加权二部图的个性化推荐算法.doc

空气质量（Air quality）的好坏反映了空气污染程度，它是依据空气中污染物浓度的高低来判断的。空气污染是一个复杂的现象，在特定时间和地点空气污染物浓度受到许多因素影响。来自固定和流动污染源的人为污染物排放大小是影响空气质量的最主要因素之一，其中包括车辆、船舶、飞机的尾气、工业污染、居民生活和取暖、垃圾焚烧等。城市的发展密度、地形地貌和气象等也是影响空气质量的重要因素。随着地理信息系统的发展，空间数据分析已引起广泛的注意，解决空间数据的方法也越来越完善，地理加权回归是空间分析中一种重要的方法，是对普通线性回归全局模型的扩展，将数据的地理位置嵌入到回归参数，容许局部而不是全局的参数估计。另一

针对软件无线电中自动调制模式识别在信噪比大范围变化下的精度和速度问题，提出了一种带有参考训练的分类识别结构，通过构造有效的三维特征矢量和加权择多判决分类器，对BPSK、QPSK、FSK、PM、MSK五类信号进行调制模式识别。仿真结果验证了该方法的可行性和有效性。

基于回归和地理加权回归Kriging 的土壤有机质空间插值

大数据-算法-解析函数空间上的加权Cesro算子.pdf

交通流预测是智能交通系统至关重要的一部分，应用于交通流预测的方法非常多，由于实际路况的复杂性和单个.方法的局限性，现有方法的精确度亟待提高。为解决这一问题，采用数据融合的方法，对传感器采集的原始数据做数据预.处理，利用小波分析去除信号多余的噪声，然后利用AＲIMA 模型和灰色模型分别对同一交通流序列进行建模，得出两者.各自的预测结果后，找出最佳权值对两种模型的结果进行加权，得到数据融合后的预测结果。仿真结果表明，该组合模型.改善了单个预测方法的短处，使得预测精度有所提高。

图像融合IHS融合算法,PCA融合算法以及加权融合算法对比并输出融合清晰度

现有复杂网络节点重要性评估研究主要集中在无向、无权复杂网络上,未能全面客观反映真实复杂网络的情况。本文基于有向加权复杂网络模型,借鉴PageRank排名算法,并结合复杂网络节点重要性评估特点,提出节点重要性评估的新指标―――DWCN - NodeRank和相应评估方法,该指标既反映出节点局部连接的特性,又从全局体现了有向加权复杂网络中整体链接关系对节点重要性的影响。采用真实的复杂网络数据集所进行的仿真实验结果表明,该方法能快速、有效地评估有向加权复杂网络节点的重要性,提高了复杂网络节点重要性评估的实用价值

此处提供的代码是“多尺度加权核规范图像复原”计算机视觉和模式识别会议（ ）的实现。 请随时通过与我联系。 Noam Yair。 运行代码 一个简单的例子对于单个图像去模糊示例，请运行“ RunMe.m”文件。 复制纸本实验要进行纸质实验，请使用“ ReproduceExperiments.m”文件，并按照文档中的说明进行操作。 对于一个简单的示例，您也可以按原样运行此功能。 附加选项运行该算法的其他选项是使用“ RunAlgorithm”函数/文件，尽管该函数需要一些输入（损坏的图像，噪声水平等）。 请遵循此功能的文档以直接使用它。 注意：“ RunMe.m”函数的目的是为“ RunAlgorithm”函数创建适当的输入，然后调用它。 因此，您可能会发现使用“ RunMe.m”功能更为方便。 要求和依存关系 具有图像处理工具箱的Matlab。 使用IRCNN方法进行初始化时，请参

超松弛再生matlab代码低阶矩阵恢复的谐波均值迭代加权最小二乘 该存储库包含MATLAB代码，用于实现低阶矩阵恢复（尤其是针对低阶矩阵完成问题）的谐波均值迭代最小二乘（HM-IRLS）算法的基本变体，并重现本文所述的实验。纸： C.库默勒（J. Sigl） “用于低秩矩阵恢复的谐波平均迭代加权最小二乘”将出现在《机器学习研究杂志》（JMLR）中。 在线可用： 主文件是HM_IRLS.m 。 另请参见示例脚本： script_mc_comparisons.m -HM-IRLS与其他两种算法在随机矩阵完成数据上的比较脚本 script_small_example_IRLSvariants.m该脚本说明了本文第3部分的小示例，将HM_IRLS与其他IRLS变体进行了比较，以解决该问题 script_HM_IRLS_Figure3.m本文图3的脚本重现实验（HM-IRLS和其他IRLS变体的收敛速度，用于解决简单问题） script_HM_IRLS_Figure4.m本文图4的脚本重现实验（HM-IRLS和其他IRLS变体对难题的收敛速度） script_HM_IRLS_Figure5.m本