精华内容
下载资源
问答
  • R、冗余分析(RDA)、ggplot2、置信椭圆

    万次阅读 多人点赞 2018-10-12 11:28:47
     在生态环境领域中,冗余分析(RDA)是我们常用的分析方法,分析目的为“解释变量”对“响应变量”的影响情况。类似RDA的方法,还有CCA。这里以RDA为例→数据处理、分析过后,我们需要对结果进行可视化,R语言ggplt...

    R、冗余分析(RDA)、ggplot2、置信椭圆

     在生态环境领域中(实际中,其他专业也用到),冗余分析(RDA)是我们常用的分析方法,分析目的为“解释变量”对“响应变量”的影响情况。类似RDA的方法,还有CCA。这里以RDA为例→数据处理、分析过后,我们需要对结果进行可视化,R语言ggplt2程序包无疑是可视化神器,然而,怎样利用ggplot2对RDA结果进行可视化,需要我们对RDA结果进行了解,提取需要展示的元素。许多论文中在排序分析的图中添加了置信椭圆,ggplot2自带函数目前支持每个分组样本量≥4时画椭圆,这里我们使用gglayer包的geom_ord_ellipse函数给样方添加置信椭圆(支持样本量≥3)。

     library(vegan)
     library(plyr)
      library(gglayer)
     library(ggplot2)
     library(ggrepel)
    fc=read.csv("D:\\R\\factor.csv",header = T,row.names = 1)#读取解释变量数据
    sp=read.csv("D:\\R\\sp.csv",header = T,row.names = 1)#读取响应变量数据
    spp=decostand(sp,method = "hellinger")#对响应变量做转化
    fcc=log10(fc)#对解释变量做转化
    uu=rda(spp~.,fcc)#RDA分析
    ii=summary(uu)  #查看分析结果
    sp=as.data.frame(ii$species[,1:2])*2#可根据出图结果,对画图数据做一定的放大或缩小,下同
    st=as.data.frame(ii$sites[,1:2])
    yz=as.data.frame(ii$biplot[,1:2])
    grp=as.data.frame(c(rep("a",3),rep("b",3),rep("c",4),rep("d",6)))#根据样方类型分组,“a”有3个样本,“b”有3个样本……,共16个。注意样本的顺序和个数!
    colnames(grp)="group"
    ggplot() +
      geom_point(data = st,aes(RDA1,RDA2,shape=grp$group,fill=grp$group),size=4)+
      scale_shape_manual(values = c(21:25))+
      geom_ord_ellipse(aes(st$RDA1,st$RDA2,color=grp$group,group=grp$group),###注意,是在这里添加椭圆
                       ellipse_pro = 0.68,linetype=3,size=1)+###注意,是在这里添加椭圆
      geom_segment(data = sp,aes(x = 0, y = 0, xend = RDA1, yend = RDA2), 
                   arrow = arrow(angle=22.5,length = unit(0.35,"cm"),
                                 type = "closed"),linetype=1, size=0.6,colour = "red")+
      geom_text_repel(data = sp,aes(RDA1,RDA2,label=row.names(sp)))+
      geom_segment(data = yz,aes(x = 0, y = 0, xend = RDA1, yend = RDA2), 
                   arrow = arrow(angle=22.5,length = unit(0.35,"cm"),
                                 type = "closed"),linetype=1, size=0.6,colour = "blue")+
      geom_text_repel(data = yz,aes(RDA1,RDA2,label=row.names(yz)))+
      labs(x=paste("RDA 1 (", format(100 *ii$cont[[1]][2,1], digits=4), "%)", sep=""),
           y=paste("RDA 2 (", format(100 *ii$cont[[1]][2,2], digits=4), "%)", sep=""))+
      geom_hline(yintercept=0,linetype=3,size=1) + 
      geom_vline(xintercept=0,linetype=3,size=1)+
      guides(shape=guide_legend(title=NULL),color=guide_legend(title=NULL),
             fill=guide_legend(title=NULL))+
      theme_bw()+theme(panel.grid=element_blank())

