图像处理与机器视觉辅助学习资料应用设计等文档资料（18个） 01_图像的高效编程要点之一_把除法变成乘法和移位.pdf 01_补充阅读材料1_视频原理.doc 01_补充阅读材料2_机器视觉系统概述.doc 01_补充阅读材料3_用途广泛的COMS微型摄像机.doc 01_补充阅读材料4_红外灯在电视监控系统工程中的应用.doc 01_补充阅读材料5_机器视觉国内现状.pdf 01_补充阅读材料6_光学迈向新的世纪_王大珩.doc 02_Experiment0201 02_图像的高效编程要点之二_合理使用查找表.pdf 02_自己学习Retinex.ppt 03_Experiment0202_HistEqual 03_图像的高效编程要点之三_图像的访问与Cache优化.pdf 04_图像的高效编程要点之四_多使用直方图与高效中值滤波.pdf 05_图像的高效编程要点之五_邻域的访问与均值滤波.pdf 一个通用的轮廓线跟踪快速算法.doc 一种基于边缘模式的直方图构造新方法.PDF 一种快速高效的轮廓填充算法.doc 基于图像差距度量的阈值选取方法.pdf 基于红外图像的地面自主车导航

基于度与集聚系数的网络节点重要性度量方法研究

基于极值分布理论的VaR 与ES 度量

针对EVaR(Expectile-basedValueatRisk)风险度量提出了基于GARCH类和SV波动率模型的EVaR风险度量计算方法,即EVaR计算的参数模型方法。并基于模拟学生t分布时间序列数据,给出EVaR样本外预测的失败率检验方法:Kupiec失败率检验和动态分位数(DQ)检验法。与采用CARE(ConditionalAutoregressiveExpectile)模型的EVaR计算方法进行了对比研究,结果表明基于GARCH类模型和SV模型相对于基于CARE模型有更优的EVaR预测效果。选取

安全技术-网络信息-社会网络中的节点影响力度量和k节点集的影响力最大化问题研究马

该函数使用来自焦点的形状 [1] 从散焦图像序列中估计深度图和可靠性度量。 根据 [2]，可靠性测量值低于 20 dB 的像素的深度是不可靠的，应该丢弃。 此代码已在 [2] 和 [3] 中使用。 对于演示，只需运行'sffdemo' 参考： [1] SK Nayar 和 Y. Nakagawa，IEEE Trans。 帕特肛门。 马赫。 英特尔。 16(8):824-831, 1994。 [2] S. Pertuz、D. Puig、MA Garcia，焦点形状的可靠性测量，Image Vis。 计算。 31：725–734，2013年。 [3] S. Pertuz、D. Puig、MA Garcia，焦点测量操作符分析，用于焦点形状，模式识别。 46（5）：1415-1432，2013。

为更加准确、有效地描述证据间的冲突程度,提出一种新的证据冲突度量方法.该方法通过取小累加证据体之间两个相交为非空集的焦元BPA,得到证据重合度;然后基于其与证据冲突程度的关系,计算出证据冲突大小.实验结果表明,相比经典冲突系数与Jousselme证据距离,所提出的方法更加准确、有效.

代码质量分析器 使用代码质量度量标准（例如可维护性指数，Halstead度量标准和环复杂性）进行静态代码分析。 所有代码都在python中实现，并且代码质量分析在C程序上执行/测试。

尽管某些软件度量标准是在多年前定义的，但它们仍未在行业中广泛使用，并且可以利用最近学习到的有关如何分析其设计的经验教训重新访问它们，从而获得一些其他的见解。 该项目分析了Halstead指标的设计和定义，该指标集通常称为“软件科学”。 该分析基于定义为构造，比较，分析并提供对软件工程测量文献中提出的各种测量方法的理解的测量分析框架。

机器学习中的分类模型通过常见的性能度量来评估其性能。 此函数计算以下性能度量：准确度、灵敏度、特异性、精确度、召回率、F 度量和 G 均值。 函数的签名和参数的描述如下： EVAL = 评估（实际，预测） 输入： ACTUAL =带有培训示例的实际班级标签的列矩阵PREDICTED = 分类模型预测类标签的列矩阵输出： EVAL = 包含所有性能指标的行矩阵