Zygo 101步移相干涉测量算法 Peter de Groot (101-frame algorithm for phase shifting interferometry) 相移干涉测量法（PSI）是在干涉条纹之间进行插值的更常见的技术之一。一个表面剖析的PSI仪器存储了一系列参考相位的CCD图像帧 一系列参考相位的CCD图像帧；然后应用数学算法来恢复相位信息。1 因为波前相位本身是表面轮廓的线性函数。由于波前相位本身是表面轮廓的线性函数，PSI提供了一个高分辨率的表面图测量。 在早期，计算上的限制将图像帧的数量限制在3或4个，这并没有留下多少变化的空间。随着对精度要求的提高，移相算法的长度和种类也随之增加。目前的技术水平已经发展到5、7甚至15帧的品种。2,3,4 本文探讨了这些趋势的局限性，同时回顾了我们Zygo公司用于分析PSI性能的一些数学技术。最后，为了尝试对未来进行远期预测，我提出了一个101帧的算法，该算法对错误源有很强的抵抗力。这个有点极端的例子强调了对算法长度的实际限制，只要我们放宽PSI的定义，这些限制实际上比人们想象的更宽松。

RE:visionFX DE:Noise v3.0版本最大亮点：支持GPU加速与新的降噪方法。 DE:Noise插件可以很容易地除去多余的噪音。DE:Noise可以从杂散噪声处理的帧到帧的缺陷，从细数字/电子噪声斑点的斑点（例如在胶片上的污垢）。DE:Noise结合运动估计技术与功能敏感，边缘保留空间滤波的方法，以减少视觉冲击力的各种问题，如：嘈杂的视频（可以发生在低光捕捉），过多的胶片颗粒，CG渲染受射线追踪采样文物，在底片扫描/传输和打印，雪，滴出等诸多缺陷捕获指纹和灰尘。 DE:Noise v3引入了新的降噪过滤器，大大提高了结果与拍摄对象的边缘和功能通过压缩大大受损，渲染和嘈杂的摄像头采集的文物。 DE:Noise v3还增加了GPU的支持，使用GPU加速提高4.5倍。CPU模式，已经知道它的速度。这种规模的加速比通常看到的高端卡。请注意，大多数目前销售的GPU将提供顾客所需要的加速度，包括许多移动GPU的笔记本电脑。当然，总的加速最终用户将看到不同的一次应用程序的开销是考虑：这包括磁盘I/O，内部主机的缓冲方案，PCIE总线带宽，用于视频编解码器，等

1.下载解压 2.打开谷歌浏览器设置--->扩展程序--》勾选开发者模式---》加载已解压的扩展程序---》选择“chrome扩展”文件夹 3.OK

混合CS(布谷鸟搜索)算法的DE(差分进化)算法(DE (differential evolution) algorithm for hybrid CS (cuckoo search) algorithm) alg_decs.m 混合CS算法的DE算法.pdf

本文提出了一种新的情绪识别模型，该模型以脑图为输入，以唤醒和效价为输出提供情绪状态。脑图是从脑电信号中提取的特征的空间表示。该模型被称为多任务卷积神经网络（MT-CNN），使用微分熵（DE）和功率谱密度（PSD），并考虑0.5s的观察窗口，由四种不同频段的不同波（α、β、γ和θ）的叠加脑图构成。该模型在DEAP数据集上进行训练和测试，DEAP数据集是一个用于比较的著名数据集。该模型的准确度在价态维度上为96.28%，在唤醒维度方面，获得了96.62%的准确率，这项工作表明，MT-CNN的性能优于其他方法。 模型为二维卷积神经网络。该模型的输入是一个脑图，它是EEG信号的空间谱表示。该模型由四个二维卷积层、一个完全连接层以及上述每个层之后的dropout和批量归一化层组成。最后，输出到两个流：前者用于分类受试者的配价水平，后者用于唤醒水平。ReLU用作激活功能。分类层使用一个sigmoidal函数来获得类似概率的输出。对模型进行了收敛性训练。

初学者学习差分进化算法很好的资源。Matlab平台

注释清楚 使用方便 [1] H. Azami, S. Arnold, S. Sanei, Z. Chang, G. Sapiro, J. Escudero, and A. Gupta, "Multiscale Fluctuation-based Dispersion Entropy and its Applications to Neurological Diseases", IEEE ACCESS, 2019. [2] H. Azami, and J. Escudero, "Amplitude-and Fluctuation-Based Dispersion Entropy", Entropy, vol. 20, no. 3, p.210, 2018. Matlab代码！

这篇论文的思路特别好： 我们提出了一种用于脑电情感识别的端到端深度学习方法。该神经网络综合考虑了脑电信号的空间信息、时间信息和注意力信息。将CNN,RNN和通道注意力机制（channel-wise attention）和扩展自我注意力机制（self-attention mechanisms）混合起来，同时通过通过注意力机制计算出各个通道权重，筛选出更有价值的通道。同时采用DE作为频域特征，结合时域特征和空间特征三大特征相融合考虑。模型方面：CNN+RNN（CNN-RNN）、通道性注意机制+CNN+RNN（A-CNN-RNN）和CNN+RNN+扩展自我注意机制（CNN-RNN-A）、连续卷积神经网络（Conti-CNN）、图卷积神经网络（GCNN）和卷积复发注意力模型（CRAM）。介绍了六种深度学习方法和两种传统方法进行比较，六大模型相互对比，在DEAP数据库的效价和觉醒分类任务中，平均情绪识别准确率分别为92.74%和93.14%！希望大家能好好理解阅读。 我们将通道性注意整合到CNN中，CNN可以提取空间注意特征，通道性注意可以提取通道间的注意信息。

本资源为差分进化算法C++的实现，在头文件里进行声明和定义，可直接调用，代码都用中文进行详细的注释。

友晶出的DE-SOC培训教材，带书签，总共七章，适合初学者。