java矩陣特徵分解

1. r中怎麼輸入矩陣的值

w<-seq(1:10)

a<-matrix(w,nrow=5,ncol=2,byrow=T,dimnames=list(paste0("r",1:5),paste0("1",1:2)))#給行和列設置名稱

cbind更寬rbind更長

my.dataset<-data.frame(site=c("A","B","A","A","A"),

season＝c（＂winter＂，＂summer＂，＂summer＂，＂spring＂，＂fall＂），

pH＝c（7．4，6．3，8．6，7．2，8．9））

names（my．dateset）＃讀取數據框的列名

setwd（＂E：／／dataming＂）＃設置工作路徑

getwd（）＃獲取工作路徑

import.txt<-read.table("iris.txt",header = TRUE) #讀入iris.txt文件

import.csv<-read.table("iris.csv",header = TRUE，sep = ",") #讀入iris.csv文件

import.csv<-read.csv("iris.csv") #讀入iris.csv文件

unstructuredText <- readLines("unstructuredText.txt")#讀入非結構化數據

＃Excel文件的導入

＃利用RODBC包讀入（須配置odbc）

library（RODBC）

channel<-odbcConnectExcel2007("sample.xlsx")#建立連接

odbcdf<-sqlFetch(channel,'data')#讀取工作表data的數據

odbcClose（channel）＃關閉連接

＃利用xlsx包讀取Excel數據（需配置java）

library（xlsx）

res <- read.xlsx('sample.xlsx',1)

detach（package：xlsx）

＃訪問網路數據

salary_data <- read.csv("http://www.justinmrao.com/salary_data.csv")。

(1)java矩陣特徵分解擴展閱讀

rnorm（16）＃產生16個服從正態分布的隨機數：

rnorm（100，3，4）＃產生100個均值是3，標准差為4的隨機數。

＊dnorm（x，mean＝0，sd＝1，log＝FALSE）的返回值是正態分布概率密度函數值，比如dnorm（z）則表示：標准正態分布密度函數f（x）在x＝z處的函數值。

pnorm（q，mean＝0，sd＝1，lower．tail＝TRUE，log．p＝FALSE）返回值是正態分布的分布函數值，比如pnorm（z）等價於P［X≤z］。

qnorm（p，mean＝0，sd＝1，lower．tail＝TRUE，log．p＝FALSE）的返回值是給定概率p後的下分位點．。

rnorm（n，mean＝0，sd＝1）的返回值是n個正態分布隨機數構成的向量。＊

矩陣的特徵值與特徵向量

矩陣A的譜分解為A＝UΛU』，其中Λ是由A的特徵值組成的對角矩陣，U的列為A的特徵值對應的特徵向量，在R中可以用函數eigen（）函數得到U和Λ，

eigen（x，symmetric，only．values＝FALSE，EISPACK＝FALSE）

其中：x為矩陣，symmetric項指定矩陣x是否為對稱矩陣，若不指定，系統將自動檢測x是否為對稱矩陣。

2. 圖像傅里葉變換的步驟是什麼 java

岡薩雷斯版<圖像處理>裡面的解釋非常形象：一個恰當的比喻是將傅里葉變換比作一個玻璃棱鏡。棱鏡是可以將光分解為不同顏色的物理儀器，每個成分的顏色由波長（或頻率）來決定。傅里葉變換可以看作是數學上的棱鏡，將函數基於頻率分解為不同的成分。當考慮光時,討論它的光譜或頻率譜。同樣, 傅立葉變換能通過頻率成分來分析一個函數。

圖像是兩個參數的函數，通過一組正交函數的線性組合可以將其分解，而傅里葉就是通過諧波函數來分解的。而對於離散傅里葉變換，傅里葉變換的條件是存在的。

傅里葉變換進行圖像處理有幾個特點

1. 直流成分F(0,0)等於圖像的平均值；

2. 能量頻譜|F（u,v）|^2完全對稱於原點；其中F=PfQ, f表示原圖，P和Q都是對稱的實正交矩陣，這個公式表示傅里葉變換就是個正交矩陣的正交變換

3.圖像f平移（a,b）後，F只有exp[-2pij(au/M+bv/M)]的相位變化，能量頻譜不發生變化。

4. 圖像f自乘平均等於能量頻譜的總和，f的分散等於能量頻譜中除直流成分後的總和。

5.圖像f(x,y)和g(x,y)的卷積h(x,y)=f(x,y)*g(x,y)的傅里葉變換H（u，v）等於f(x,y)和g(x,y)各自的傅里葉變換的乘積。

圖像中的每個點通過傅里葉變換都成了諧波函數的組合，也就有了頻率，這個頻率則是在這一點上所有產生這個灰度的頻率之和，也就是說傅里葉變換可以將這些頻率分開來。當想除去圖像背景時，只要去掉背景的頻率就可以了。

在進行傅里葉變換時，實際上在某一特定的頻率下，計算每個圖像位置上的乘積。就是f(x,y)exp[-j2pi(ux+vy)]，然後計算下一個頻率。這樣就得到了頻率函數。

也就是說，看到傅里葉變換的每一項（對每對頻率u,v，F(u，v)的值）是由f(x)函數所有值的和組成。f(x)的值與各種頻率的正弦值和餘弦值相乘。因此，頻率u, v決定了變換的頻率成分（x, y也作用於頻率，但是它們相加，對頻率有相同的貢獻）。

通常在進行傅里葉變換之前用(-1)^(x+y)乘以輸入的圖像函數，這樣就可以將傅里葉變換的原點F(0,0)移到(M/2,N/2)上。

每個F(u,v)項包含了被指數修正的f(x,y)的所有值，因而一般不可能建立圖像特定分量和其變換之間的聯系。然而，一般文獻通常會有關於傅里葉變換的頻率分量和圖像空間特徵之間聯系的闡述。變換最慢的頻率成分（u=v=0）對應一幅圖像的平均灰度級。當從變換的原點移開時，低頻對應著圖像的慢變換分量，較高的頻率開始對應圖像中變化越來越快的灰度級。這些事物體的邊緣和由灰度級的突發改變（如雜訊）標志的圖像成分。

在頻率域中的濾波基礎

1. （-1）^(x+y)乘以輸入圖像來進行中心變換

2. 由（1）計算圖像的DFT， 即F（u,v）

3. 用濾波器函數H(u,v)乘以F（u,v）

4. 計算（3）中的結果的反DFT

5. 得到（4）中的結果的實部

6. 用(-1)^(x+y)乘以（5）中的結果

另外說明以下幾點：
1、圖像經過二維傅立葉變換後，其變換系數矩陣表明：
若變換矩陣Fn原點設在中心，其頻譜能量集中分布在變換系數短陣的中心附近(圖中陰影區)。若所用的二維傅立葉變換矩陣Fn的原點設在左上角，那麼圖像信號能量將集中在系數矩陣的四個角上。這是由二維傅立葉變換本身性質決定的。同時也表明一幅圖像能量集中低頻區域。
2 、變換之後的圖像在原點平移之前四角是低頻，最亮，平移之後中間部分是低頻，最亮，亮度大說明低頻的能量大（幅角比較大）