为了提高K-prototypes算法的聚类准确度,解决其随机选取聚类中心初始值导至的聚类精度较低和聚类结果不稳定的问题。通过对混合属性数据聚类算法的研究,对K-prototypes 算法做了进一步的改进。提出了混合属性聚类的初始聚类中心确定方法,并且通过加权算法改进了相异度计算公式。最后用UCI数据集对算法进行检验,结果表明,改进的加权K-prototype算法更加稳定,并具有较高的聚类精度。

用于给阵列天线中的面阵的阵元激励进行泰勒加权

Dijkstra迪杰斯特拉加权有向图最短路径动态演示（Python GUI tkinter）—山东大学数据结构课程设计

l-曲线矩阵代码代码代码 该存储库适用于以下论文中介绍的自我正则化加权稀疏（SRWS）模型，并在Matlab R2018a中构建。 Zhang T，Peng Z，Wu H，et al。 [J]。 神经计算，420：124-148。 有关我的更多信息，您可以访问我的。 内容 介绍 红外搜索与跟踪（IRST）系统已在许多领域中广泛使用，但是，在复杂背景下检测红外小目标仍然是一项艰巨的任务。 本文提出了一种新的检测方法，称为自规则加权稀疏（SRWS）模型。 该算法是针对数据可能来自多个子空间的假设而设计的。 并且，可以检测背景结构信息的重叠边缘信息（OEI）被用于约束稀疏项并提高准确性。 此外，自正则项用于在背景中挖掘潜在信息，并从多个子空间中提取杂波。 因此，红外小目标检测问题转化为优化问题。 通过将优化函数与乘积交替方向法（ADMM）结合，我们解释了SRWS的求解方法并优化了其迭代收敛条件。 一系列实验结果表明，所提出的方法优于最新的基线。 图1.红外图像转换为斑块图像的插图。 图2.背景估计能力的图示。 （a）-（d）是原始图像； （e）-（h）是通过IPI估计的背景，采用单个子空间方

matlab开发-加权归一化交叉相关。通过标准化互相关（但使用加权模板）在图像中执行模式匹配

此脚本显示如何从给定的扩散加权 MRI 数据集计算扩散峰度 (DKI) 系数。 该脚本使用 A. Barmpoutis 和 J. Zhuo 撰写的文章“Diffusion Kurtosis Imaging: Robust Estimation from DW-MRI using Homogeneous Polynomials”中的各种约束实现了几种拟合方法，在 ISBI 会议录，2011 年，第 262-265 页。

归一化互相关 (NCC) 是在已知比例和方向的图像中查找给定模式的绝佳选择。 Matlab 的 IP 工具箱 normxcorr2 函数就是这样做的。 然而，没有办法指定图案的哪些像素是重要的。 这尤其成问题，因为模板（即模式）矩阵无意中指定了矩形 ROI。 因此，如果图像中出现的图案具有与图案足够接近的伪影，它将在模板窗口的范围内，因此响应会降低。 假设问题的本质是这样的伪影对于模式匹配实际上并不重要，能够减轻远离模式的像素可以减轻这种情况。 注意：这个函数比 normxcorr2 更昂贵。 它在图像和模板大小的矩阵之间使用 3 个卷积（技术上相关）。 卷积实现自动在频域和空间域之间切换，因此时间通常是“合理的”。 WNCC 公式（但不是实现）与 NCC 相同，但它具有加权方差与常规方差，即NCC = cov(x,y)/sqrt(cov(x,x)*cov(y,y)) ==> WNCC

该代码是基于MATLAB 2019b编写的反距离加权函数（全局变量），代码中设置的影响级为-1，与ArcGIS不同：-2的影响级以及周围12个点进行反距离加权

完整代码，可直接运行

加权网络节点重要性评估的改进节点收缩法