    在这里插入图片描述

      RDA探索完毕,上面的图比较骚气,但,不能用,因为需要检验模型是否显著、解释变量是否存在共线性,在论文写作中应删掉某些图层,使图更加美观、更简洁。这里只是简单的举个例,在进行约束排序分析之前,我们先要检查数据,是符合RDA还是CCA,网上有很多例子,这里不再赘述。当RDA或者CCA不能很好的解决我们的问题时,我们需要结合其它分析方法,如gbm、RF能求出相对重要性等,也可利用SEM去探索。原则上,不同的数据需要用不同的方法探索,选择一种最理想的结果。
     刚接触R的朋友,可能会因为R的“难”入门而选择较容易的CANOCO软件,当然后者也是生态环境领域的数据分析神器,但是,当我们想要个性化分析、个性化出图时,目前后者无法满足,R,应是首选。实验设计、实验过程、数据处理及分析、绘图、写作等是科研的必然过程,为促进相互进步、资源共享,我们创建了学术交流QQ群:335774366。欢迎有兴趣的朋友加入→指导。
    声明:以上内容仅为作者个人理解,有不对的地方,欢迎指正。

    展开全文
  • 微生物生态数据分析——冗余分析

    千次阅读 2018-10-25 17:13:27
    微生物生态数据分析——冗余分析 sa=read.table("NRRDA.csv",header=T,row.names=1,sep=",") env=read.table("NRenv.csv&...

    微生物生态数据分析——冗余分析

    sa=read.table("NRRDA.csv",header=T,row.names=1,sep=",")
    env=read.table("NRenv.csv",header=T,sep=",",row.names=1)
    name <- read.table("name.csv", header=F,sep=",",colClasses=c("character","character"))#用作产生图例,对样本进行分类
    library(vegan)
    decorana(sa)#DCA函数,用于决定选择进行RDA或者CCA
    #如果DCA排序前4个轴中最大值超过4,选择单峰模型排序更合适。如果是小于3,则选择线性模型更好(Lepx & Smilauer 2003)。如果介于3-4之间,单峰模型和线性模型都可行
    sam=rda(sa,env,center=T,scale=T)
    plot(sam,scaling=3)#plot(gts.rda,display=c("sp","bp"),scaling=3)
    # display=c("sp","bp") 表示显示物种与环境因子。如果显示样方与环境因子,可以表示为display=c("si","bp"),如果物种、样方和环境因子同时显示,可以设定display=c("sp","si","bp")。
    library(ggplot2)
    new=sam$CCA
    samples<-data.frame(sample=row.names(new$u),RDA1=new$u[,1],RDA2=new$u[,2]) 
    name=name$V2#分类文件
    species<-data.frame(spece=row.names(new$v),RDA1=new$v[,1],RDA2=new$v[,2])  
    envi<-data.frame(en=row.names(new$biplot),RDA1=new$biplot[,1],RDA2=new$biplot[,2]) 
    rda1 =round(sam$CCA$eig[1]/sum(sam$CCA$eig)*100,2) #第一轴标签,显示解释度
    rda2 =round(sam$CCA$eig[2]/sum(sam$CCA$eig)*100,2) #第二轴标签,显示解释度
    line_x = c(0,envi[1,2],0,envi[2,2],0,envi[3,2])  #行数与ling_g数量一致,envi[line_g,2]
    line_x  
    line_y = c(0,envi[1,3],0,envi[2,3],0,envi[3,3])  
    line_y  
    line_g = c("grazing","grazing","Tot bio","Tot bio","ND","ND")  
    line_g  
    line_data = data.frame(x=line_x,y=line_y,group=line_g)  
    line_data
    #开始重绘RDA图
    #填充样本数据,分别以RDA1,RDA2为X,Y轴,不同样本以颜色区分
    ggplot(data=samples,aes(RDA1,RDA2)) + geom_point(aes(color=sample),size=2)#生成图例的数据使用的是sample,不是samples!,不然会提示错误: Aesthetics must be either length 1 or the same as the data (6): colour, x, y
    #geom_point(aes(color=name),size=2
    #填充微生物物种数据,不同物种以图形区分,seq增加形状数量
     + geom_point(data=species,aes(shape=spece),size=2) + scale_shape_manual(values=seq(0,15))+
    #填充环境因子数据,直接展示
    geom_text(data=envi,aes(label=en),color="blue") + 
    #添加0刻度纵横线
    geom_hline(yintercept=0) + geom_vline(xintercept=0)+ 
    #添加原点指向环境因子的带箭头的直线,size可以调节直线粗细
    geom_line(data=line_data,aes(x=x,y=y,group=group),color="green") + 
    geom_segment(data=line_data,aes(x=x,y=y,xend = line_data[,1], yend = line_data[,2],group=group),color="black",size=1.5,arrow=arrow(angle=35, length=unit(0.3, "cm"))) +
    #添加横纵坐标轴标签
    labs(title="RDA Plot",x=paste("RDA1 ",rda1," %"),y=paste("RDA2 ",rda2," %")) +
    #标题字体格式设置
    #theme(text=element_text(family="serif"))+
    #去除背景颜色及多余网格线
    theme_bw() + theme(panel.grid=element_blank()) 
    #大功告成,保存为矢量图等等
    ggsave("NRRDA2.PDF")      
    #RDA更详细的分析,
    summary(sam)
    #检验环境因子相关显著性(Monte Carlo permutation test)
    permutest(sam,permu=999) # permu=999是表示置换循环的次数
    ef=envfit(sam,env,permu=999)#每个环境因子显著性检验
    ef
    

