DFT的matlab源代码
surface-defect-detection
分享一些表面缺陷检测的文章，主要检测对象是：金属表面、LCD屏、建筑、输电线等缺陷或异常检物。方法以分类方法、检测方法、重构方法、生成方法为主。电子版论文放在了paper文件的对应日期文件下。
2019.01
[1]CNN做分类
论文题目：A
fast
and
robust
convolutional
neural
network-based
defect
detection
model
in
product
quality
control
摘要：The
fast
and
robust
automated
quality
visual
inspection
has
received
increasing
attention
in
the
product
quality
control
for
production
efficiency.
To
effectively
detect
defects
in
products,
many
methods
focus
on
the
handcrafted
optica
2022-06-07 20:00:52
66.25MB
1
基于移动平均的加窗DFT算法，洪晨曦，郭亚平，对电网信号用加窗DFT算法进行谐波分析时，计算精度受到初始采样相角的影响。本文提出了用“移动平均”的方法来消除初相角的影响，
2022-06-04 20:45:53
348KB
1
DFT的matlab源代码稀疏优化的MRI重建
磁共振成像（MRI）图像稀疏。
这是一个使用非凸罚函数的实现，该函数鼓励稀疏性。
选择惩罚函数作为最小最大凹惩罚（MCP），可以从以下方法检查算法（GIST）：
龚平华，张长水，卢兆松，黄建华，叶洁平的非凸正则优化问题的通用迭代收缩和阈值算法
直接运行main.m，您将看到流行方法与该实现之间的比较。
Randon变换代码和DFT代码的反投影由Mark
Bangert编写。
解算器也位于解算器文件夹中，选择所需的解算器。
GIST_MCP.m使用Barzilai-Borwein步长的近端梯度法，GIST_MCP_Nesterov.m使用Nesterov加速度的近端梯度法。
切记将相应的子例程放入求解器。
这里有重新启动的Nesterov加速近端梯度算法的详细说明，该算法真正保证了收敛，在这里：
一类非凸非光滑最小化问题外推法的近邻梯度算法的线性收敛性，作者：Bo
Wen，Chen
Xiaojun
Chen，Ting
Kei
Pong
这项研究于2017年Spring进行，部分由香港研究资助局拨款PolyU253008
/
15资助
2022-06-01 16:41:31
32KB
1
DFT的matlab源代码VASP_DOS_extractor
简单描述：
基于Pymatgen的python脚本，用于从vasprun.xml文件中提取状态密度（DOS）和投影的DOS
这是做什么的：
该脚本替代了p4vasp的最常见用法之一：从输出中提取DOS数据，这是一种密度泛函理论（DFT）计算程序。
尽管具有直观的GUI，但是提取DOS数据可能很容易花费时间，尤其是当原子，能带和能量网格的数量较大时。
请注意，在使用此脚本之前，应先安装pymatgen（）。
使用p4vasp的过程通常如下所示：
将xml文件下载到本地计算机（通常超过100
MB）
打开p4vasp并打开xml文件
绘制感兴趣的元素或单个原子以绘制DOS（PDOS）的局部投影。
（此过程大部分时间）
将数据导出到指定的文件名（此文件通常小于1MB）
使用DOS_extractor.py，可以通过一个命令行完成以下四个过程：
$
python
DOS_extractor.py
[xml_filename]
[out_filename]
[entries_or_options]
[xml_filename]：va
2022-05-20 19:52:37
1MB
1
一维DFT及其反变换
离散函数f(x)(其中x，u=0,1,2,…,N-1)的傅立叶变换:
F(u)的反变换的反变换:
计算F(u)：
在指数项中代入
u=0，然后将所有x 值相加，得到F(0)；
2) u=1，复对所有x 的相加，得到F(1)；
3) 对所有M 个u 重复此过程，得到全部完整的FT。
对于每一个u（频率），会得到一个具体的傅里叶系数。这个计算量是非常大的，在FFT出现之前，FT应用并不广泛。
*
2022-05-20 12:16:07
10.26MB
1
DFT的matlab源代码MovieLens数据集分析
马修·约翰逊（Matthew
Johnson）
数据集包含4个与电影分级有关的csv文件。
我想探索：
哪些类型与评级趋势或分布最相关？
用户评分习惯（高/低方差，高/低趋势）。
与正面评分与负面评分相关的标签。
预算/工期与评分是否有任何关系？
DataFrame形状：电影：（9125，3），评分：（100004，4），标签：（1296，3），链接：（9125，3）
%
matplotlib
inline
import
numpy
as
np
import
matplotlib
.
pyplot
as
plt
import
pandas
as
pd
import
seaborn
as
sns
movies
=
pd
.
read_csv
(
'movies.csv'
)
ratings
=
pd
.
read_csv
(
'ratings.csv'
)
tags
=
pd
.
read_csv
(
'tags.csv'
)
movies_2
=
pd
.
read_csv
(
'movies_exploded.csv'
)
im
2022-05-20 10:56:23
2.43MB
1