基于改进方向波变换的泡沫图像增强新方法

紧急响应系统（ERS）可以帮助市政当局或政府提高其应对紧急和严重事件的能力。 ERS的响应能力和有效性在很大程度上取决于其数据采集和处理系统，该系统是随信息技术（IT）演变而来的。 随着传感器网络和云计算的飞速发展，新兴的物联网（IoT）在ERS中的作用越来越大。 传感器，公共服务和专家的网络可以相互交互，并基于实时数据对紧急情况做出科学决策。 在ERS中需要进行群体决策时，一个关键的挑战是充分了解海量和多样化的数据，并在高层的基础上达成共识。压力和严格的时间限制。 由于无组织的数据的性质和系统的复杂性，ERS取决于来自不同领域的专家的理解和判断。 在对紧急情况做出适当的决定之前，要评估对收集到的数据和应对计划达成的共识是具有挑战性的。 在本文中，将紧急情况下的群体决策制定为多属性群体决策（MAGDM）问题，对专家之间的共识进行建模，并提出了一种新的方法，可以在决策过程中以最大化的共识达成对应急计划的理解。 在实现过程中，所建议的方法与计算机程序集成在一起，并作为服务封装在服务器上。 新方法的目标是（i）增强对突发事件情景和响应计划的全面

利用非线性观测器进行动态手眼视觉跟踪的新方法

提出一种基于一维线衍射光栅的焦斑重构和远场测量新方法，从理论上分析了新方法在拓展测量仪器动态范围、提取远场焦斑高频旁瓣信息的有效性及方法的适用条件。基于实验室现有的一套远场测量系统平台及自行设计的一维线衍射光栅，以远场环围能量(PIB)曲线作为检验新方法有效性的指标，通过数值仿真和实验相结合考察了新方法的有效性，并从准确测量远场焦斑质量的角度探讨了不同减阈值的去噪方式对焦斑重构结果的影响，对结果进行了分析讨论。

ADAMS 3D路面构造新方法 高清PDF 车辆动力学必备 完整版

自主移动机器人路径规划新方法（含matlab代码、ppt以及文档）

基于直接反电动势的BLDC准确换相新方法

支持向量机是数据挖掘中的一个新方法。支持向量机能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、工科和管理等多种学科。目前国际上支持向量机在理论研究和实际应用两方面都正处于飞速发展阶段。希望《数据挖掘中的新方法——支持向量机》能促进它在我国的普及与提高。 《数据挖掘中的新方法——支持向量机》对象既包括关心理论的研究工作者，也包括关心应用的实际工作者。对于有关领域的具有高等数学知识的实际工作者，略去书中的某些理论部分，仍能对支持向量机的本质有一个概括的理解，从而用它解决自己的问题。 《数据挖掘中的新方法——支持向量机》适合高等院校高年级学生、研究生、教师和相关科研人员及相关领域的实际工作者使用。 序言 符号表 第1章 最优化问题及其基本理论 1·1 最优化问题 1·2 最优性条件 1·3 对偶理论 1·4 注记 参考文献 第2章 求解分类问题和回归问题的直观途径 2·1 分类问题的提出 2·2 线性分类学习机 2·3 支持向量分类机 2·4 线性回归学习机 2·5 支持向量回归机 2·6 注记 参考文献 第3章 核 3·1 描述相似性的工具——内积 3·2 多项式空间和多项式核 3·3 Mercer核 3·4 正定核 3·5 核的构造 3·6 注记 参考文献 第4章 推广能力的理论估计 4·1 损失函数和期望风险 4·2 求解分类问题的一种途径和一个算法模型 4·3 VC维 4·4 学习算法在概率意义下的近似正确性 4·5 一致性概念和关键定理 4·6 结构风险最小化 4·7 基于间隔的推广估计 4·8 注记 参考文献 第5章 分类问题 5·1 最大间隔原则 5·2 线性可分支持向量分类机 5·3 线性支持向量分类机 5·4 支持向量分类机 5·5 ν-支持向量分类机(ν-SVC) 5·6 ν-支持向量分类机(ν-SVC)和C-支持向量分类机(C-SVC)的关系 5·7 多类分类问题 5·8 一个例子 5·9 注记 参考文献 第6章 回归估计 6·1 回归问题 6·2 ε-支持向量回归机 6·3 ν-支持向量回归机 6·4 ε-支持向量回归机(ε-SVR)与ν-支持向量回归机(ν-SVR)的关系 6·5 其他形式的支持向量回归机 6·6 其他形式的损失函数 6·7 一些例子 6·8 注记 参考文献 第7章 算法 7·1 无约束问题解法 7·2 内点算法 7·3 求解大型问题的算法 7·4 注记参考文献 第8章 应用 8·1 模型选择问题 8·2 分类问题的线性分划中的特征选择 8·3 模型选择 8·4 静态图像中球的识别 8·5 自由曲面的重建问题 8·6 应用简介 8·7 核技巧的应用 8·8 注记 参考文献 附录A 基础知识 A·1 基本定义 A·2 梯度和Hesse矩阵 A·3 方向导数 A·4 Taylor展开式 A·5 分离定理 附录B Hilbert空间 B·1 向量空间 B·2 内积空间 B·3 Hilbert空间 B·4 算子、特征值和特征向量 附录C 概率 C·1 概率空间 C·2 随机变量及其分布 C·3 随机变量的数字特征 C·4 大数定律 附录D 鸢尾属植物数据集 英汉术语对照表

：提出一种ＳＡＲ图像目标识别新方法。首次引入ＢＭ３Ｄ方法，用于滤除原始图像中的相干斑噪声，ＢＭ３Ｄ结合了空 间域和变换域去噪的优势，滤波性能优异。在特征提取步骤，将低阶 Ｈｕ矩与高阶Ｚｅｒｎｉｋｅ矩组合，Ｈｕ矩描述目标的粗 略信息，高阶Ｚｅｒｎｉｋｅ矩描述目标的细节信息，因此组合矩能够更加全面而细致地表达目标特性。使用组合矩特征训练 ＳＶＭ 分类器，对含噪的ＳＡＲ图像进行识别实验。实验结果表明：本文方法的识别率高达９８．９０％，优于已有的ＳＡＲ目 标识别方法

基于三次样条插值的指针式仪表图像分割方法，首先提取包含指针的圆形区域作为信息图，对信息图进行中值滤波、灰度拉伸；其次使用16个固定的阈值对信息图进行分割，并统计指针的长度和面积；最后使用三次样条插值法对面积序列插值并计算其一阶差分，以指针长度大于信息图半径的最小阈值作为起点，求得一阶差分的第一个波谷点，以该点对应的灰度值作为分割阈值对信息图进行图像分割。解决了指针阴影被分割为指针的问题。