    看到有很多同学问导入的数据格式问题,我重新写了一份详细的排序分析文章,发在了公众号“科学研究进行时”上,文章名称:R绘图-RDA排序分析,里面有数据格式的截图,大家可以扫描二维码关注查看。
    在这里插入图片描述

    展开全文
  • 图像融合算法(像素级)

    万次阅读 多人点赞 2019-10-25 09:26:06
    图像融合技术可以提取自然光图像和红外图像的互补信息,获得对同一场景描述解释更为准确、全面和可靠的图像。像素级融合是常用于灰度图像与可见光图像的融合。基于源图像的彩色化就是源图像和目标图像的融合过程,使...

    图像融合技术可以提取自然光图像和红外图像的互补信息,获得对同一场景描述解释更为准确、全面和可靠的图像。像素级融合是常用于灰度图像与可见光图像的融合。基于源图像的彩色化就是源图像和目标图像的融合过程,使其同时兼有源图像的颜色和目标图像的形状、纹理等特征信息,达到整体颜色基调和谐、真实。

    影响图像融合的主要因素:图像庞大数据量的处理、融合规则的选择等。

    关于图像融合技术的应用研究,主要集中在夜视图像中微光图像和红外图像的彩色处理。

     

    根据融合过程处理阶段的不同,红外图像和可见光图像的融合可以分为三个阶段:基于像素层面的融合、基于特征层面的融合和基于决策层面的融合

    像素级融合是一种比较底层的融合方式,融合前一般先对可见光和红外数据进行配准等预处理操作,然后将红外图片和可见光图片对应的各点像素值通过一定的策略合并计算出一个新的像素值,这样各点像素都进行融合后形成一幅新的融合图像。这种层面的融合方式对应设备的要求较高,一般计算量较大,不适合实时性需求。基于空间域的融合方法和基于变换域的融合方法是常用的像素级图像融合手段。

    其中空间域融合方法包括:逻辑滤波法、加权平均法、数学形态法、图像代数法和模拟退火法等。

    变换域方法包括金字塔图像融合法、小波变换图像融合法和多尺度分解法等。

    1.MCA

    图像分离技术是基于对图像进行多尺度分析的方法,在图像的分析、增强、压缩、复原等领域有效的信号和图像分解分离技术起着重要的作用。目前,研究者提出了很多方法来解决这个问题,实验结果并不完全理想。数字图像分离处理主要是通过利用信号和图像的成分来对信号和图像进行分析,主要有主成分分析、次成分分析、态成分分析等,人们认为,主要在信号重构和压缩、以及稀疏成分分析和独立成分分析、形抑制噪声和特征提取等方面的应用。所得到的图像观测值是由不同的源信号的混合信号。以线性瞬时信号为例,它是最简单的混合数学模型,为求解混合过程的逆过程,达到把不同的源信号分离出来的目的,即根据某些假设条件,已知的先验信息很少的情况下,我们仅仅从获得的混合信号中提取或恢复出源信号来。

