212) plot(th*ts, fh*fs) title('瞬时频率') % 显示结果 = toimage(A,fh,th); disp_hhs(im,tt) colormap(flipud(gray)) % 编程实现显示 figure imagesc(tt*ts, ,im); ylabel('frequency/Hz') set(gca,'YDir','normal') xlabel('time/s') title('Hilbert-Huang spectrum') 例子程序 更详细的使用说明可以参见例子程序，如emd_fmsin.m程序，运行结果如下 EMD分解如下 可以看到，EMD实现的3个组分的分离（即分别分解到了IMF1~3中），可见EMD的强大功能。 为便于以后查阅，代码也贴过来吧： N = 2000;% # of data samples T = 1:4:N; t = 1:N; p = N/2;% period of the 2 sinusoidal FM's % sinusoidal FM 1 fmin1 = 1/64;% min frequency fmax1 = 1.5*1/8;% max frequency x1 = fmsin(N,fmin1,fmax1,p,N/2,fmax1); % sinusoidal FM 1 fmin2 = 1/32;% min frequency fmax2 = 1.5*1/4;% max frequency x2 = fmsin(N,fmin2,fmax2,p,N/2,fmax2); % logon f0 = 1.5*1/16;% center frequency x3 = amgauss(N,N/2,N/8).*fmconst(N,f0); a1 = 1; a2 = 1; a3 = 1; x = real(a1*x1+a2*x2+a3*x3); x = x/max(abs(x)); = emd(x); emd_visu(x,t,imf,1); figure(1) % time-frequency distributions Nf = 256;% # of frequency bins Nh = 127;% short-time window length w = tftb_window(Nh,'Kaiser'); = tfrrsp(x,T,Nf,w,1); = tfrrsp(imf(1,:)',T,Nf,w,1); = tfrrsp(imf(2,:)',T,Nf,w,1); = tfrrsp(imf(3,:)',T,Nf,w,1); figure(4) subplot(221) imagesc(flipud(rs(1:128,:))) set(gca,'YTick', ) xlabel('time') ylabel('frequency') title('signal') pause subplot(222) imagesc(flipud(rs1(1:128,:))) set(gca,'YTick', ) xlabel('time') ylabel('frequency') title('mode #1') pause subplot(223) imagesc(flipud(rs2(1:128,:))) set(gca,'YTick', ) xlabel('time') ylabel('frequency') title('mode #2') pause subplot(224) imagesc(flipud(rs3(1:128,:))) set(gca,'YTick', ) xlabel('time') ylabel('frequency') title('mode #3')
开机后出现提示:选择要启动的操作系统如: Microsoft windows xp Professional Ghost 工具箱 一键GHOST V2010.01.02 Windows(默认值) 我的电脑-属性-高级-"启动和故障修复"设置-选择默认操作系统-然后把"显示操作系统列表时间"跟"在需要时显示恢复选项的时间"这两项前面方框内的勾勾点掉 也可以更改C盘里的boot.ini文件 里面文件 OK
ADCPtools - acoustic doppler current profiler data processing AFDesign - designing analog and digital filters AIRES - automatic integration of reusable embedded software Air-Sea - air-sea flux estimates in oceanography Animation - developing scientific animations ARfit - estimation of parameters and eigenmodes of multivariate autoregressive methods ARMASA - power spectrum estimation AR-Toolkit - computer vision tracking Auditory - auditory models b4m - interval arithmetic Bayes Net - inference and learning for directed graphical models Binaural Modeling - calculating binaural cross-correlograms of sound Bode Step - design of control systems with maximized feedback Bootstrap - for resampling, hypothesis testing and confidence interval estimation BrainStorm - MEG and EEG data visualization and processing BSTEX - equation viewer CALFEM - interactive program for teaching the finite element method Calibr - for calibrating CCD cameras Camera Calibration Captain - non-stationary time series analysis and forecasting CHMMBOX - for coupled hidden Markov modeling using maximum likelihood EM Classification - supervised and unsupervised classification algorithms CLOSID Cluster - for analysis of Gaussian mixture models for data set clustering Clustering - cluster analysis ClusterPack - cluster analysis COLEA - speech analysis CompEcon - solving problems in economics and finance Complex - for estimating temporal and spatial signal complexities Computational Statistics Coral - seismic waveform analysis DACE - kriging approximations to computer models DAIHM - data assimilation in hydrological and hydrodynamic models Data Visualization DBT - radar array processing DDE-BIFTOOL - bifurcation analysis of delay differential equations Denoise - for removing noise from signals DiffMan - solving differential equations on manifolds Dimensional Analysis - DIPimage - scientific image processing Direct - Laplace transform inversion via the direct integration method DirectSD - analysis and design of computer controlled systems with process-oriented models DMsuite - differentiation matrix suite DMTTEQ - design and test time domain equalizer design methods DrawFilt - drawing digital and analog filters DSFWAV - spline interpolation with Dean wave solutions DWT - discrete wavelet transforms EasyKrig Econometrics EEGLAB EigTool - graphical tool for nonsymmetric eigenproblems EMSC - separating light scattering and absorbance by extended multiplicative signal correction Engineering Vibration FastICA - fixed-point algorithm for ICA and projection pursuit FDC - flight dynamics and control FDtools - fractional delay filter design FlexICA - for independent components analysis FMBPC - fuzzy model-based predictive control ForWaRD - Fourier-wavelet regularized deconvolution FracLab - fractal analysis for signal processing FSBOX - stepwise forward and backward selection of features using linear regression GABLE - geometric algebra tutorial GAOT - genetic algorithm optimization Garch - estimating and diagnosing heteroskedasticity in time series models GCE Data - managing, analyzing and displaying data and metadata stored using the GCE data structure specification GCSV - growing cell structure visualization GEMANOVA - fitting multilinear ANOVA models Genetic Algorithm Geodetic - geodetic calculations GHSOM - growing hierarchical self-organizing map glmlab - general linear models GPIB - wrapper for GPIB library from National Instrument GTM - generative topographic mapping, a model for density modeling and data visualization GVF - gradient vector flow for finding 3-D object boundaries HFRadarmap - converts HF radar data from radial current vectors to total vectors HFRC - importing, processing and manipulating HF radar data Hilbert - Hilbert transform by the rational eigenfunction expansion method HMM - hidden Markov models HMMBOX - for hidden Markov modeling using maximum likelihood EM HUTear - auditory modeling ICALAB - signal and image processing using ICA and higher order statistics Imputation - analysis of incomplete datasets IPEM - perception based musical analysis A href="http://www.baisi.net/misc.php?actwbrion=viewratingstid=51930pid=138123" JMatLink - Matlab Java classes Kalman - Bayesian Kalman filter Kalman Filter - filtering, smoothing and parameter estimation (using EM) for linear dynamical systems KALMTOOL - state estimation of nonlinear systems Kautz - Kautz filter design Kriging LDestimate - estimation of scaling exponents LDPC - low density parity check codes LISQ - wavelet lifting scheme on quincunx grids LKER - Laguerre kernel estimation tool LMAM-OLMAM - Levenberg Marquardt with Adaptive Momentum algorithm for training feedforward neural networks Low-Field NMR - for exponential fitting, phase correction of quadrature data and slicing LPSVM - Newton method for LP support vector machine for machine learning problems LSDPTOOL - robust control system design using the loop shaping design procedure LS-SVMlab LSVM - Lagrangian support vector machine for machine learning problems Lyngby - functional neuroimaging MARBOX - for multivariate autogressive modeling and cross-spectral estimation MatArray - analysis of microarray data Matrix Computation - constructing test matrices, computing matrix factorizations, visualizing matrices, and direct search optimization MCAT - Monte Carlo analysis MDP - Markov decision processes MESHPART - graph and mesh partioning methods MILES - maximum likelihood fitting using ordinary least squares algorithms MIMO - multidimensional code synthesis Missing - functions for handling missing data values M_Map - geographic mapping tools MODCONS - multi-objective control system design MOEA - multi-objective evolutionary algorithms MS - estimation of multiscaling exponents Multiblock - analysis and regression on several data blocks simultaneously Multiscale Shape Analysis Music Analysis - feature extraction from raw audio signals for content-based music