自相关代码

matlab自相关代码自述文件hBN纸张数字回购，最后编辑于2018年11月10日。此仓库包含用于制作NIR hBN纸图2-4的代码/文件。这些图是在以下脚本中生成的：hbnPaper_confocal_and_spectra.m、hbnPaper_g2_and_tau.m、plottingSherifsData.m。我使用export_fig包以高质量导出数字，因此只需确保在运行脚本时将两个文件夹添加到路径中。然后使用Inkscape添加无花果标签（a，b，...），并确保无花果具有正确的尺寸（宽度应为84mm）。从2018年10月11日起，Inkscape文件包含在子文件夹中。细节：hbnPaper_confocal_and_spectra.m（图2）所有数据都在仓库中的某个地方，只需运行脚本就可以找到它。更改第101行上的文件位置以将图像保存在所需位置。去做：放大显示次泊松子发射器的插入物（或至少圈出或强调它），添加比例尺（请参见hBN_NIRv2 ppt演示中的图像以获取比例尺大小）。删除860nm光谱，因为我们没有理论解释—只需

给定信号向量“y”，计算其自相关函数的估计值。此方法从延迟1开始，直至延迟$p$，适用于实数或复数信号向量。

这是一个MATLAB代码库，专门用于分析书法数据。库中包含各种方法的文件夹，包括前处理带通滤波器转换加速度计信号为活动计数的Cole和Oakley方法，以及转换为时间-日期矩阵格式以计算休息活动指标所需的功能。对于计算休息活动量度，可以使用convert2Hours获取时间-日期矩阵数据格式。此外，preprocessRA用于处理丢失的时间数据。其他功能包括测试新的休息活动功能的testRestActivityFunctions和处理丢失数据的testMissingData。另外，还包括对昼夜节律、余弦流变υτ（v_tau）、自相关系数（r24）和Oakley方法进行睡眠检测的功能。通过双重绘图可以直观地分析书法数据。请参考每个代码的标题了解更多信息。

这个存储库包含用于支持神经认知基因转录映射的脚本、函数和数据。预印本、后印本和文章可在此找到。所有分析均在Matlab版本9.8.0.1359463（R2020a）Update 1上完成，数据和脚本分为五个子文件夹。主要分析文件夹PLS包含部分最小二乘分析的脚本，用于基因表达和功能激活矩阵。

局部空间自相关分析方法主要包括以下三种： 空间联系的局部指标 (LISA) G 统计量 Moran 散点图

matlab自相关代码-全基因组核小体定位工具集 该工具集可以用于计算一组基因的距离自相关函数以及两组基因的距离互相关函数。 核小体 核小体核心颗粒（NCP）是所有真核染色质的重复结构单元，由 146 个碱基对（bp）的 DNA 片段包裹在组蛋白八聚体周围，旋转速度为 1.65 超螺旋。组蛋白八聚体是两个组蛋白四聚体的同型二聚体，每个四聚体具有四个组蛋白（H2A，H2B，H3 和 H4）。 距离自相关（DAC） 此功能可以测量核小体的相对位置。对于每对 NCP 序列，首先计算 NCP 起始位置之间的距离。然后，将两条链的所有距离的出现相加。 距离互相关（DAC） 这用作比较两个不同核小体片段数据集中核小体位置的一种措施。此度量类似于 DAC，但是在一个数据集中每个核小体的起始位置与另一数据集中所有核小体的起始位置之间的距离是计算得出的。 参考文献：[1]，[2] 和 [3]，以获取这些定义的更多数据。 要求 Matlab 2012b 或更高版本 软件使用 计算一组基因的 DAC：calDacAll.m 通过绘制 MNase 消化的核小体的图来计算一组基因的 DAC

MATLAB自相关代码MVPA通过交叉验证的MANOVA是由Carsten Allefeld和John-Dylan Haynes引入的方法，用于基于探照灯的多体素模式分析fMRI数据。该方法基于交叉验证的MANOVA和多元通用线性模型。在使用前，需要指定和估算模型，并使用SPM.mat文件和相关数据文件进行分析。探照灯分析接口函数cvManovaSearchlight能够在指定的SPM.mat目录中计算交叉验证的MANOVA，通过设置探照灯半径和对比度矩阵Cs来调整分析参数。

特里斯坦·乌塞尔在2018年8月提出了一种新的自相关计算方法，称为imageautocorr。这种方法可以对时序数据或图像进行自相关分析，输出归一化相关系数在-1到1之间的自相关矩阵。用户可以通过不同的输入方式调用imageautocorr函数，包括直接加载图像文件或数据路径。这种方法不仅适用于图像数据，也可以用于任何类型的有序数据，为研究和应用提供了广泛的可能性。

含噪正弦信号的自相关分析 本程序分析了一个由正弦信号和高斯白噪声叠加而成的信号 x(n) 的自相关函数。信噪比设定为 10dB。 程序步骤： 生成信号： 定义正弦信号 s(n) 的频率、幅度和相位。 生成高斯白噪声 u(n)，并根据信噪比要求调整其功率。 将正弦信号与噪声叠加，得到信号 x(n)。 计算自相关函数： 使用 Matlab 函数 xcorr 计算信号 x(n) 的自相关函数。 结果分析： 绘制自相关函数图像。 观察自相关函数的特点，例如峰值位置、衰减情况等。 分析这些特点如何反映原始信号的周期性以及噪声的影响。 结论： 通过自相关函数的分析，我们可以提取出被噪声掩盖的正弦信号的周期信息。尽管噪声的存在会影响自相关函数的形状，但正弦信号的周期性仍然可以通过自相关函数的峰值位置清晰地识别出来。

空间自相关指标显著性检验通过标准化 Z 值实现。Moran's I 显著性检验公式为： E(I) = 1/(n-1)