标准偏差
共 19 篇文章
标准偏差 相关的电子技术资料，包括技术文档、应用笔记、电路设计、代码示例等，共 19 篇文章，持续更新中。
基于小波系数的近红外光谱局部建模方法与应用研究
·摘 要:局部建模方法使用与预测样本相似的样本建立模型,可解决光谱响应与浓度之间的非线性问题,扩大模型的适用范围,提高预测准确度。采用小波变换进行数据压缩并利用小波系数之间的欧氏距离作为光谱相似性的判据,实现了近红外光谱定量分析的局部建模方法,避免了样本之间的依赖性。将所建立的方法用于烟草样品中氯含量的测定,100次重复计算得到的预测集均方根误差（RMSEP）平均值为0.0665,标准偏差（σ）为
一种基于人眼视觉特性和静态小波变换的乳腺图像增强和去噪方法
·摘 要:给出了一种基于人眼视觉特性的乳腺图像增强方法．把局部标准偏差方法应用到乳腺图像增强中，根据人眼视觉特性，人为修改灰度值，利用静态小波变换对其进行多尺度去噪和增强．实验结果显示这种方法取得了良好的效果．[著者文摘]
基于二次样条小波的P波检测方法
·摘要： 为了能够准确地检测P波,本文应用二次样条小波变换的方法,在特定的分解尺度上,寻找QRS波前搜索窗内的极值对信息,再在极值对之间寻找极值点即为P波的顶点,最后根据P波的顶点位置,在其左右利用局部变换的方法实现对起止点的最终定位.二次样条小波变化的方法,能够很好地避开漂移、高频等噪声的干扰.利用CSE标准数据库定量的衡量P波检测的准确度,平均偏差为-0.7ms,标准偏差为7.7m
红外中波细分图像的小波包变换融合研究
·摘 要:分析了红外中波段的两个细分波段（3．4μm～4．1μm和4．5μm～5．3μm）的成像特点，提出了基于二维小波包变换和局部能量的两个红外中波细分波段图像的融合算法．实验结果表明，融合图像同细分图像和未细分图像相比，标准偏差分别增加了6．47％和1．50％，多向粗糙度分别增加了4．82％和4．32％，而太阳影响参数分别下降了4．96％和9．03％，融合了两幅细分图像中比较清晰的信息，减少了
基于B样条曲线模型的彩色图像分割
提出一种可靠的色彩建模方法，建立基于亮度变化的色彩统计特征数学模型，其特征包含随亮度变化的色度、饱和度的均值以及标准偏差，应用B样条对模型进行曲线拟合，实现彩色图像分割。实验结果表明，该算法的分割效果
锡膏制程改善
本文以六标准偏差管理手法的流程步骤-DMAIC，针对SMT锡膏印刷制程质量改善，首先找出关键质量特性，求得量测數据之可靠性，并对量测仪器进行量具重现性与再现性之能力分析，在确认制程能力后，归纳找出影响制程的关键因子，再利用实验设计（Design of Experiments，DOE）來进行实验，找出最适參數组合。
三相电子电能表检定装置
<p class="MsoPlainText" style="text-indent:21.0pt;">
基本误差<span></span>
</p>
<p class="MsoPlainText" style="text-indent:21.0pt;">
在相关国标、规程规定的参比条件下，输出电流为<span>50mA</span>～<span>120A</span>装置的最大允许误差（含标
控制重量、识别不合格的烟支、识别软点和硬点、计算烟条重量偏差、计算长期和短期标准偏差、计算端头压实量和压实端位置、采集烟支产量、故障信息和各种废品烟支数据（带数据采集板）
控制重量、识别不合格的烟支、识别软点和硬点、计算烟条重量偏差、计算长期和短期标准偏差、计算端头压实量和压实端位置、采集烟支产量、故障信息和各种废品烟支数据（带数据采集板）
求标准偏差 > function c=myfunction(x) > [m,n]=size(x) > t=0 > for i=1:numel(x) >
求标准偏差
> function c=myfunction(x)
> [m,n]=size(x)
> t=0
> for i=1:numel(x)
> t=t+x(i)*x(i)
> end
> c=sqrt(t/(m*n-1))
function c=myfunction(x)
[m,n]=size(x)
