提出了一种基于变分法和梯度增强的红外与可见光图像融合算法。首先对红外与可见光的梯度特征进行自适应加权融合,得到初始融合梯度场;其次构建梯度特征增强模型,获得融合图像增强的梯度场;最后通过变分法将融合问题转换为最优化问题,得到最接近增强后梯度场的融合图像。实验结果表明,相比基于多分辨率框架下进行融合的拉普拉斯分解、小波变换及常见的基于变分的融合算法,所提出的算法得到的融合图像梯度特征最大,视觉效果最好,证明了算法的有效性。

AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“ Decision_tree”可以放入第4个输入中。 adaboost返回一个4元组（stump，stump_weights，errors，D_weights） 您可以使用predict（stumps，stump_weights，X_test）对训练集进行预测。 这将返回该X_test的标签数组

5种不同的梯度增强法进行图像锐化,

针对传统Sobel算子在图像边缘检测中存在的弱边缘提取较差及边缘较粗等不足，提出了一种局部梯度增强的检测算法。算法采用改进的Sobel算子卷积模板计算图像梯度；然后对梯度图像采用局部标准差方法增强局部弱边缘的梯度，最后对局部梯度增强的图像进行细化处理并提取图像边缘，得到边缘图像。实验结果表明，该算法获取的边缘图像边缘信息较丰富，连续性好，边缘较细，整体效果优于传统Sobel算法，具有较高的实用价值。

在高维插值中，我们面临“维数灾难”：当我们增加维数时，样本数呈指数增长。 减少这种影响的一种方法是使用稀疏网格。 当梯度信息可用时，例如来自伴随求解器，梯度增强稀疏网格提供了进一步减少样本数量的可能性。

NGBoost：用于概率预测的自然梯度提升 ngboost是一个Python库，实现了“自然梯度增强”，如。 它建立在，旨在针对适当的评分规则，分布和基础学习者的选择进行扩展和模块化。 在此可以对NGBoost的基本方法进行详尽的介绍。 安装 via pip pip install --upgrade ngboost via conda-forge conda install -c conda-forge ngboost 用法 波士顿住房数据集上的概率回归示例： from ngboost import NGBRegressor from sklearn . datasets import load_boston from sklearn . model_selection import train_test_split from sklearn . metrics import mean_squared_error X , Y = load_boston ( True ) X_train , X_test , Y_train , Y_test = train_test_split

matlab声音过滤代码鲸鱼声音检测 团队： ， ， 描述： 在这个项目中，我们分析了参与者的任务，他们负责开发一种算法，以正确分类包含来自北大西洋右鲸的声音的音频片段。 我们的分析重点是，其方法结合了对比度增强的频谱图，模板匹配和梯度增强。 结合使用Python和R2到h2o的接口，我们重现了获胜者的算法，在IPython Notebook教程中解释了它的多个组件，测试了结果，并对分类器进行了微调。 数据： Kaggle训练集包括大约30,000个带标签的音频文件。 测试集包括大约54,000个文件。 每个文件以2000 Hz的采样率对AIFF格式的两个第二单声道音频片段进行编码。 项目报告： 可根据要求提供。 例子： 在教程（Ipython笔记本）中介绍的技术中，我们可以重点介绍： 对比度增强和噪声过滤，以增强频谱图中鲸鱼呼叫的信号 -模板匹配 参考： [OpenCV模板匹配]（tutorial_py_template_matching.html） [Scikit-Image文档-模块Skimage曝光]（docs / dev / api / skimage.exposure.ht

程序实现： 利用多种回归模型对华北八省市的实验区TRMM影像数据进行矫正 回归模型包括：多元线性回归、贝叶斯岭回归、弹性网络回归、支持向量机回归、梯度增强回归 通过对比发现：梯度增强回归模型的拟合效果最好，精度最高 回归模型的自变量包括：TRMM影像数据、DEM数据、经度、纬度 因变量为：实验区的站点插值数据 模型建立之后，将其应用于测试集数据，实现降雨数据的矫正

梯度提升决策树 梯度提升决策树的python实现。该算法的核心部分仅使用numpy实现。 参考 梯度提升算法的详细信息 目录 要求 使用方法（用法） 实际示例（示例） MNIST分类（binary_classification） 通过人工数据进行分类（二进制分类，回归问题） 设置 要求 需要以下库来运行示例 numpy scikit-learn matplotlib pandas scipy 快速开始 与Docker一起运行 这是将docker和docker-compose预先安装在主机上的条件。 首先使用docker-compose构建映像，然后使用守护程序启动容器。 docker-compose build docker-compose up -d 示例命令在容器内运行 # コンテナの内部に潜り込む docker exec -it gbdt-app bash # sample.py

在梯度域的图像直方图增强，本文主要是灰度图像的代码