Consensus control of nonlinear leader-follower multi-agent systems with actuating disturbances

IEEE中2021年八月发表的文章A Blockchain-based Multi-domain Authentication Scheme for Conditional Privacy Preserving in Vehicular Ad-hoc NetWork

==================================================================================== Lytro Multi-focus Dataset: This dataset contains 20 pairs of color multi-focus images of size 520?20 pixels and four series of multi-focus images with three sources. Please cite the following paper if you use this dataset: M. Nejati, S. Samavi, S. Shirani, "Multi-focus Image Fusion Using Dictionary-Based Sparse Representation", Information Fusion, vol. 25, Sept. 2015, pp. 72-84. doi:10.1016/j.inffus.2014.10.004 ==================================================================================== https://mansournejati.ece.iut.ac.ir/content/lytro-multi-focus-dataset 其中 all-in-focus图像采用Multi-scale weighted gradient-based fusion for multi-focus images合成的

Large Margin Multi-Task Metric Learning LMNN（Distance Metric Learning for Large Margin Nearest Neighbor Classification）的代码

Matlab jpeg2000压缩代码多分量医学图像的无损压缩方法 抽象的 在疾病诊断中，医学图像起着重要的作用。 它的无损压缩非常关键，它直接决定了本地存储空间的需求和远程医疗系统的通信带宽，从而有助于患者的诊断和治疗。 与医学图像有关的有两个非凡属性：无损和相似。 如何利用这两个属性来减少表示图像所需的信息是压缩的关键点。 在本文中，我们利用大数据挖掘来建立图像码本。 也就是说，找到图像的基本组成部分。 我们提出了一种用于多成分医学图像的软压缩算法，该算法可以准确反映图像的基本结构。 提出了图像压缩的通用表示框架，对压缩结果的测量结果表明，我们开发的软压缩算法在压缩率方面可以胜过流行的基准测试。 角色 该代码是为无损模式下的多分量图像压缩而设计的。 该代码可以在疟疾，BCCD和黑色素瘤数据集上获得压缩比结果。 对于其他数据集，只需做一些更改即可达到压缩效果。 代码先决条件 所需的软件包： pip install opencv-python --user pip install opencv-contrib-python --user pip install numpy 数据集： B

Multi-View Multiple Clustering.pdf

CENTOS 7 下安装 multipath存储多路径软件 安装流程： CENTOS 7 最小化安装 设置好存储交换机（我的是博科） 存储空间（我的是联想V7000） 注意：此教程是全新安装 原有空间从新挂载 数据重要的 不要做格式化下面这步 7.mkfs.xfs /dev/mapper/mpatha 格式化为xfs文件系统

多类花卉分类 使用Keras进行多类花卉图像分类 用法用于训练模型：python3 training_model-数据集training_set-模型trained_model-情节图用于预测图像：python3预报.py-数据集training_set-模型trained_model-图像test_set / rose1 该模型已使用Keras库进行了训练。 这里使用的神经网络的架构通常称为LeNet架构，其描述如下：INPUT => CONV => RELU => POOL => CONV => RELU => POOL => FC => RELU => FC 为了训练该模型，最优化的纪元数是25，而使用Adam Optimizer的批量大小是32，初始学习率是1e-3。 这里的预训练模型具有以下准确性/损失，这也显示在图中plot.png训练准确性-0.9057验证准确性-0

3-sources，prokaryotic，reuters，uci-digit

chrome ie tab multi 两个版本。一个是1.0.0.1，在chrome68上用不了，安装后会被删除；一个是1.0.2.4只能在win8下使用。