提取信号七个基于瞬时信息的特征：零中心归一化瞬时幅度功率谱密度的最大值,零中心归一化瞬时幅度绝对值的标准偏差
提取信号七个基于瞬时信息的特征：零中心归一化瞬时幅度功率谱密度的最大值,零中心归一化瞬时幅度绝对值的标准偏差，零中心非弱信号段瞬时相位非线性分量绝对值标准偏差，零中心非弱信号段瞬时相位非线性分量标准偏差，零中心归一化的非弱信号段瞬时频率绝对值的标准偏差，一个信号段的归一化瞬时频率功率谱密度的最大值，根据信号 QPSK 和16QAM在 XI 轴投影的不同表现，提出特征参数。
输入信号五个基于瞬时信息的特征：零中心归一化瞬时幅度功率谱密度的最大值,零中心归一化瞬时幅度绝对值的标准偏差
输入信号五个基于瞬时信息的特征：零中心归一化瞬时幅度功率谱密度的最大值,零中心归一化瞬时幅度绝对值的标准偏差，零中心非弱信号段瞬时相位非线性分量绝对值标准偏差，零中心非弱信号段瞬时相位非线性分量标准偏差，零中心归一化的非弱信号段瞬时频率绝对值的标准偏差，得到识别出的信号类别，本例为2PSK, 4PSK, GMSK, OQPSK, pi/4DQSK中的一个，还可以看Art网络的扩展性。
一
一， 一般步骤
（1），消除或减小恒定系差
（2），求测量数据的数学期望 ，即算术平均值 ：
， 其中n为测量数据次数， 为第 次测量的数据。
（3），求剩余误差 ：
（4），根据贝塞尔公式求标准偏差 ：
（5），检查是否有粗大误差。检查时用了肖维纳准则。如果某次测量的结果 所对应的 ，则认为是坏值，予以剔除。
（6），如有坏值，剔除后重新进行步骤（2）～（5）的计算，
大学物理试验经常要数据处理
大学物理试验经常要数据处理，计算不确定度和标准偏差，这个小程序能够帮你轻松计算出结果。
求标准偏差 > function c=myfunction(x) > [m,n]=size(x) > t=0 > for i=1:numel(x) >
求标准偏差
> function c=myfunction(x)
> [m,n]=size(x)
> t=0
> for i=1:numel(x)
> t=t+x(i)*x(i)
> end
> c=sqrt(t/(m*n-1))
function c=myfunction(x)
[m,n]=size(x)
用来描述融合图像的熵值
用来描述融合图像的熵值，标准偏差以及标准差的评价程序。
求标准偏差 > function c=myfunction(x) > [m,n]=size(x) > t=0 > for i=1:numel(x) >
求标准偏差
> function c=myfunction(x)
> [m,n]=size(x)
> t=0
> for i=1:numel(x)
> t=t+x(i)*x(i)
> end
> c=sqrt(t/(m*n-1))
function c=myfunction(x)
[m,n]=size(x)
求标准偏差 > function c=myfunction(x) > [m,n]=size(x) > t=0 > for i=1:numel(x) >
求标准偏差
> function c=myfunction(x)
> [m,n]=size(x)
> t=0
> for i=1:numel(x)
> t=t+x(i)*x(i)
> end
> c=sqrt(t/(m*n-1))
function c=myfunction(x)
[m,n]=size(x)
对随机变量以自变量的几组观测数据作多元线性回归（求得平均标准偏差
对随机变量以自变量的几组观测数据作多元线性回归（求得平均标准偏差，复相关系数和回归平方和）
!逐步回归分析程序： ! M：输入变量
!逐步回归分析程序：
! M：输入变量，M=N+1，其中N为自变量的个数；M包括的因变量个数
! K：输入变量，观测点数；
! F1：引入因子时显著性的F-分布值；
! F2：剔除因子时显著性的F-分布值；
! XX：存放自变量和因变量的平均值；
! B：存放回归系数；
! V：存放偏回归平方和和残差平方和Q；
! S：存放回归系数的标准偏差和估计的标准偏差；