    独立成分分析方法是经典的方法,它假设源信号是独立统计的。目前,基于统计独立的假设条件,就像任何一种优秀的算法,有其适合的范围,但也比其他方法得到了较好的实验效果。在从现实应用而获得图片中,很多信号具有稀疏性,很多图像也具有稀疏性,人们也可以通过对这些信号和图像处理达到稀疏性,选择进行数学变换,达到其在变换域中能够得到实现较好的稀疏性的目标。事实论文表明把数据转换为稀疏表示,会极大提高分离的质量。当源信号是高度稀疏时,也就是说每个源信号在绝大多数的时刻取值为零或者接近零,只有在很少的时刻取值为非零或者较大值。此时,源信号可以由不同的基函数来表示,因为在独立假设中,两个源信号同时为有用信号的概率极低。在稀疏成分分析,中,就巧妙地利用了这一点进行分析。独立分量分析、稀疏成分分析,、非负矩阵分解等是近年来兴起的算法,都取得了较大进展。

    Strack等人开辟了新的道路,他们提出了另外一种基于稀疏表示的对信号或图像进行分解的方法,形态成分分析MCA。该方法的思想是,在图像处理中,对于待分离图像中的任一形态,假设都存在着相应稀疏表示该层的字典,并且仅能够稀疏表示该层形态第二步,我们使用追踪算法以达到搜索最稀疏的表示的目的,产生符合研究目的的相对理想的分离效果。

    形态成分分析,可以看成BP和MP算法的结合。方法核心用最优稀疏表示图像形态。图像分解成两个不同的形态卡通纹理分量。卡通分量包含了原图像的结构和轮廓信息,纹理分量包含了一些重复性的纹理信息。对于图像的卡通分量来说,其主要体现的是图像的一些结构信息和色彩信息,而人眼对应这类信息往往比较敏感的;同时,自然图像的卡通分量往往体现了原始图像中的大量的主要信息,因此融合卡通分量的目的是使这类信息更为突出。

    2.RPCA

    鲁棒主成分分析(Robust Principal Component Analysis,RPCA)是低秩矩阵恢复模型,已经在视频监控,计算机视觉等许多领域得到广泛应用。RPCA 可将数据矩阵表示为低秩矩阵和稀疏矩阵的叠加。早期已有研究者将其应用于多焦点图像融合源图像经 RPCA 分解之后得到源图像的稀疏矩阵和低秩矩阵。稀疏矩阵表示图像的显著特征,低秩矩阵包含图像的细节纹理等背景信息。分别融合后发现融合效果目标信息显著,效果较好。红外图像与可见光图像融合的主要目的是通过融合可以得到一幅兼具两幅图像特点的融合结果。融合图像中包含源图像的光谱信息隐藏目标可以更好的显示。目标物在图像中较为显著,因此会更有利于后续的应用。红外图像是一种热辐射成像,图像中的目标热源部分会非常突出,灰度值明显高于其他区域。

    源图像经过 RPCA 变换后得到稀疏分量和低秩分量,分别表示不同的图像信息。在红外图像中,显著区域是相对背景比较突出的一部分图像内容。因此,稀疏分量的特征可以描述源图像的目标等显著信息,低秩矩阵建模为红外图像的主要背景信息。NSCT 作为一种多尺度变换,它可以多分辨率多方向的分解提取图像的信息。所以采用 NSCT 变换的方法融合源图像的低秩分量可以更好得到目标图像的低秩分量。在得到融合之后的低秩分量和稀疏分量后通过叠加可以得到融合结果。

    3.稀疏表示

    近年来,通过研究脑神经发现,当有信号(图像、声音等)刺激大脑时,人类大脑只利用一小部分神经元对输入的信号进行表示,既只提取了信号的关键特征,对冗余复杂的信号进行了简单的表示。学术界将人类大脑的这一功能特征称为稀疏表示。稀疏表示理论的主要思想是利用少量的字典原子来线性描述自然信号。由于其能很好的稀疏表示自然图像,因此近年来稀疏表示已经被广泛地应用于各个领域。

