单向重复测量方差分析用于分析自变量和因变量之间的关系。 它是相关组 t 检验的扩展，其主要优点是控制可能影响因变量的干扰变量或个体差异。 与独立组方差分析（受试者间）相比，重复测量程序通常更强大（即导致更大的可能性通过假设拒绝错误的零值）。 从统计上讲，这是因为参与者之间的个体差异导致的不需要的可变性（错误）可以量化并从 F 比率的分母中删除。 此过程需要较少的参与者，但它可能会引起研究混淆，例如顺序或实践效果以及参与者偏见。 总可变性分为两个部分： - 科目之间。 由于参与者之间的个体差异而导致的分数可变性。 - 科目内。 受试者内部变异性细分为以下组成部分： -治疗。 处理平均值之间的差异（与独立组方差分析中的 MS 相同）。 -剩余的。 剩余的或不需要的错误可变性（可以被认为是对参与者的治疗效果的不一致）。 它需要输入 X 数据矩阵（矩阵的大小必须是 n×3；因变量=第 1

******** 警告 ********* 该程序最初是在 MATLAB 不支持重复测量方差分析时发布的。 但是，自几个版本之前，MATLAB 统计工具箱已添加此功能（请参阅 fitrm 函数）。 因此，该程序现已弃用，不再推荐。 问题是它只支持 fitrm 可以解决的问题的一个非常小的子类。 此外，它可能没有像 fitrm 那样经过广泛的测试，因此它可能不会在所有情况下都产生正确的结果。 我将程序保持原样，但将不再维护。 ****************************** [p, table] = anova_rm(X, displayopt) 执行重复测量方差分析，以比较一个或多个样本（组）中两列或更多列（时间）的均值。 尽管列数（跟进）应该相同，但支持不平衡样本（即每组不同数量的受试者）。

建模汇率波动性至关重要，因为它对公司的获利能力和决策者的决策具有多种影响。 本文通过对2006年4月1日至2018年1月31日期间的USDINR和EURINR日汇率应用滚动对称和非对称GARCH模型，对印度货币的汇率波动进行了实证研究。得出的总观察值为2861。 （1,1）和EGARCH（1,1）模型，数据窗口滚动了五年，有近1200个观测值，一个月用作每个窗口的预测期。 样本内准则（例如对数似然准则，Akaike信息准则（AIC），贝叶斯信息准则（SIC）和Hannan Quinn准则（HQC））以及样本外准则（例如均方误差（MSE））和平均绝对误差（MAE）已用于测试模型拟合和预测模型的准确性。 为了检验结果的稳健性，使用Diebold-Mariano检验来比较两个模型的预测准确性。 此外，还通过将样本期分为印度汇率的平静和波动时期来测试这两种模型的预测准确性。 结果表明，具有广义误差分布的GARCH（1,1）模型足以捕获USDINR和EURINR汇率收益的均值和波动过程。

实 验 报 告学 院： 电子信息工程实验课程： 计算方法学生姓名：学 号：

图像质量评价的研究已成为图像信息工程的基础技术之一。由于图像的最终接受者是人，所以评价图像质量应反映出人类的主观视觉感知。为构造一种符合人眼视觉特性的图像质量评价方法，利用点扩散函数针对人眼建立了含有波前像差信息的图像视觉评价模型，并用此模型分别对添加不同噪声的图像进行图像质量评价。实验结果表明，该方法是可行的、有效的，不同的人眼对同一幅图像的评价存在有差异，人眼波前像差越小观察到的图像越清晰。该方法不仅能够在评价图像质量时准确反映人眼的主观感知，而且能够直观地呈现不同人眼实际看到的图像。

卡尔曼定位 通过误差状态卡尔曼滤波器使用 GPS/INS/罗盘的传感器融合实现定位的 MATLAB。 MATLAB 代码大量借鉴了 Paul D. Groves 的著作《GNSS 原理、惯性和多传感器集成导航系统》，他的代码被标记为他的，并在 BSD 许可下持有。 请注意：我无法提供我的测试数据，因为它是使用通用汽车拥有的车辆收集的。请参阅初始化脚本中的注释以获取数据格式的描述，您应该能够调整自己的数据。或者，本书附带一张 CD-ROM，其中包含他的代码（完全工作的过滤器）以及用于生成测试数据的系统

基于最小二乘误差谱的有效奇异值选择

线性回归、拟合、MATLAB、误差分析、搜索法

关于有限时域差分法，Lumerical-FDTD Solutions的中文指导手册，非常详细，每一个图标的意义和用法都有解释说明，从软件各个图标含义，到使用步骤和建模流程，以及背后理论解释，都有详解。从事光学建模仿真相关学习的朋友可以参考。

德国大陆集团GD&T公差培训教材