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

458 2 打赏收藏转发到动态举报

写回复

2 条回复

切换为时间正序

请发表友善的回复…

发表回复

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

【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/

。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

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

【题目】:已知三个类别分别为W1:[0,0]T，[2,1]T,[1,0]T; W2:[-1,1]T，[2,0]T,[-2,-1]T; W3:[0,-2]T，[0,-1]T,[1,-2]T。以协方差矩阵相等和不相等两种情况,基于最小错误率的Bayes分类器进行仿真,画出三类的分界线,并判断样本[-2,2]T属于哪一类?

69,371

社区成员

243,082

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

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