墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.2k累计阅读
1.2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Matlab缺失值填补
缺失值是指数据集中的某些元素或变量缺失或无效的情况。在数据分析和建模过程中，处理缺失值是一项重要的任务。当数据集中存在缺失值时，我们需要采取适当的方法来填补这些缺失值，以确保我们能够有效地分析数据和建立准确的模型。在本文中，我们将介绍在Matlab中进行缺失值填补的几种常见方法，并提供相应的源代码示例。
最简单的处理缺失值的方法是直接删除包含缺失值的观测数据。这种方法适用于缺失值较少且对整体数据集影响不大的情况。在Matlab中，可以使用isnan函数和逻辑索引来实现这一方法。
data = [1 2 NaN 4 5 NaN 7];
Matlab：数据清洗与缺失值处理
Matlab提供了许多函数用于数据清洗，其中最常用的是unique()、isnan()和isoutlier()函数。而缺失值是一种常见的数据异常情况，在缺失值处理工作中，需要将缺失值转换成可进行统计分析的形式。Matlab作为一种常用的数学计算软件，提供了丰富的数据处理和分析工具，本篇文章将介绍如何利用Matlab进行数据清洗和缺失值处理的工作。Matlab提供了许多函数来处理缺失值，其中最常用的是fillmissing()函数。处理缺失值的方法取决于数据本身的特点和研究的目的。
数据处理 | MATLAB实现KNN(K近邻)缺失数据填补
回归预测 | MATLAB实现KNN(K近邻)缺失数据填补 目录回归预测 | MATLAB实现KNN(K近邻)缺失数据填补基本介绍插补描述程序设计参考资料 基本介绍 用于缺失值插补的单变量方法是估计值的简单方法，可能无法始终提供准确的信息。k-最近邻（kNN）这样的算法可以帮助对缺失数据的值进行插补。社会学家和社区研究人员认为，人类之所以生活在一个社区中，是因为邻居们产生了一种安全感、对社区的依恋感以及通过参与各种活动而产生社区认同感的人际关系。对数据起作用的一种类似的插补方法是k-最近邻（kNN），它通
数据处理 | MATLAB实现RF(随机森林)缺失数据填补
数据处理 | MATLAB实现RF(随机森林)缺失数据填补 目录数据处理 | MATLAB实现RF(随机森林)缺失数据填补基本介绍插补描述程序设计参考资料致谢 基本介绍 用于缺失值插补的单变量方法是估计值的简单方法，可能无法始终提供准确的信息。现实中收集的数据，几乎不可能是完美无缺的，往往会有一些缺失值，面对缺失值，很多人先择的方法是直接将包含缺失值的样本删除，这是一种有效的方法，但是有时候填补缺失值比之际丢弃样本有更好的效果。RF(随机森林)这样的算法可以帮助对缺失数据的值进行插补。 随机森林是一种用于
数据预处理实战：缺失值填补与平稳性转换全解析
时间序列的平稳性分为严格平稳和弱平稳（或协方差平稳）。严格平稳要求序列的所有统计性质不随时间变化，而弱平稳仅要求均值、方差恒定且自协方差仅依赖于时间间隔。在实际应用中，弱平稳是多数模型（如ARIMA）的基本前提。在时间序列理论中，单整阶数（Order of Integration）是衡量非平稳程度的重要指标。一个序列被称为 $ I(d) $，表示需要经过 $ d $ 次差分才能转化为平稳序列。$ I(0) $：本身已是平稳序列，无需差分。$ I(1) $
默认参数：将缺失/空变量或字段设置为给定值-matlab开发
这个简单的辅助函数让您可以用更短更清晰的替代方法替换常见的输入参数处理代码。 例如，而不是： 如果 nargin < 2 x = 42; 结尾如果 ~isfield(options, 'verbose') options.verbose = false; 结尾如果 ~isfield(options, 'method') options.method = 1; 结尾 你可以简单地拥有： 默认（'x'，42） 默认（选项，'详细'，假） 默认（选项，'方法'，1） 通过避免 nargin，您可以更轻松地更改函数定义而不会弄乱所有参数编号，例如更改：function blah(input, verbose) 到：函数等等（方法，输入，选项，详细） 只需要方法和选项参数的新默认命令，而使用 nargin 需要更改输入和详细信息。 我觉得这很有用——我希望其他人也这样做！ :-)
