Python实现表面网格重采样算法ACVD - pyvista/pyacvd-源码

基于分块的压缩感知算法适用于图像信号的处理，通过平滑迭代阈值投影法可以快速重构图像，但存在低采样率下重构图像质量较差的缺点。基于全变差分的分块压缩感知算法，在一定程度上能提升重构效果，但降低了运算速度。针对以上算法的不足，提出基于多尺度的自适应采样图像分块压缩感知算法。根据小波分解后不同层对重构结果影响所占权重不同的特性，自适应分配给每一层不同的采样率，并在重构时将平滑迭代阈值投影法应用到每一层的每一个子带的分块上。实验结果表明，与传统的迭代阈值投影法相比在重构质量上提高了1~3 dB，在重构速度上与迭代阈值投影法相当并优于全变差分法。

考虑的程序是：重叠块引导程序 (Künsch)、固定引导程序 (Politis-Romano) 和季节性块引导程序 (Politis)。 如果块大小等于 1，则应用 iid Bootstrap (Efron)。 所有程序都处理向量时间序列。

针对智能电网调度控制系统(D5000系统)健康度评价，基于专家经验的传统评价方法存在主观性较大的问题，机器学习多分类方法是提高评价客观性的一种有效手段，但健康度各等级样本数目间存在的不平衡问题导致分类准确率较低，为此提出一种基于随机平衡和极端梯度提升(RB-XGBoost)算法的D5000系统健康度评价模型。首先，针对系统各评价等级样本数目严重不平衡的问题，提出一种自适应随机平衡(RB)的混合采样方法，分别以等级间样本数目的最大值、最小值作为采样区间的上、下限，生成多个随机数对各等级样本数据进行欠采样或过采样，增加训练数据的多样性并降低其不平衡程度；然后，训练平衡后的样本数据，建立极端梯度提升(XGBoost)算法子模型，考虑到各子模型重要度的一致性，提出采用硬投票方式集成所有子模型，得到与D5000系统各子模块对应的评价模型；最后，根据该系统指标层级关系，在评价过程中采用并、串行结合的计算方式，构建包含17个RB-XGBoost模型的D5000系统整体健康度评价模型。8组KEEL数据库中多类不平衡数据集的实验结果表明，与现有同类典型方法相比，所提方法的平均分类准确率最高提升了6.79

使用IDL语言重采样JPG图像。实现将jPEG图像缩放。使用的是interpolate函数。

传统的支持向量机(SVM)算法在数据不均衡的情况下,分类效果很不理想。为了提高SVM算法在不均衡数据集下的分类性能,提出随机下采样与SMOTE算法结合的不均衡分类方法。该方法首先利用随机下采样对多数类样本进行采样,去除样本中大量重叠的冗余样本,使得在减少数据的同时保留更多有用信息;而对少数类样本则是利用SMOTE算法进行过采样。实验部分将其应用在UCI数据集中并同其他采样算法比较,结果表明文中算法不但能有效提高SVM算法在不均衡数据中少数类的分类性能,而且总体分类性能也有所提高。

请注意，级联滤波器的解调信号比仅低通的情况要好

插补的基本概念、脉冲增量插补与数据采样插补的特点和区别、逐点比较法的基本原理、直线插补和圆弧插补

非平稳信号的类似于STFT的时频表示-从均匀采样的数据到任意非均匀采样的数据

原始的下肢肌电信号态数据，欢迎下载