    传统的稀疏基包括 FT、DCT和 DWT等。近些年,多尺度几何分析引起了大量学者和专家的关注。多尺度几何分析与小波变换不同,为了能较好地利用原函数的几何正则性,其变换基由小波变换中的“正方形”转 化为“长条形”,从而可以用最少的稀疏系数来逼近奇异曲线。因此,多尺度几何分析方法可以很好地表示原始图像的轮廓、边缘和纹理等拥有高维奇异性的几何特征。自多尺度几何分析方法被提出以来,已有大量的学者和专家对其理论和算法进行了深入的研究,且已有了一定可观的研究成果。

    目前为止,多尺度几何分析方法主要可以分为两大类:自适应和非自适应多尺度几何分析方法。自适应多尺度几何分析方法是指图像变换的基函数随着图像内容的变化而变化,其主要有条带波(Bandelet)、楔形波(Wedgelet)、梳状波(Brushlet)、子束波(Beamlet)等。与此相反,非自适应多尺度几何分析方法的图像变换的基函数是固定不变的,与图像的内容并无直接的关系,主要有曲线波(Curvelet)、 轮廓波(Contourlet)和脊波(Ridgelet)等。

    在多尺度几何分析之后,基于字典训练的稀疏表示方法吸引了大量学者和专家的研究。由于字典训练方法具有自适应性,因此其在图像融合、图像去噪和图像压缩等领域得到了广泛的应用,目前主流的字典训练算法有 MOD和 K-SVD等。 由于稀疏表示模型能有效地表示图像的本质特征,稀疏表示理论在图像处理领域得到了快速的发展,在图像识别、图像去噪、图像复原等领域中得到了广泛的应用。

    2008 年,Wright 和 Yang等人提出了基于稀疏表示的分类方法,并将其应用于人脸识别中,该方法可有效地解决光照、表情、部分伪装、遮挡、腐蚀等问题,并具有较好的鲁棒性,他们为人脸识别技术的发展开辟了新的道路。在此基础上,Yuan等人提出了一种基于联合稀疏表示的图像分类方法,该方法分别将图像分解为颜色、轮廓、纹理等信息,然后利用联合稀疏公式求其联合稀疏系数,由此提高了分类的准确度。除此之外,稀疏表示理论在图像去噪中也得到了较好的应用。Elad[等人利用原始噪声图像作为训练样本,然后通过 K-SVD 算法训练得到过完备字典,并在图像去噪上取得了较好的效果。同时,Fadilil等人也将稀疏表示理论应用到图像修复中,该方法利用图像的稀疏性,可以较好的修复受损的图像。在此领域中,Mairal和 Peyre等人也分别相继提出了基于字典训练的彩色图像修复和图像纹理的生成算法。 

    稀疏表示理论在图像融合领域也得到了广泛的关注与应用。Yang 和 Li等人提出了一种基于稀疏表示的图像融合算法。该算法提出了利用滑动窗技术,将待融合图像分块,并利用L1范数对其进行稀疏表示得到稀疏系数,然后利用最大选择融合规则对其进行融合,最后重构得到融合图像。在此基础上,Yang 和 Li等人又提出了基于 SOMP (Simultaneous Orthogonal Matching Pursuit)的图像融合算法,利用该算法可以保证不同的待融合图像可以利用相同的原子进行稀疏表示,从而提高了融合后的图像的质量。除此之外,Yu等人提出了一种基于联合稀疏模型的图像融合方法。在该方法中,通过稀疏分解模型,将原始图像分解为公共部分和特有部分的稀疏系数,对特有部分稀疏系数进行融合并重构,最后与公共部分组成最终的融合图像。 

     

     

