快速行进法用于到目标点之间的路径规划，通过matlab实现的基础FMM算法

数学计算的计算机方法 通过Nikolai Shokhirev 1.简介 George Forsythe，Michael Malcolm和Cleve Moler（FMM）编写的用于数学计算的计算机方法是一本关于数值方法的经典经典教科书之一。 首先，我用俄语翻译[1]进行阅读，后来又购买了原著[2]。 我将这本书用作对数值概念的参考以及有效算法的来源。 在担任研究员和科学程序员的过程中，我将原始的FORTRAN代码翻译成多种语言。 我将在GitHub上共享这些翻译：FMM（直接链接： : ）。 所有更新都将记录在FMM Wiki .. 2. Fortran-90的翻译 原始的FMM算法可以完美使用，并且可以在NetLib上获得。 但是，拉尔夫·卡迈克尔（Ralph Carmichael）将其翻译为现代版本的FOFTRAN：[3]。 他还添加了一些测试例程。 3. Pascal翻译 我将

0积分下载，代码运行效果图见压缩包

层次分析matlab代码MBHC-FMM 该存储库提供了MATLAB的实现：具有Bregman散度和Fisher混合模型（MBHC-FMM）的基于模型的层次聚类。 它使用MBHC-FMM方法对3D定向数据执行聚类。 它已应用于聚类图像法线（3D单位矢量）以分析深度图像。 有三个演示文件来演示上述任务。 注意：此处添加了四个文件：emsamp.m，vsamp.m，unitrand.m和house.m，用于从指定的vMF混合模型中采样观察值。 这些文件来自“ vmfmatlab”代码，该代码可在线获得。 参考： [1] Hasnat等人，基于模型的Bregman散度和Fishers混合模型的层次聚类：在深度图像分析中的应用。 统计与计算，2015年1月20日。 [2]马萨诸塞州哈斯纳特，阿拉巴马州阿拉特市和特雷默岛，答（2014年10月）。 基于模型的3D方向特征聚类：应用于深度图像分析。 在2014年IEEE国际图像处理会议（ICIP）中，第3768-3772页。 [3] Hasnat等人，分层3D von Mises-Fisher混合模型，在第一届散度与散度学习研讨会（ICML-WDD

中文分词/宋词生成/n-gram模型/全部java源代码，课程设计报告。全部源代码，详细注释。

matlab调试及直接目标代码生成R ^ 3中的Helmholtz和Laplace FMM库。 日期：2021年3月7日 版本1.2.3 FMMLIB3D套件允许评估自由空间中由Laplace，Helmholtz方程控制的势场。 FMMLIB3D提供了粒子（点）源的子程序，以及三角形上恒定的层电势密度。 这些代码易于使用，并且在性能上进行了合理的优化。 FMM3D / doc目录中提供了基本手册。 FMMLIB3D包含Fortran源代码和Mac OS X（64位），Windows（64位）和Linux（64位）下为MATLAB编译的版本。 执照 Copyright (C) 2010-2012: Leslie Greengard and Zydrunas Gimbutas Contact: greengard@cims.nyu.edu Redistribution and use in source and binary forms, with or without modification, are permitted provided that the following cond

matlab 编程选择运行仿真代码 快进 该软件包是由 Sethian (1996) 首次开发的 Fast Marching Method (FMM) 的 R 实现。 尽管 FMM 被开发用于对不断变化的边界进行建模，但它可以并且已经广泛用于流体动力学、图像分割、构建 Voronoi 图、模拟扩散过程和计算最短路径。 该算法通过包括以下修改进一步扩展了 Sethian 算法： Eikonal 方程的二阶近似； Kobayashi 和 Sugihara (2001) 的先到规则； Silva 和 Steele (2012) 的附加权重，允许竞争边界在不同时间开始扩大； 和 Silva 和 Steele (2014)，允许非均匀域，其中每个单元格都有自己的扩散率值。 还包括一个空间包装函数，它可以更轻松地对地理空间域中的扩散场景进行建模，正如最初设想的史前扩散研究和模拟（Silva 和 Steele 2012，2014）。 该算法是 Silva 和 Steele（2012 年、2014 年）的 MATLAB 代码的实现和改进，该代码由欧盟 (EU) 的 Horizo​​n 2020 研究和

中文分词的python实现----HMM、FMM-附件资源

主要介绍了python实现中文分词FMM算法,实例分析了Python基于FMM算法进行中文分词的实现方法,涉及Python针对文件、字符串及正则匹配操作的相关技巧,需要的朋友可以参考下

多自主水下机器人(AUV)实时围捕是一个综合的研究课题,包括联盟生成和目标追捕等阶段.首先,基于快速行进算法(FMM)预估围捕时间,有效形成多AUV的动态围捕联盟;然后,在追捕阶段,AUV需要立即跟踪智能逃逸机器人以防止其逃跑.为了实现这一目标,在GBNN(Glasius biological inspired neural network)模型中使用反比例函数替换指数函数计算神经元连接权值,加入额外的衰减项,并提出两点加快神经元活性传播的改进措施,使其适用于实时追捕路径规划.仿真研究表明,围捕联盟形成机制和反比例权值GBNN模型实时路径规划策略都显示出其优越性.在水下环境的多AUV协作围捕中,所提出的围捕控制算法可以提高围捕效率,减少AUV所花费的追捕距离和逃逸机器人的逃逸距离.