社区
C语言
帖子详情
如何找出正态分布的阈值
foolish88
2003-10-10 11:05:19
现有组数是正态分布,如何找到阈值,谢了。
...全文
459
2
打赏
收藏
如何找出正态分布的阈值
现有组数是正态分布,如何找到阈值,谢了。
复制链接
扫一扫
分享
转发到动态
举报
写回复
配置赞助广告
用AI写文章
2 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
Jinhao
2003-10-10
打赏
举报
回复
O是菜鸟一个,不解专业名词,学习拉
cnxiaohai
2003-10-10
打赏
举报
回复
Jinhao(辣子鸡丁)
哈哈
你在这谦虚呀
四个裤衩了还谦虚
说实话
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~`
我不会
帮你友情UP
探地雷达图像处理项目源码,已实现B-Scan图像病害提取、病害类型甄别、二层钢筋识别、病害厘米级定位等功能.zip
【资源说明】 1、该资源包括项目的全部源码,下载可以直接使用! 2、本项目适合作为计算机、数学、电子信息等专业的课程设计、期末大作业和毕设项目,作为参考资料学习借鉴。 3、本资源作为“参考资料”如果需要实现其他功能,需要能看懂代码,并且热爱钻研,自行调试。 探地雷达图像处理项目源码,已实现B-Scan图像病害提取、病害类型甄别、二层钢筋识别、病害厘米级定位等功能.zip # Ground-Penetrating-Radar-Image-Processing 一个探地雷达图像处理项目,已实现B-Scan图像病害提取、病害类型甄别、二层钢筋识别、病害厘米级定位等功能,待实现的功能有声呐图像处理、利用深度学习实现病害分类等。
## 对空洞与脱空病害的识别、定位、分类 * 概述
本应用由三种基本的算法支持,即病害提取算法、相位特征提取算法和形状特征提取算法,具体算法总流程如图4所示。其中病害提取算法是另外两种算法的基础,病害提取算法通过提取病害图像在行方差上的分布特征,
找出
我们感兴趣的有病害区域。进而,相位特征提取算法在直方图均衡、图像二值化等基础上,进行列求导,并提取病害区域的相位特征,根据不同相位特征我们可以对病害进行初步分类,即将含水层与空洞和脱区分开。最后,形状特征提取算法运用F-K偏移算法、图形分割、形状模式识别等操作,在形态学特征上,区分空洞与脱空。
![算法总流程图] * 病害提取算法 * 实现功能
本算法以当前高速公路地下混凝土结构病害的GPR信号为研究对象,设计给出一种自动定位GPR信号病害位置的算法;根据GPR信号公路路基图像有无病害的行方差分布的区别,结合
阈值
法区分出图像有无病害,并提取病害位置,节省了大量时间和人力。此外,行方差和
阈值
法不受外界固定干扰和混凝土层结构的影响,准确度高。符合当代高速公路地下混凝土结构GPR信号病害自动定位的迫切要求,有很大的经济和现实意义。
* 结果展示
![筛选病害结果展示] * 相位特征提取算法 * 实现步骤
步骤1:根据3.1.1病害提取算法得到的有病害图像行段,对GPR图像像素进行归一化,得到矩阵NI;
步骤2:对矩阵NI进行直方图均衡处理,得到矩阵NI_H;
步骤3:对矩阵NI_H进行三值化,三值化
阈值
根据类
正态分布
法设定,得到矩阵NI_HB;
步骤4:对矩阵NI_HB的每列进行求导,然后对求导后的每列分别进行处理,使每列中相位相邻元素之间为异号,最终得到两种相位类型;
步骤5:选取数量较多的相位类型作为GPR图像病害类型。
* 实现功能
以当前高速公路地下混凝土结构病害的GPR信号为研究对象,设计给出一种突出GPR信号病害算法;采用了结合归一化、直方图均衡、
阈值
选取、三值化算法,突出病害位置和特征,有利于进一步提取病害特征。实现了高速公路地下常见病害:脱空、空气、含水层的特征突出,具有一定现实意义,符合探地雷达行业病害识别自动化的追求目标,具有很大的现实意义。 * 效果展示
![原图、直方图均衡、三值化效果对比] ![相位特征算法处理结果] * 形状特征提取算法 * 实现步骤
略 * 实现功能
略 * 效果展示
略 ## 二层钢筋定位识别 ![钢筋正对25cm10cm] ![900M-钢保较小侧](https://github.com/Paul95278/
统计和数据分析软件包 Minitab 20.2.0.0 x64 中文多语免费版.zip
。Minitab 下载提供统计分析、可视化分析、预测式分析和改进分析来支持数据驱动型决策。无论是否具备统计背景知识,Minitab 都可以通过其易于使用的软件或统计专家支持网络帮助企业更好地预测结果、设计更出色的产品并创造更美好的未来。 统计和数据分析软件包 Minitab 19 中文多语特别版统计和数据分析软件包 Minitab 中文版 无缝的数据准备 仅需单击导入,即可自动完成数据准备。直观的菜单选项可用于排序、堆叠、转置数据并对其进行重新编码。 轻松展示演示文稿 将图形和输出结果直接导出到 Microsoft Word 或 PowerPoint,从而轻松创建演示文稿并共享结果。 发现和探索 查看当前和过去的数据以
找出