    展开全文
  • R语言绘图实战:RDA冗余分析

    万次阅读 多人点赞 2017-05-13 10:36:24
    #如果小于3.0, RDA的结果会更合理(基于线性模型,冗余分析) #以RDA分析为例 sp0 (sp ~ 1, se) sp0 plot(sp0) #加入所有环境变量排序,RDA分析 sp1 (sp ~ ., se) sp1 plot(sp1) #到这里RDA已经出来了,很多文章...
    #载入vegan包
    library(vegan)
    #读取“样本-物种”文件
    sp <- read.table(file=file.choose(),sep="\t",header=T,row.names=1)
    sp
    #读取“样本-环境因子”文件
    se <- read.table(file=file.choose(),sep="\t",header=T,row.names=1)
    se
    #选择用RDA还是CCA分析?先用“样本-物种”文件做DCA分析!
    decorana(sp) 
    #根据看分析结果中Axis Lengths的第一轴的大小
    #如果大于4.0,就应选CCA(基于单峰模型,典范对应分析)
    #如果在3.0-4.0之间,选RDA和CCA均可
    #如果小于3.0, RDA的结果会更合理(基于线性模型,冗余分析)
    #以RDA分析为例
    sp0 <- rda(sp ~ 1, se)  
    sp0
    plot(sp0)
    #加入所有环境变量排序,RDA分析
    sp1 <- rda(sp ~ ., se)  
    sp1
    plot(sp1)
    #到这里RDA图已经出来了,很多文章也都直接放这张图,但如果想追求更美的话,还可以找ggplot2包借个衣服,包装自己
    #准备作图数据:提取RDA分析结果的数据,作为新图形元素
    new<-sp1$CCA
    new
    #提取并转换“样本”数据
    samples<-data.frame(sample=row.names(new$u),RDA1=new$u[,1],RDA2=new$u[,2])
    samples
    #提取并转换“物种”数据
    species<-data.frame(spece=row.names(new$v),RDA1=new$v[,1],RDA2=new$v[,2])
    species
    #提取并转换“环境因子”数据
    envi<-data.frame(en=row.names(new$biplot),RDA1=new$biplot[,1],RDA2=new$biplot[,2])
    envi
    #构建环境因子直线坐标
    line_x = c(0,envi[1,2],0,envi[2,2],0,envi[3,2],0,envi[4,2],0,envi[5,2],0,envi[6,2])
    line_x
    line_y = c(0,envi[1,3],0,envi[2,3],0,envi[3,3],0,envi[4,3],0,envi[5,3],0,envi[6,3])
    line_y
    line_g = c("pH","pH","T","T","S2","S2","NH4","NH4","NO2","NO2","Fe2","Fe2")
    line_g
    line_data = data.frame(x=line_x,y=line_y,group=line_g)
    line_data
    #载入ggplot2包
    library(ggplot2)
    #开始重绘RDA图
    #填充样本数据,分别以RDA1,RDA2为X,Y轴,不同样本以颜色区分
    ggplot(data=samples,aes(RDA1,RDA2)) + geom_point(aes(color=sample),size=2) +
    #填充微生物物种数据,不同物种以图形区分
     geom_point(data=species,aes(shape=spece),size=2) + 
    #填充环境因子数据,直接展示
     geom_text(data=envi,aes(label=en),color="blue") +
    #添加0刻度纵横线
     geom_hline(yintercept=0) + geom_vline(xintercept=0)+
    #添加原点指向环境因子的直线
     geom_line(data=line_data,aes(x=x,y=y,group=group),color="green") +
    #去除背景颜色及多余网格线
     theme_bw() + theme(panel.grid=element_blank())
    #大功告成,保存为矢量图等等
    ggsave("RDA2.PDF")

    展开全文
  • R语言实现冗余分析(RDA)完整代码

    万次阅读 多人点赞 2020-05-21 21:07:16
    与这 6 个被保留的环境变量之间解释变差的“共享程度” rda_tb_forward_vp (phylum_hel, env['TC'], env[c('pH', 'DOC', 'SOM', 'AP', 'AK', 'NH4')]) plot(rda_tb_forward_vp, digits = 2, Xnames = c('TC', '...
  • 1 电源模块的标准冗余配置都在输出端使用"或"运算二极管。  因为每一个电源都会发生自然变化,所以只有VOUT最大的电源才是有效的。其他检测"高电位"输出的电源都试图降低其输出,从而有效地中止稳压功能。如果从...
  • matlab人脸识别论文