retrieval MWM - multifractal wavelet model NetCDF Netlab - neural network algorithms NiDAQ - data acquisition using the NiDAQ library NEDM - nonlinear economic dynamic models NMM - numerical methods in Matlab text NNCTRL - design and simulation of control systems based on neural networks NNSYSID - neural net based identification of nonlinear dynamic systems NSVM - newton support vector machine for solving machine learning problems NURBS - non-uniform rational B-splines N-way - analysis of multiway data with multilinear models OpenFEM - finite element development PCNN - pulse coupled neural networks Peruna - signal processing and analysis PhiVis - probabilistic hierarchical interactive visualization, i.e. functions for visual analysis of multivariate continuous data Planar Manipulator - simulation of n-DOF planar manipulators PRTools - pattern recognition psignifit - testing hyptheses about psychometric functions PSVM - proximal support vector machine for solving machine learning problems Psychophysics - vision research PyrTools - multi-scale image processing RBF - radial basis function neural networks RBN - simulation of synchronous and asynchronous random boolean networks ReBEL - sigma-point Kalman filters Regression - basic multivariate data analysis and regression Regularization Tools Regularization Tools XP Restore Tools Robot - robotics functions, e.g. kinematics, dynamics and trajectory generation Robust Calibration - robust calibration in stats RRMT - rainfall-runoff modelling SAM - structure and motion Schwarz-Christoffel - computation of conformal maps to polygonally bounded regions SDH - smoothed data histogram SeaGrid - orthogonal grid maker SEA-MAT - oceanographic analysis SLS - sparse least squares SolvOpt - solver for local optimization problems SOM - self-organizing map SOSTOOLS - solving sums of squares (SOS) optimization problems Spatial and Geometric Analysis Spatial Regression Spatial Statistics Spectral Methods SPM - statistical parametric mapping SSVM - smooth support vector machine for solving machine learning problems STATBAG - for linear regression, feature selection, generation of data, and significance testing StatBox - statistical routines Statistical Pattern Recognition - pattern recognition methods Stixbox - statistics SVM - implements support vector machines SVM Classifier Symbolic Robot Dynamics TEMPLAR - wavelet-based template learning and pattern classification TextClust - model-based document clustering TextureSynth - analyzing and synthesizing visual textures TfMin - continous 3-D minimum time orbit transfer around Earth Time-Frequency - analyzing non-stationary signals using time-frequency distributions Tree-Ring - tasks in tree-ring analysis TSA - uni- and multivariate, stationary and non-stationary time series analysis TSTOOL - nonlinear time series analysis T_Tide - harmonic analysis of tides UTVtools - computing and modifying rank-revealing URV and UTV decompositions Uvi_Wave - wavelet analysis varimax - orthogonal rotation of EOFs VBHMM - variation Bayesian hidden Markov models VBMFA - variational Bayesian mixtures of factor analyzers VMT - VRML Molecule Toolbox, for animating results from molecular dynamics experiments VOICEBOX VRMLplot - generates interactive VRML 2.0 graphs and animations VSVtools - computing and modifying symmetric rank-revealing decompositions WAFO - wave analysis for fatique and oceanography WarpTB - frequency-warped signal processing WAVEKIT - wavelet analysis WaveLab - wavelet analysis Weeks - Laplace transform inversion via the Weeks method WetCDF - NetCDF interface WHMT - wavelet-domain hidden Markov tree models WInHD - Wavelet-based inverse halftoning via deconvolution WSCT - weighted sequences clustering toolkit XMLTree - XML parser YAADA - analyze single particle mass spectrum data ZMAP - quantitative seismicity analysis
标签: 工具箱
