ch
Feedback

不要被骗子欺骗!Telemetrio 会找到并标记这些频道 👉 如果想查看标记,请订阅

EEG workshop

EEG workshop

前往频道在 Telegram

کانال کارگاه های پردازش سیگنال های مغزی لینک عضویت کانال: https://t.me/joinchat/AAAAAD7DKCCSYN9in_TFWQ ارتباط با مدیر سایت: @eegworkshop0 ارتباط با ما: @EEGWorkshops ارتباط با دکتر نصرآبادی @ali_m_n2015

显示更多
4 285
订阅者
+124 小时
+57 天
+3430 天
帖子存档
دوستان و شرکت کنندگان کارگاه متلب آخرین ورژن برنامه هایی که در کارگاه استفاده و ادیت شد در درایو با اسم program_ex_new بارگذاری شده است

در متلبهای جدید ۲۰۱۸ دستور بجای pcacov از pca استفاده شود

photo content

اگر داده های x را به یک بعد کاهش دهیم و سپس به دو بعد برگردیم اطلاعات بعد اصلی حفظ و اطلاعات بعد دوم حدف میشود

راستاهای pca برهم عمود هستند یعنی ستونهای ماتریس coeff متعامدند

از متغیر explained دیده میشود که ۹۷.۵ در صد پراکندگی حول راستای اول است که متناظر با ستون اول اول ماتریس coeff است که حدودا راستای ۴۵ درجه است

photo content

پراکندگی داده ها حول خط ۴۵ درجه است

photo content

در مثال دیگر داده های x دو بعدی است

سطر اخر تبدیل چهار بعد متغیر ingredients به دو بعدی که بیشترین واریانس یا انرژی را دارند است

photo content

Latent مقادیر ویژه متناظر با هر راستا یا قدرت پراکندی و یا واریانس هر راستاست و explained در صد انرژی هر راستاست

Ingredients چهار متغیر دارد که ۱۳ مشاهده از انها وجود دارد

photo content

photo content

یکی از روشهای کاهش بعد ماتریس ویژگی و پیدا کردن راستاهایی که بیشترین پراکندگی درانها هست روش تحلیل مولفه های اساسی PCA است این روش در matlab با دستور pcacov هم می تواند انجام شود. داده ingredients چهار بعدی است که هر مشاهده در یک سطر است و متغیرها ستون هستند. با زدن PCA متوجه میشویم قدرت پراکندگی یا واریانس در بعد چهارم مولفه پی سی ای خیلی کم است(0.2) پس این راستا اطلاعاتی ندارد و قابل حذف است برای حذف مولفه چهارم ماتریس pc را سه ستون اول را که متناظر با سه واریانس بیشتر است میگیریم و سپس در ماتریس ingredients ضرب میکنیم حالا چهاربعد به سه بعد کاهش میابد که بیشترین پراکندگی را دارند براساس واریانسها 99.96% انرژی در این سه بعد حفظ شده است. اگر راستای اول و دوم را بگیریم 97.88% انرژی اطلاعات را حفظ کرده ایم(یعنی ستونهای اول و دوم ماتریس pc)

🔵 آگهی جذب هیات علمی گروه فیزیک پزشکی و مهندسی پزشکی دانشگاه علوم پزشکی تهران جهت تکمیل کادر هیات علمی، در قالب طرح تعهد خدمت با شرایط زیر دعوت به همکاری می‌نماید. ✅ دانش آموخته‌ی مقطع دکترای فیزیک پزشکی از یکی دانشگاههای برتر کشور. ✅ دارای مقالات معتبر در زمینه‌ی تصویربرداری پزشکی با محوریت ام‌آر‌آی ✅ گذراندن پایان‌نامه با نمرات عالی در هر دو مقطع کارشناسی ارشد و دکترا با موضوع تصویربرداری ام‌آر‌آی واجدین شرایط نسبت به ارسال رزومه‌ی خود حداکثر تا تاریخ ۱۴۰۰/۰۷/۱۵ به آدرس ایمیل زیر می‌توانند اقدام نمایند. تلفن تماس : ۶۶۴۸۲۶۵۴ TUMS.MedicalPhysics@gmail.com