    万次阅读 多人点赞 2019-10-11 17:41:51
    本文设计了一种基于BP神经网络的人脸识别系统,并对其进行了性能分析。该系统首先利用离散小波变换获取包含人脸图像大部分原始信息的低频分量,对图像数据进行降维;再由PCA算法对人脸图像进行主成分特征提取,进--步...
  • 一、分析预制体静态资源,如贴图、精灵、图集等使用情况。 第一张图表格是预制体的使用资源情况,第二张图是分析预制体的依赖资源具体内容,主要是图片MD5作为key值存于字典中,字典的值为{图集Tag,...
  • 测试开发笔记

    万次阅读 多人点赞 2019-11-14 17:11:58
    ★需求的跟踪 78 需求跟踪矩阵的作用: 78 需求的特点: 79 需求工程 79 变更控制流程 82 第九章 缺陷管理 83 缺陷相关概念 83 缺陷管理相关概念 83 BUG管理基本流程: 84 BUG单 84 第十章 测试需求分析 86 概念:...
  • (一)人脸识别技术之人脸识别过程及识别算法简介

    万次阅读 多人点赞 2018-11-04 23:19:40
    降低数据的冗余信息.LDA核心是最大化类间差距和最小化类内差距,保证同一个人的不同人脸图像投影后聚集在一起,不同的人脸图像投影之后用大间距分开.两者均使用求解矩阵的特征值和特征向量,通过降维处理图像数据. (2)...
  • 前言 上次说到小波变换的知识体系,这篇博客就主要说小波变换里的连续信号的连续小波变换与离散小波变换。 连续信号的连续小波变换 话不多说,我们先放公式,如果你...下面我们开始对上述方程开始分析,其中x(t...
  • 说明:本文件为转载,为便于以后查看特意转载记录 来源: 【编程随想】的技术博客 原帖网址:...--------------------------------------------------以下为转载内容----------------------------...
  • 小波与小波包、小波包分解与信号重构...小波包变换既可以对低频部分信号进行分解,也可以对高频部分进行分解,而且这种分解既无冗余,也无疏漏,所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析
  • Unity AssetBundle 冗余检测与资源分析

    千次阅读 2017-09-30 13:10:15
    检测冗余可以在未打包前对将要打包的资源做分析,但是这无法完全保证打包之后的 AssetBundle 完全无冗余,一是分析时无法保证正确无冗余,二是引用的内置资源无法剔除冗余,所以对打包之后的 AssetBundle 包进行检测...
  • 基于Java和MySQL的图书管理系统

    万次阅读 多人点赞 2018-06-20 21:41:17
    数据库设计达到第三范式,去除了所有非主属性对任何候选关键字的传递信依赖,冗余度低。 变量和方法命名符合规范,可读性强 不同的Model实体(表)对应不同的SqlTools操作,分开存放,程序复用性好,易扩展。 使用 ...
  • 《数据库原理》— 数据库系统概论第五版习题解析

    万次阅读 多人点赞 2017-05-29 14:57:48
    (参见书上 1 . 29 ) 外模式,亦称子模式或用户模式,是数据库用户(包括应用程序员和最终用户)能够看见和使用的局部数据的逻辑结构和特征的描述,是数据库用户的数据视图,是与某一应用有关的数据...
  • 毕业设计 微信小程序 音乐播放器

    万次阅读 多人点赞 2019-11-08 21:22:32
    大学室友根据网易云的API自己制作的微信小...由于本作品是微信小程序,就需要剔除APP中的各种冗余的功能,页面设计也需要尽可能的简单直接,内容也要充实。然后根据以上几点,对应用的功能模块进行大量的分析与重构...
  • 基于物品的协同过滤算法实现图书推荐系统

