pyHSICLasso pyHSICLasso是希尔伯特·施密特（Hilbert Schmidt）独立标准套索（HSIC Lasso）的软件包，这是一种考虑了非线性输入和输出关系的黑匣子（非线性）特征选择方法。 HSIC Lasso可以看作是广泛使用的最小冗余最大相关性（mRMR）特征选择算法的凸变体。 HSIC套索的优势 可以有效地找到与非线性相关的特征。 可以找到非冗余功能。 可以获得全局最优的解决方案。 可以通过内核处理回归和分类问题。 功能选择 监督性特征选择的目标是找到负责预测输出值的输入特征子集。 通过使用它，您可以补充非线性输入和输出的依赖性，并且可以有效地计算高维问题的最优解。 通过针对数以千计的特征进行分类和回归的特征选择实验证明了其有效性。 在许多实际应用中，例如从微阵列数据中选择基因，文档分类和假体控制，在高维监督学习中寻找功能的子集是一个重要的问题。 安装

cpp_robotics：机器人算法的C ++示例代码

近似算法设计，David. P. Williamson等人，2011年。Coursera近似算法公开课遇到障碍了，在网上找了一些近似算法相关的书。比较推荐另外一本，Vijay V. Vazirani - Approximation algorithms (2004, Springer)，和课程内容更同步一些。

图形 GraphLIME是节点分类任务中GNN的模型不可知的，局部的和非线性的解释方法。 它使用Hilbert-Schmit独立标准（HSIC）Lasso，这是一个非线性可解释模型。 可以在看到更多详细信息。 这个仓库通过使用令人印象深刻的GNN库实现GraphLIME，并重现了过滤掉无用特征的结果。 即论文中的图3。 安装 只需使用pip即可安装。 > pip install graphlime 用法 此实现易于使用。 您需要做的就是确认模型首先输出对数概率（例如， F.log_softmax()输出），然后实例化GraphLIME对象，最后通过调用explain_node()方法解释特定的节点。 from graphlime import GraphLIME data = ... # a `torch_geometric.data.Data` object model =

SLAM-using-GTSAM：无人机的同时映射和本地化框架

这本书提供了充分的代表性逆合成孔径雷达（ISAR）成像。本书涵盖了所有可能的ISAR成像方面。这本书提供了一个介绍了专家组的逆问题和合成孔径雷达（SAR）提出的问题之前，信号处理技术和雷达基本相当。如高分辨率SAR的重要概念，脉冲压缩和图像形成连同相关的MATLAB代码。 很全面，本代码很适合学习研究。

Introduction To Genetic Algorithms 遗传算法导论 Springer,2008

graph theory 经典 Network flows theory algorithms and applications.pdf

google上一本很不错的图书《Algorithms To Live By》指导生活的算法 PDF

Latte：对流神经网络（CNN）推理引擎 Latte是用C ++编写的卷积神经网络（CNN）推理引擎，并使用AVX对操作进行矢量化。 该引擎可在Windows 10（32位和64位），Linux（内核= 4.12.10，gcc = 7.2.0）和macOS Sierra上运行。 当使用ATLUS构建caffe时，它具有与NVIDIA Caffe相同的精度和相同的推理速度。 该引擎具有自己的网络文件格式（.ahsf文件），因此我们提供了一些python脚本，可将NVIDIA Caffe的文件转换为我们自己的文件。 引擎支持以下层： 输入层。 卷积层。 ReLU。 完全连接的层。 Softmax。 最大池化层。 sigmod。 丹妮 如何使用python脚本： 我们的python脚本是使用Python 2.7.13制作的，需要以下软件包才能正常工作： Pycaffe（在构