清华大学《过程辨识》为基础的教学课件，word格式

https://blog.csdn.net/ljw_study_in_CSDN/article/details/117775766 博客配套代码+数据集文件

1、最小二乘辨识的基本概念 2、一般最小二乘辨识方法 3、加权最小二乘辨识方法 4、递推最小二乘参数辨识方法 5、处理有色噪声的最小二乘法 6、多变量最小二乘辨识方法 本章内容

经典算法matlab代码实现，经过测试，完全可用，用于计算机视觉的图像标定。

偏小二乘法检验matlab代码PLSR-ANFIS 介绍 PLSR-ANFIS是一个 MATLAB 软件包，它同时使用偏最小二乘回归 (PLSR) 和自适应网络模糊推理系统 (ANFIS) 在一组自变量 ( X ) 和因变量之间建立预测模型。变量 ( Y )。 该模型采用如下两阶段方法： 阶段1： 第 1 部分：使用 PLSR，建立预测模型来估计Y。 这表示为YP 。 第 2 部分：使用 PLSR，建立预测模型来估计YP的误差。 这表示为ErrP或预测错误。 阶段 2：使用 ANFIS 建立预测模型来估计Y ，使用YP和ErrP作为其输入。 这表示为modYP 。 如何使用代码？ MCode 目录下有几个 MATLAB 代码可用。 两个主要功能是： [result, detail]=train_PLSR_ANFIS(X,Y,inputMFTypes,mfNum) 和 [modYP,YP,ErrP]=eval_PLSR_ANFIS(X,PLSR_ANFIS_Result) 顾名思义，第一个用于训练和建立建议的两阶段模型，第二个用于在新数据集上评估模型。 还有两个测试文件可用，展示了如何使

偏小二乘法检验matlab代码铁匠QSM 版权所有 (C) 2021 Valentinos Zachariou，肯塔基大学（有关详细信息，请参阅许可证文件）。 Ironsmith 提供的第三方软件受其自身许可和版权的约束（详情请参见第 7 节）。 该软件仅为研究目的而开发，并非临床工具。 描述： Ironsmith 是一个全面的、全自动的管道，用于创建和处理定量磁敏图 (QSM)，从皮层下和皮层大脑区域提取基于 QSM 的铁浓度，并使用每个 ROI SNR 措施评估 QSM 数据的质量。 Ironsmith 还可以过滤掉每个 ROI 异常值 QSM 值（例如与大静脉相关的值），并为 QSM 重建提供精确的仅 CSF 参考区域，以最大限度地减少部分体积效应。 铁匠可以执行以下任务： a) 使用 MEDI 工具箱自动从 GRE DICOM 图像创建 QSM 地图的过程（有关详细信息，请参阅第 7 节） 。 b) 将 MPR 或多回波 MPR (MEMPR) T1 图像注册到 QSM 地图，然后使用 FreeSurfer 将这些图像分割成 89 个 ROI （第 8 节中的 ROI 列表）

偏小二乘法检验matlab代码GeneExp_and_CNV_FCsignatures 用于再现 AHBA 基因表达空间模式与 16p11.2 缺失和 22q11.2 缺失的 FC 特征之间关联结果的脚本。 请引用：。 依赖关系 该代码是在 R2019b 中编写和测试的，还包括重现报告的分析和统计数据所需的数据。 脚本可以直接运行以重现偏最小二乘回归 (PLSR) 分析和每个基因分析的相关性。 此外，还包含一个 R 脚本以使用 和 制作直方图。 分析 调用偏最小二乘回归 (PLSR) 和每个基因相关性分析。 运行： script_call_PLSR_and_CorrPerGene.m 这将调用以下脚本： 1： code/script1_call_PLSR_nodal_and_regional.m 然后 2： code/script2_call_CorrPerGene.m PLSR 结果（解释的百分比方差 (PCTVAR) 和 p 值）以及 CorrPerGene 结果（Pearson r、p 值、FDR p 值）作为 .xlsx 文件保存在data文件夹中。 最后，可以使用 16p11

加惩罚项的最小二乘法.py

最小二乘法.py

阻尼最小二乘法matlab代码预测风速 准备资料 用于训练的数据集是从伦敦气象数据获得的。 我已经准备好Excel工作表中的数据，并在MATLAB中以矩阵形式读取数据。 数据中有很多功能，我需要选择相关数据进行培训。 特定时期内的温度和平均温度等特征是重要特征。 我排除了诸如风向和阵风等特征，因为这些特征与风速的相关性最小。 数据中没有显示的另一个重要功能，但我添加的是数据的月份，因为季节对风速有重大影响。 最后，所有功能都集成在excel工作表中并从MATLAB中读取。 训练 我使用的数据集有5个要素作为输入。 使用“ fitnet”功能生成神经网络。 在我们的代码中，fitnet函数训练一个神经网络，该神经网络具有两个隐藏层以及输入和输出层。 网络的第一层有5个神经元，它充当输入层，并向其提供了样本数据的矢量。 引入了两个分别具有10和5个神经元的隐藏层，以使网络能够学习数据集中的复杂数学关系。 我已使用LM反向传播方法进行训练。 Levenberg-Marquardt算法（也称为阻尼最小二乘方法）经过专门设计，可与采用平方误差总和形式的损失函数配合使用。 考虑一个损失函数，它可以