模糊集matlab代码支持测量数据说明： 用于组异常检测的一类分类器 概要 论文实验：支持度量数据描述，一种用于组异常检测的一类分类器。 引文： @INPROCEEDINGS{FuzzSim, author={Guevara, J. 和 Hirata, R. 和 Canu, S.}, booktitle={模糊集比较手册 - 理论、算法和应用}, title={使用距离的模糊集相似性-基于模糊集的内核}，年份={2015} } 先决条件 SVM-KM 来自（包含） CVX：来自 MATLAB 2013a 用于实验 R 表示图 代码示例 运行 Matlab 文件 main.m。 这将在 /output 文件夹中生成 *.mat 。 或者，您可以使用 linux 中的 screen 程序，如下所示： screen -d -m matlab -nodisplay -nosplash -r "experimentsGADGMM(1,10,300)" screen -d -m matlab -nodisplay -nosplash -r "experimentsGADGMM(2,10,300)"

提出了一种复杂环境下的车道检测算法。 它关注通过对象分割来选择候选车道区域。 然后由Sobel算子提取冗余边。 此外，通过从边缘进行阈值选择来获得候选车道标记。 最后，通过分段拟合检测车道标记。 该算法在MATLAB中进行了仿真。 实验表明，可以正确检测车道标记。 在昏暗的环境中，预处理中的分段线性变换可增强检测性能。 有限的兴趣区域有助于识别适当区域中的车道，从而提高了操作速度。 基于特征的方法通常受图像强度的影响。 为了更精确地检测，需要进一步考虑道路的几个特征。

简单的物体检测程序 ##使用React js（ ）。 Tensorflow js（ ）。 安装 npm install 跑步 npm start 在开发模式下运行应用程序。 打开在浏览器中查看它。 如果您进行编辑，则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 npm test 在交互式监视模式下启动测试运行器。 有关更多信息，请参见关于的部分。 npm run build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。 生成被最小化，并且文件名包括哈希值。 您的应用已准备好进行部署！ 有关更多信息，请参见关于的部分。 npm run eject 注意：这是单向操作。 eject ，您将无法返回！ 如果您对构建工具和配置选择不满意，则可以随时eject 。 此命令将从您的项目中删除单个生成依赖项。 相反，

社会距离检测 这是我尝试检测视频中的社交距离。

数字图像在临床影像、媒体传播、犯罪分析、科学分析等几乎所有领域都有不可避免的作用。 “一张图像等于一千字”这句话恰如其分，因为图像比文本具有更多的表达能力消息。 在所有调查中，由于强烈的观察，“眼见为实”，照片总是被视为“事件发生的证据”。 因此，图像被认为是“真理”。 通常，如果图像是使用任何图像捕获设备从实际场景或情况中原始记录或捕获的，则该图像是真实的。 捕获的图像应在真实意义上进行捕获的同时传达源头的原始情况或场景。 近几十年来，由于现代照片内容更改软件工具的可访问性，转换图像内容非常容易，因此图像的真实性和完整性微薄，数字图像中的篡改因此不需要任何专业技能。 本文介绍了对近期图像伪造检测技术的现代方法论评估和分析。 还简要介绍了在伪造检测技术的每个阶段中使用的各种方法。 为了直接参考，提供了比较表。 该主题评论论文旨在帮助研究人员就伪造检测的持续进展提供有用的理解和现代化信息。

We apply graph matching method to detect infrared small moving targets using image sequences. Candidates (interest points) detected in the first frame form one graph and the same candidates in the last frame form another one. The real moving targets are extracted by matching these two graphs. Experimental results demonstrate that the proposed method is robust and efficient to the translation and rotation of the background.

通过线段和圆完整度对图像进行圆检测” ICIP 2016中论文“通过线段和圆完整度对图像进行圆检测”的代码和CDBD 如果您认为该代码很有用，请引用我们的工作 @article{CDBD, author = {Truc Le and Ye Duan}, title = {Circle Detection on Images by Line Segment and Circle Completeness}, journal = {IEEE International Conference on Image Processing (ICIP)}, month = {September}, year = {2016}, pages = {3648--3652}, }

Low complexity ZF detection algorithm for Massive MIMO systems

高斯白噪声matlab代码基于自适应傅里叶分解的R峰检测，用于嘈杂的ECG信号 基于AFD的R峰检测的Matlab代码。 该方法在 Wang，Z.，Wong，CM，and Wan，F.（2017年7月）。 针对噪声ECG信号的基于自适应傅立叶分解的R峰检测。 在2017年第39届IEEE医学与生物学工程学会（EMBC）国际会议上（pp.3501-3504）。 IEEE。 R_detect_AFD_4_with_noise.m ：针对嘈杂的ECG信号，基于自适应傅里叶分解的R峰检测。 处理后的信号是MIT-BIH心律失常数据库中ECG信号与加性高斯白噪声的组合。 R_result_check.m ：检测结果。 AFD_filter_final.m ：基于AFD的过滤器。 AFD.m ：核心AFD ECG_100.mat和ECG_101.mat ：来自MIT-BIH心律失常数据库的真实ECG信号 注意事项： 由于噪声是由随机过程产生的，因此计算结果与会议论文中给出的结果之间可能会有细微的差异。 本文考虑了MIT-BIH心律失常数据库中的25条记录。 在此存储库中，仅提供了2个样本记录。 可

对NSL-KDD数据进行分类 使用lstm神经网络