高斯过程 我用高斯过程实现回归。 写它是为了加深我对这些概念的理解。 如果您想在您的应用程序中使用它，请先与我联系。 该代码远非稳定且可供使用。

PPT内含Gaussian安装包链接，可直接下载。 欢迎各位下载

MFFA 多重分形趋势波动分析MFDFA是一种与模型无关的方法，可以揭示随机过程或自回归模型的自相似性。 DFA由Peng等人首先开发。 1和后来扩展到研究Kandelhardt等人的多重分形MFDFA 。 2 。 在最新版本中，还添加了移动窗口系统，特别适用于短时间序列，最近对DFA的扩展（称为扩展DFA ）和经验模式分解的额外功能（作为去趋势方法）。 安装 要安装MFDFA，您只需使用 pip install MFDFA 在您喜欢的编辑器上，只需将MFDFA导入为 from MFDFA import MFDFA 有一个附加的库fgn可以生成分数高斯噪声。 MFDFA库 MFDFA基础仅取决于numpy ，尤其是numpy的polynomial 。 在版本0.3中，添加了一种基于方法，以替代依赖于PyEMD时间序列趋势变化方法。 使用MFDFA库 一维分数阶Ornstein-U

gaussian09的Windows版本

这是流行的 Nonlocal Means 去噪方案的快速而稳健的实现，适用于 Rician 和 Gaussian 平稳噪声。 它的工作原理是基于特征空间中的距离计算非局部权重，包括图像的局部平均值和梯度。 与原始实现相比，它可以达到 20 倍的加速因子，并提高了中低 SNR 图像的性能。 我们基于众所周知的传统方法对 Rician 噪声使用偏差校正步骤。 可以在以下参考资料中找到有关此算法的更多详细信息（如果您使用此软件进行研究，我们要求您引用）： A. Tristan-Vega、V. Garcia Perez、S. Aja-Fenandez 和 C.-F. 威斯汀， '基于MR数据的高效鲁棒非局部均值去噪显着特征匹配，计算机方法和程序生物医学，105（2）：131-44。 2012 年。 注意：此 Matlab 实现无法利用上述论文中描述的所有计算方法。 如果计算性能对您来说

通过GaussView建立模型，以便于在Gaussian中计算过渡态能量和结构、键和反应能量、分子轨道、原子电荷和电势、振动频率、红外和拉曼光谱、核磁性质、极化率和超极化率、热力学性质、反应路径，计算可以对体系的基态或激发态执行。可以预测周期体系的能量，结构和分子轨道。是学习量子化学计算的必备可视化工具。

高斯混合模型的em算法代码，文档粗略解析和代码。注释高斯混合，不是高斯过程混合。

高斯混合模型意味着每个数据点（随机）从 C 类数据之一中抽取，概率 p_i 从第 i 类中抽取，并且每个类都分布为具有平均标准差 mu_i 和 sigma_i 的高斯分布。 给定从这种分布中提取的一组数据，我们试图估计这些未知参数。 这里用于估计的算法是 EM（期望最大化）。 简单地说，如果我们知道 N 个输入数据点中的每一个的类别，我们就可以将它们分开，并使用最大似然估计每个类别的参数。 这是 M 步。 E 步骤根据每个类的前一轮参数估计为每个数据点（软）选择（未知）类。 隐式地将数据分类（或聚类）到不同的类中，估计其参数。 当前代码仅适用于一维数据，主要用于说明混合模型和 EM 的想法，但很容易推广到更高维度。

Probreg is a library that implements point cloud registration algorithms with probablistic model. The point set registration algorithms using stochastic model are more robust than ICP(Iterative Closest Point). This package implements several algorithms using stochastic models and provides a simple interface with . Core features Open3D interface Rigid and non-rigid transformation Algorithms Maximum

与“高斯-对数-高斯小波树、频率论和贝叶斯推理以及统计信号处理应用”论文相关的程序。 包括新 GLG 模型以及著名的 Crouse、Nowak 和 Baraniuk 有限混合模型中的估计和噪声去除程序。