【Linux内核】Linux内核裁剪完全指南：从理论到实战的系统优化
在嵌入式设备、专用服务器和物联网系统日益普及的今天，如何让Linux系统在资源受限的环境中高效运行成为开发者必须面对的问题。Linux内核裁剪正是解决这一问题的关键技术，它通过移除不必要的内核组件，打造出更精简、更安全、更高效的自定义操作系统。本文将系统全面地介绍Linux内核裁剪的完整流程和实用技巧，帮助您掌握这一核心技能。Linux内核裁剪是一项结合技术知识与实践经验的系统工程。明确需求：裁剪前必须清晰了解目标系统的硬件配置和功能需求。循序渐进：采取小步修改、反复测试的策略，避免一次性大幅修改。
mac安全干净卸载Anaconda3
主要原因是python命令没有映射到已经安装的python版本上，则需要添加。修改~/.bash_profile文件，将anaconda相关删除。现在想卸载Anaconda，恢复使用mac系统自带的Python。最后在mac的应用目录删除Anaconda。查看所有版本的python所在安装目录。或者不使用软连接映射，也可使用。再次查看python映射。查看python版本。建立软连接，添加映射。
【2025最新】Multisim 14.3超详细安装步骤 【附安装包+永久+汉化】|Multisim 14.3
嗨，小伙伴们！是不是一直在找可靠的multisim下载安装教程？今天就给大家带来超详细的2025年Multisim 14.3安装全攻略！这款电路仿真神器绝对是学电子、做电路设计的必备工具！很多朋友后台留言说安装时各种报错、汉化失败，所以我决定出一期零基础、保姆级的教程，从下载到安装再到汉化，全部一步到位搞定！按照我的步骤来，包你顺利安装不出错！！！通过本教程，相信大家已经成功安装并配置好了Multisim 14.3。这款电路仿真神器能帮你设计和测试各种电路，从简单的LED闪烁到复杂的信号处理电路都不在话下。
【博客汇总】UV打印机博客汇总
UV平板机博客汇总
YOLO26涨点改进 | 细节涨点篇 | 源自SCI一区 | YOLO26引入HWD小波下采样模块,而不会显著增加计算开销，(适合小目标分割任务、小目标检测任务)
本文提出了一种基于Haar小波变换的下采样模块HWD，用于改进YOLO26目标检测性能。HWD模块通过小波变换降低特征图分辨率，同时将空间信息编码到通道维度，有效保留了关键信息。相比传统下采样方法，HWD能显著减少信息不确定性，提升小目标检测精度。实验表明，该模块可无缝集成到CNN架构中，不增加计算开销。文章详细介绍了HWD的实现原理、代码结构以及在YOLO26中的集成方法，并提供了两种改进版yaml配置文件。该创新模块已在多种数据集上验证有效，特别适合语义分割和目标检测任务。
CRC_16---ModBus 计算方法及代码实现
1、 CRC寄存器初始值为 0xFFFF；即16个字节全为1； 2、 CRC-16 / ModBus的多项式0xA001H (1010 0000 0000 0001B) ； ‘H’表示16进制数，‘B’表示二进制数。 计算步骤为： (1).预置 16 位寄存器为十六进制 0xFFFF（即全为 1） ，称此寄存器为 CRC 寄存器； (2).把第一个 8 位数据与 16 位 CRC 寄存器的低位相异或，把结果放于 CRC 寄存器； (3).检测相异或后的CRC寄存器的最低位，若最低位为1，CRC寄存器
【100分- 求最多可以派出多少支团队】（题目+思路+Java&C++&Python解析+在线测试)
用数组代表每个人的能力，一个比赛活动要求参赛团队的最低能力值为N，每个团队可以由1人或者2人组成，且1个人只能参加1个团队，计算出最多可以派出多少只符合要求的团队。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
3250
扫一扫
