求解两点边界值问题步骤
由控制方程（1.6.11）求得
U=U[X(t)，(t)，t] （1.6.14）
将式（1.6.14）代入规范方程（1.6.9）和（1.6.10）消去其中的U(t)，得到
（1.6.15）
（1.6.16）
利用边界条件（1.6.12）和（1.6.13）联立求解方程（1.6.15）和（1.6.16），可得唯一确定的解X(t)和(t)。
将所求得的X(t)和(t)代入式（1.6.14）中，可求得相应的U(t)。
2021-10-04 15:49:32
1015KB
1
细节增强的matlab代码具有明亮通道先验的单微光图像增强的混合$
L_2-L_p
$变分模型
付刚段炼肖春霞
注意：如果您有任何疑问，请通过电子邮件与我联系：
介绍
在本文中，我们考虑并研究了范数变量，并基于Retinex提出了具有明亮通道先验的混合$
L_
{2}
-L_
{p}
$变分模型，以将观察到的图像分解为反射层和照明层。
与现有方法不同，我们提出的模型可以保留反射层的更多细节，同时使照明层无纹理，从而避免了纹理复制问题。
此外，为了解决我们的非线性优化问题，我们采用了交替最小化方案来找到最优方案。
最后，我们在大量图像上测试了我们的算法，实验结果表明，该方法在定性和定量方面都比其他最新方法取得了更好的效果。
如果您使用该代码进行研究，请按以下方式引用我们的论文：
@inproceedings{fu-2019-hybrid-l,
author
=
{Fu
Gang,
Duan
Lian,
Xiao
Chunxia},
title
=
{A
Hybrid
$L_2-L_p$
Variational
Model
for
Single
Low-light
Image
Enhanc
2021-09-30 16:10:43
1.82MB
1
va
结点树变分自动编码器实现尝试
回购现在处于存档模式原始文件的工作源
我的叉子具有python3兼容性和一些性能改进
2021-09-29 10:54:07
3.19MB
1
变分模态分解方法能够使一个多频带的故障信号，分解出具有单个频带的子信号，然后使用共振解调方法可实现故障信号的诊断。
2021-09-28 18:00:42
2KB
鉴于目前很少有论文讨论完整的由单幅二维灰度图像重构物体表面形状的算法，包括它的控制参数的估计及算法的实现，介绍了一种完整的SFS算法。它在考虑自遮掩影响的情况下，有效地估计了SFS算法中涉及的各种控制参数，并引入亮度约束、灰度梯度约束和可积性约束，计算出表面高度和表面向量，实现三维重构。与传统的算法相比，本算法无论是在速度还是在精度方面都达到了比较高的水平，具有一定的应用前景。最后还指出了在MATLAB中实现需要注意的问题。
2021-09-27 16:13:52
244KB
1
横截条件推导过程
问题描述：假定极值曲线的始端A(t0，x0)是固定的，而终端B(tf，xf)是可变的，并沿着给定的曲线
（1.3.1）
变动，如图1－7所示。现在的问题是需要确定一条从给定的点A(t0，x0)到给定的曲线(1.3.1)上的某一点B(tf，xf)的连续可微的曲线x(t) ，使得泛函
达到极小值。
（1.3.2）
2021-09-25 13:36:57
1015KB
1
vmd
matlab代码变分模式分解
(VMD)
及其变体
原始
VMD
代码：VMD.m
K.
Dragomiretskiy,
D.
Zosso,
Variational
Mode
Decomposition,
IEEE
Trans.
on
Signal
Processing
多元变分模式分解代码：MVVMD.m
N.
Rehman,
H.
Aftab,
Multivariate
Variational
Mode
Decomposition,
arXiv:1907.04509,
2019.
我们的作品：MVMD.p、STMVMD.p、MAC.p、MVMD.pyd、STMVMD.pyd。
现在只有
Matlab
R2016a
的
pcodes
和
Python
3.6.5
的
pydcodes
可用。
请注意：我们只允许使用这些程序来验证我们的论文“多维变分模式分解及其短时对应物”。
除非另行通知，否则不允许用于其他目的。
如果您对以上代码有任何疑问，请联系我。
输入和参数：
信号
-
要分解的时域信号
alpha
-
数据保真度约束的平衡参数
tau
-
双上升的时间步长（选择
0
2021-09-23 14:36:37
167KB
1
[英语] 这个例子展示了如何在 MATLAB 中创建一个条件变分自动编码器 (VAE) 来生成数字图像。VAE 生成具有 MNIST 数据集样式的手绘数字。与变分自动编码器 (VAE) 不同的是，条件 VAE 可以输入要生成的类标签，可以合成更清晰的图像。条件GAN（生成对抗网络）也是合成图像的变量。来自VAE的合成图像往往会模糊，因为此类图像的损失值变低。使用GANs ，问题可能会得到解决。 https://jp.mathworks.com/matlabcentral/fileexchange/74921-conditional-gan-generative-adversarial-network-with-mnist [日本人]这个演示实现了一个条件变分自动编码器。与普通变分自编码器的不同之处在于，您可以指定要生成的图像的标签。这将允许您生成更清晰的图像。 由于VAE的机制，当生成的
2021-09-21 17:05:09
5MB
1
这是文章关于变分自动编码器的中文代码注解
源代码来自于： :
环境要求：
pip install requirements.txt
其他利用的资源：
转置卷积原理动态图： :
模型图片： :
由于本人水平有限，欢迎各位提出批评建议
公众号：BBIT
2021-09-16 14:29:01
2.1MB
1