    万次阅读 多人点赞 2019-09-14 21:20:24
    2.3 关键算法 2.3.1 常见的推荐算法 2.3.2基于物品的协同过滤算法 第三章 系统设计 3.1 需求分析与建模 3.1.1 功能模块 3.1.2 类图 3.1.3 用例 3.2 可行性分析 3.3 系统数据库设计 第四章 详细设计 4.1 页面设计...
  • 树 有向 二维表 嵌套和递归 宿主语言(或主语言) 数据字典 单用户结构 主从式结构 分布式结构 客户/服务器结构 浏览器/服务器结构 现实世界 信息世界 计算机世界 第2章习题参考答案 一、选择题 ...
  • 小波图像融合综述

    千次阅读 2014-12-24 21:03:47
    融合算法应该充分利用各原图像的互补信息,使融合后的图像更适合人的视觉感受,适合进一步分析的需要;并且应该统一编码,压缩数据量,以便于传输。 图像融合可分为三个层次:  1. 像素级融合  2. 特征级融合 ...
  • canoco中文简明教程

    2018-04-14 16:45:17
    Canoco for Windows 是新一代的 CANOCO 软件,是生态学应用软件中用于约束与非约 束排序的最流行工具。Canoco for Windows 整合了排序以及回归和排列方法学,...● PrCoord:对特定数据集进行主坐标分析以及冗余分析
  • 分析各种冗余时间之间作用机理的基础上,以列车旅行时间和列车到发站延误时间最短为优化目标,建立运行图冗余时间优化布局模型。在此基础上引入遗传粒子群优化算法对模型进行求解,并用MATLAB仿真。以虚拟运行时刻...
  • 信息隐藏隐写与分析

    2019-04-24 19:31:58
    1、隐写:分别完成位图格式图像头文件冗余、图片尾部追加和数据区覆盖三种隐写。...2、分析:分别完成位图格式图像头文件冗余、图片尾部追加和数据区覆盖三种隐写图像与正常图像的分析及隐写数据的提取。
  • 图像加密-安全性分析

    千次阅读 2020-04-02 10:35:12
    直方是指统计图像中每一个灰度值出现的频率所绘制的,反映了图像最基本的统计特性。 二.相邻像素相关性分析 相邻像素相关性反映的是算法置乱效果的好坏。密文的相邻像素相关性越低,则表明算法的置乱效果越好...
  • 七自由度冗余机械臂运动学逆解与工作空间分析MATLAB实现冗余机械臂基本概念与典型结构冗余机械臂运动学逆解常用方法基于关节角参数化解析逆运动学求解基于臂型角参数化解析逆运动学求解基于臂型角参数化的冗余参数...
  • 第 卷第 期 罗 翔等 一种基于矢量分析的视觉伺服冗余机器人运动规划方法 7 结论 本文针对具有三轴相交手腕的冗余 机器人提出一种具有实用价值的运动速 度规划方法 该方法避免了冗余机器人 复杂 矩阵求解 借助...
  • 图像隐写分析-DCT特征编程实现

    千次阅读 2018-09-12 10:14:56
    在图像隐写分析中,这几个特征是比较经典的 图像隐写分析中DCT特征与Markov特征展现出了极大的潜力,小波变换的奇异值分解(Wavelet Singular Value Decomposition , WSVD)特征也有奇效,本文实现前人论文的特征...
  • 数据库系统概论(第五版) 王珊 第一章课后习题答案

    千次阅读 多人点赞 2019-12-23 16:18:55
    1 .试述数据、数据库、数据库系统、数据库管理系统的概念。 答: ( l )数据( Data ) :描述事物的符号记录称为数据。...数据库中的数据按一定的数据模型组织、描述和储存,具有较小的冗余度、较高的数...
  • 于是乎,在信息领域有了数据校验的概念,今天本文主要来简单聊聊其中的经典使用算法CRC(循环冗余校验)以及其在Ozone中的应用实践。 CRC和Checksum的关系 往往我们在谈论CRC的时候,马上会联想到Checksum这个词,...
  • CANOCO5.0教程

    2018-11-30 13:05:48
    该文档是CANOCA5.0教程资源,不过是英文教程,目前市场上较完整中文教程还不多见。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 117,394
精华内容 46,957
关键字:

冗余分析图的解释