数据源——数据可视化（七）：Pandas香港酒店数据高级分析，涉及相关系数，协方差，数据离散化，透视表等精美可视化展示

为了利用信息系统对象在数据空间中分布，通过对对象的模糊聚类，计算每一类在坐标轴上的统计值。利用正态概率分布特性，引入重叠度和空隙度选取合适的概率，确定最优的区间端点，实现连续属性离散化。

提出一种连续属性值域划分的离散化新方法，该方法定义一个新的离散化函数，依据类与属性之间的相互依赖关系选择最优的离散区间列表；此外，采用变精度粗糙集理论合理地控制数据离散化产生的信息丢失，减少分类错误。仿真结果和统计分析表明，提出的方法有较好的C5.0决策树分类能力。

https://blog.csdn.net/qczhao_10/article/details/128073104 本篇博文有我对常见三种陷波滤波器详细介绍，包括推导过程 本资源是文中第三种离散化滤波器matlab程序，三参数可调陷波滤波器 可调陷波深度，带宽，陷波频率 程序有注释，简单易懂

控制系统中的连续域的离散方法，各种离散方法，便于实际应用，根据实际应用场合提高精度。

mathcad 低通滤波器 双线性变换 离散化源码

使用聚类算法对连续状态空间进行自适应离散化,得到了基于K-均值聚类的强化学习方法.该方法的学习过程分为两部分:对连续状态空间进行自适应离散化的状态空间学习,使用K-均值聚类算法;寻找最优策略的策略学习,使用替代合适迹Sarsa学习算法.对连续状态的强化学习基准问题进行仿真实验,结果表明该方法能实现对连续状态空间的自适应离散化,并最终学习到最优策略.与基于CMAC 网络的强化学习方法进行比较,结果表明该方法具有节省存储空间和缩短计算时间的优点.

五：连续系统离散化后的能控性与能观测性 定理一：如果连续系统（A、B、C）不能控（不能观测），则对任意采样周期T离散化后的系统（G、H、C）也是不能控（不能观测）的 证明：用反证法 设连续系统不能控，而对于某采样T离散化后的系统却是能控的。则 rank[H、GH、G2H、…Gn-1H]=n 故 容易验证 为可交换阵，故

必做题—命题公式真值表输出 已知命题公式A=﹁( p q ) ( (p r) s)，用JAVA或C/C++语言编写程序构造该命题公式的真值表，真值表输出样式自己设计(变量值可以不手工输入)，编制程序、画流程图、解释核心程序段、展示结果、心得描述等，撰写并提交实践报告。（评分：及格、中等） -------------------------------------------------------------------------- 选做题—函数曲线的离散化 考虑x(t)=-2tsin(t2)，0≤t≤8，从0开始，以△t=0.01、0.02、0.04、0.08、0.1、0.25、0.5、1等为间隔(△t的值可结合自己的绘制效果修改)，分别绘制不同△t下的x(t)的离散曲线。每个离散样本点可用‘*’显示(也可以自行选用其它符号)，程序采用JAVA或C/C++语言实现(可采用第三方库函数)。对于每个△t，注意观察函数信息损失的情况，解释核心程序段，总结分析，编制程序并编写实践报告（评分：良好）。 、

这个包可能对在机器人领域或人工智能领域工作的人有用。 它包含：平铺或离散化输入地图、路径规划（最短路径）、稀疏网格图等。 % 主函数将输入图像（.png、.jpg、.bmp）转换（离散化）为网格% 稀疏矩阵形状的图（网格单元）。 此外，dijkstra 算法是% 应用于寻找点之间的最短路径。 % 考虑相邻小区，使用 8 个连接： % 0\--0--/0 % |---\|/---| % 0--@---0 % |---/|\---| % 0/--0--\0 %------------------------------------------------ % Graph=CreateGraph (filename,drate,showflag) % ** filename 是大小为 'n*m' 的黑白输入图像文件，黑色％点是障碍物（这些单元格上没有任何节点），白色点是障碍物％ 可用空间， %