常数

异常数据检测方法综述（2009年）

研究了数据挖掘中异常点检测的通用方法，并分析了它们的优缺点。还探讨了在高维和基于聚类的异常点挖掘中的应用情况，希望为进一步改进提供基础。

数据挖掘 2 2024-07-16

超越黄金比例：探索自然常数的新关系

数学常数 π、e 和黄金比例 φ 之间的联系长期以来一直吸引着数学家和科学家。这些常数深深植根于自然界，并在各种自然现象中发挥着至关重要的作用。黄金比例，通常在自然和人工制品中观察到，长期以来一直被认为是美学和谐和自然平衡的体现。 然而，最近的研究表明，一些自然量可能表现出与方程 ln(π/x) + 1 = x 的解更密切的关系，而不是黄金比例方程 (1/x) + 1 = x。这一发现为理解这些基本常数错综复杂的相互作用及其在塑造我们周围的世界中的作用开辟了新的途径。

Matlab 2 2024-05-27

基于 ICA 的异常数据挖掘算法研究

提出了基于影响函数的异常数据检测方法，该方法通过投影分析来分离观测数据中的异常成分，有效消除脉冲噪声。实验结果验证了该方法在异常数据检测方面的可靠性和有效性。

数据挖掘 3 2024-05-28

煤样吸附常数影响瓦斯抽采效果评判

不同取样点的吸附常数（a、b值）差异较大，导致残存瓦斯含量计算结果差异显著。通过对影响因素分析，建议通过实测统计确定一个标准的a、b值，减少测定数量，保证抽采效果评判准确性。

统计分析 7 2024-05-15

使用混沌引力常数改进引力搜索算法

这项研究利用混沌图案嵌入到最新的基于人口的元启发式算法——引力搜索算法（GSA）的引力常数（G）中。此外，还引入了一种自适应归一化方法，以确保从探索阶段平稳过渡到开发阶段。为了评估基于混沌的GSA算法在探索和利用方面的性能，研究使用了十二个有偏差的基准函数作为案例研究。

Matlab 2 2024-07-24

基于信息熵的异常数据挖掘算法解析

信息熵是粒计算理论中用于度量不确定信息的重要工具之一。现有的异常数据挖掘算法多集中于处理确定性的异常数据。然而，关于使用信息熵来度量不确定性数据以实现异常数据挖掘的研究相对较少。基于此，在引入信息熵概念的基础上，定义了基于信息熵的异常度，用以衡量数据之间的异常程度，并提出了一种基于信息熵的异常数据挖掘算法。该算法能够高效地进行异常数据的挖掘。理论分析和实验结果均证明了该算法的有效性和可行性。

数据挖掘 0 2024-10-26

基于Brendel-Bormann方法计算金属介电常数的Matlab程序

该程序利用Brendel-Bormann方法计算多种常见金属在光波长范围内的相对复介电常数。该程序参考了AD Rakic等人发表在Appl. Opt. 1998年第37卷上的论文。 支持的金属: 银 (Ag) 金 (Au) 铜 (Cu) 铝 (Al) 铍 (Be) 铬 (Cr) 镍 (Ni) 钯 (Pd) 铂 (Pt) 钛 (Ti) 钨 (W) 程序依赖： 程序需要使用A. Weideman编写的复误差函数Matlab文件“cef.m”。 使用方法： 将“cef.m”文件与主程序文件“eps_BB.m”放置于同一目录下即可运行。

Matlab 5 2024-05-24

MATLAB异常数据检测格拉布斯准则实现代码

在数据分析和科学研究中，异常值的检测对保证分析结果的准确性至关重要。MATLAB作为强大的数值计算工具，提供了基于格拉布斯准则的异常值检测代码，用于识别可能存在的异常数据点。格拉布斯准则通过计算数据点的G值与临界值比较，标记可能的异常数据，确保数据处理的可靠性和稳健性。这些代码能够帮助研究人员和工程师快速有效地处理数据集，提高分析的质量。

Hadoop 2 2024-07-29

没有常数项的第二章matlab数值计算功能

没有常数项在matlab中的数值计算功能可以通过几种不同的方法来实现。

Matlab 0 2024-09-26

剔除异常数据组并修正不合格品率

在SPC过程统计分析中，将第17组和第26组数据剔除，并深入调查导致这两组数据值偏高的根本原因。 采取有效的纠正措施，防止类似问题再次发生。 根据剩余的24组数据，重新计算修正后的不合格品率： 修正后的不合格品率 = 195 / 3596 = 0.054 利用修正后的不合格品率0.054，重新计算各组的控制上限 (UCL) 和控制下限 (LCL)。

统计分析 4 2024-05-20