针对狼群算法求解复杂函数时容易陷入局部极值、计算耗费大、学习能力差等局限性, 提出一种狼群智能算法. 首先, 通过构建智能猎杀行为提高算法自适应学习能力, 降低算法的计算耗费, 构建双高斯函数更新法以增强算法全局搜索能力; 然后, 运用马尔科夫过程证明狼群智能算法的收敛性; 最后, 对多种典型测试函数进行仿真实验并与多种智能算法进行对比分析. 实验结果表明, 所提出算法具有全局收敛性强、计算耗费低、寻优精度高等优势.

当提供均值和协方差时，此函数绘制二维多变量高斯图。 它不使用 for 循环。 例如：绘图平均值= [10; 11]，cov = [6 0; 0 6] 2D多元高斯函数>> mvg([10;11],[6 0;0 6])

用于半变异函数的拟合，function [lambda_nu]=lambda(covar_gk,c_mean) % 该函数计算权矩阵 function gk=general_k(lambda_nu,position) % 该函数计算普通克里金法插值12.5 13.5 15.2 9.8 14.7 8 13 15.6 18.2 13 6.4 8.9 9.2 11.7 12 14.5 16.5 19.8 16.9 13.2 7.5 12.6 14.9 18.7 20.7 17.5 14.7 13 12 6.5 8.9 7.8 12.4 13.5 18.7 17.6 11.7 10.6 10.2 9.5 8.6 13.715.6 16.5 12.5 11.7 9.7 9.3 9.6 12.8 13.5 12.3 11.4

该程序生成一个二维高斯。 然后程序尝试使用 MatLab 函数“lsqcurvefit”拟合数据，以找到二维高斯的位置、方向和宽度。 不输入参数执行“mainD2GaussFitRot.m”。 二维高斯函数由函数“D2GaussFunctionRot.m”和“D2GaussFunction.m”定义

描述高斯函数积分方法，查表转换。用于计算高斯函数积分

计算图像梯度：高斯函数的一阶导数 高斯函数的一阶导数(Derivative of Gaussian) 可以很近似地满足以下三条边缘检测最优准则： 好的边缘检测性能：Good detection 对边缘的响应大于对噪声的响应 好的定位性能：Good localization 其最大值应接近边缘的实际位置 低的错误检测率：Low false positives 在边缘附近只有一个极大值点

高斯函数 高斯随机过程 正态分布 特征函数

这个翻译我用不了，挣点积分

利用高斯函数构造双峰曲线，构造弛豫时间谱等

一个画高斯三维图像的matlab脚本文件，可以画出漂亮的图像