SAS实现的Nemenyi检验算法

在SAS统计分析软件中，常用于进行t检验的过程包括PROC UNIVARIATE、PROC MEANS以及本章重点讲解的PROC TTEST过程。

基于Chen等人的论文“用于域自适应的边缘化堆叠降噪自动编码器”，提供了MATLAB精度检验代码，实现和评估边缘化堆叠降噪自动编码器（mSDA）。代码同时提供了MATLAB和Python实现，后者是对MATLAB版本的严格翻译，并对变量名和注释进行了优化。此外，为了加速高维数据的处理，项目还包含了对该算法的快速近似实现。示例应用展示了mSDA在文档分类中的应用，使用了20个新闻组数据集进行演示。数据预处理过程包括停用词处理和特征选择，详细代码在process_data.py中实现。

这款工具提供了多达十几种校验算法，包括CRC-8正序、CRC-8逆序以及多达9种CRC-16算法。

Statistics菜单下的Hypothesis Tests功能允许进行多种假设检验，主要分为单样本检验和双样本检验。单样本检验包括：t单样本均值Z检验：One Sample Z Tests、t单样本均值t检验：One Sample t Tests、t单样本比例检验：One Sample Proportion Tests以及t单样本方差检验：One Sample test for a variance。

在SAS软件教程中，详细介绍了图2中u-检验的变量设置方法。

MATLAB精确性检验代码服务器提供了随机优化的鲁棒元算法的MATLAB实现。项目运行前需要安装以下软件包：文件过滤（filters目录）。主要包括不同方法的过滤点：baselineGradient.m，用于删除具有最大梯度的点；baselineLosses.m，删除损失最大点的基线；baselineOracleL2.m，除去具有最大L2范数的点。filterSimple.m是我们的方法，它将渐变投影到顶部的主成分上，并根据其结果大小去除点。SVM部分（svm目录）包括我们的SVM评估的代码和数据，分为Enron数据集和综合数据集两个文件夹。攻击集合保存在diaries目录下，每个数据集根据损坏分数和生成攻击的方法进行拆分。testSingleAttack.m、testSingleSuite.m和t

这是我们对SPD矩阵非线性学习提出的轻量级联SPD歧管深度学习网络的Matlab实现。如果您发现这篇文章对您的研究有帮助，请引用以下内容：R. Wang, X.-J. Wu, 和 J. Kittler的“SymNet: A Simple Symmetric Positive Definite Manifold Deep Learning Method for Image Set Classification”，发表于2020年IEEE Transactions on Neural Networks and Learning Systems。SymNet-v1文件夹包含三个.m文件：(1) deepmain.m是主文件，实现了SymNet-v1的结构；(2) computeCov.m用于计算训练和测试图像集的SPD矩阵。

MATLAB精度检验代码关于CPBD是基于模糊检测的累积概率的感知无参考物目标图像清晰度指标。该指标利用概率模型评估每个图像边缘的模糊概率，并通过累积模糊检测概率（CPBD）来汇总信息。此软件的Python端口实现了MATLAB的Sobel运算符的近似行为。有关CPBD的详细信息，请参考相关文件。若您在研究中使用此代码发布结果，请遵循原始作者的论文引用指南，并查看参考实现中的版权声明。

PageRank是由Google创始人拉里·佩奇提出的一种网页排名算法，通过分析网络中的超链接结构来评估网页的重要性。在这个项目中，我们展示了一个使用Matlab实现PageRank算法的代码包，包含三个关键的M文件：createRandomMetrics.m、mypagerank.m和runPageRank.m。createRandomMetrics.m负责生成模拟网页链接关系的转移矩阵。mypagerank.m是PageRank算法的核心实现，通过迭代计算网页的重要性。runPageRank.m整合了前两个函数，提供一站式的PageRank算法执行接口。