趋势和模式。揭开变量之间的隐藏关系。使用 Minitab 数据分析软件来识别能够回答最具挑战性的问题的重要因素。 描述性统计和推理性统计 即便是非统计专家也能轻松使用的统计。轻松确定分布、关联、异常值或缺失值。 关键的统计检验包括:配对 t 检验、单比率和双比率检验、正态性检验、卡方检验和非参数检验。 预测式分析 可深入数据内部的高级分析和机器学习技术。 用于 Logistic 回归、因子分析、变量聚类的工具。 可视化 展示您的发现的图形输出;散点图、气泡图、箱线图、点图、直方图、图表、时间序列图等。 在数据发生改变时对图形进行无缝更新。使用更新的笔刷功能放大图形的所需部分,更详细地研究关注点。 Minitab 的“协助” Minitab 的“协助”是内置的交互式功能,可指导您完成整个分析,甚至还可以帮助您解释和显示结果。 Quality Trainer Quality Trainer 电子学习课程(单独出售)包括动画课程、小测验和动手实践练习,可帮助您轻松学习使用 Minitab Statistical Software 的统计知识。 Minitab® 20 * 新增功能或改进功能 协助 测量系统分析 能力分析 图形分析 假设检验 * 回归 DOE 控制图 图形 散点图、矩阵图、箱线图、点图、直方图、控制图、时间序列图等 等值线图和旋转 3D 图 概率图和概率分布图 数据更改时自动更新图形 * 对图形使用笔刷以研究关注点 * 导出:TIF、JPEG、PNG、BMP、GIF、EMF 基本统计量 描述性统计量 单样本 Z 检验、单样本 t 检验、双样本 t 检验、配对 t 检验 单比率检验和双比率检验 单样本 Poisson 率检验和双样本 Poisson 率检验 单方差检验和双方差检验 相关和协方差 * 正态性检验 异常值检验 Poisson 拟合优度检验 回归 线性回归和非线性回归 * 二元、顺序和名义 Logistic 回归 * 稳定性研究 偏最小二乘 正交回归 Poisson 回归 图:残差、因子、等值线、曲面等。 逐步:p 值、AICc 和 BIC 选择标准 * 最佳子集 * 响应预测和优化 * 方差分析 方差分析 一般线性模型 混合模型 多元方差分析 多重比较 响应预测和优化 * 等方差检验 图:残差、因子、等值线、曲面等。 均值分析 测量系统分析 数据收集工作表 量具 R&R 交叉 量具 R&R 嵌套 扩展的量具重复性与重现性 量具运行图 量具线性和偏倚 类型 1 量具研究 属性量具研究 属性一致性分析 质量工具 运行图 Pareto 图 因果图 变量控制图:XBar、R、S、XBar-R、XBar-S、I、MR、I-MR、I-MR-R/S、区域、Z-MR 属性控制图:P、NP、C、U、Laney P’ 和 U’ 时间加权控制图:MA、EWMA、CUSUM 多变量控制图:T 方、广义方差、MEWMA 稀有事件控制图:G 和 T 历史/过程偏移控制图 Box-Cox 和 Johnson 变换 个体分布标识 过程能力:正态、非正态、属性、批处理 * Process Capability SixpackTM 公差区间 抽样验收和 OC 曲线 * 试验设计 确定性筛选设计 Plackett-Burman 设计 二水平因子设计 裂区设计 一般因子设计 响应曲面设计 混料设计 D 最优设计和基于距离的设计 田口设计 用户指定的设计 分析二进制响应 * 分析因子设计的变异性 修补试验 效应图:正态、半正态、Pareto 响应预测和优化 * 图:残差、主效应、交互作用、立方、等值线、曲面、线框 可靠性/生存 参数分布分析和非参数分布分析 拟合优度测量 确切失效数据、右删失数据、左删失数据和区间删失数据 加速寿命检验 寿命数据回归 检验计划
阈值
参数分布 可修复系统 多种失效模式 概率单位分析 Weibayes 分析 图:分布、概率、故障、生存 保证分析 功效和样本数量 用于估计
PowerBI系列之统计类DAX函数专题
常用统计指标概念的复习(平均数、分位数和方差、标准差)验证DAX中的方差函数VARDAX平均数vs 分位数DAX平均数vs 方差DAX制作
正态分布
曲线DAX计算
正态分布
概率DAX实现二项分布DAX泊松分布概率和曲线DAX指数分布概率和曲线DAX排列组合DAX置信区间排名函数RANKX详解组内排名的实现
谈谈统计学
正态分布
阈值
原理在数据分析工作中的运用
一、背景 0.0 神说,要有
正态分布
,于是就有了
正态分布
。 0.1 神看
正态分布
是好的,就让随机误差都随了
正态分布
。 0.2
正态分布
的奇妙之处,就是许多看似随机事件竟然服从一个表达式就能表达的分布,如同上帝之手特意为之。 神觉得抛硬币是好的,于是定义每个抛出硬币正面记+1分,反面记-1分。创世纪从0分开始,神只抛1次硬币,有2种可能:一半的概率+1分,一半的概率-1分。此时概率分布大概是这样的: 神决定扔10个硬币,此时概率分布如下: 如果画图来感受,数据分布大概如下: ..
利用
正态分布
进行异常点检测
利用
正态分布
进行异常点检测 风控中安全中我们需要检测异常点,异常点对于黑白样本区分,模型评价,数据分析都具备重要的意义。本文主要就利用
正态分布
检测异常点的思想进行介绍。 核心思想
正态分布
实际上是一个自然现象,很多事件都属于
正态分布
,比如人的身高,考试成绩,血压等。利用事物自身分布满足
正态分布
的特点,如果出现小概率事件(概率低于 0.5%),那么该事件被认为异常点。 拿标准的
正态分布
来说,三个标准差(σ)覆盖的范围内,可以覆盖 99.7% 的数据,那么在 3σ 以外的数据就可以认定为异常点。 什么样的数据
C语言
69,371
社区成员
243,082
社区内容
发帖
与我相关
我的任务
C语言
C语言相关问题讨论
复制链接
扫一扫
分享
社区描述
C语言相关问题讨论
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章