网络中节点重要性度量对于信息的扩散、产品的曝光、传染性疾病的检测等都具有重大的理论意义。为了度量节点重要性，基于网络拓扑结构考虑全局信息和局部信息提出了加权的节点重要性度量方法。对于一个无权网络，先考虑网络全局信息，计算出每个节点的特征中心向量值，将边两端节点值的和作为边的权重，从而构成一个加权网络；然后根据加权网络的局部信息求出加权网络的度。基于SIR模型的四个实证网络，实验结果表明加权方法比特征向量中心性、度中心性、紧密度中心性和介数中心性方法的效果更显著。

基于加权最小二乘优化的DV-HOP定位算法.pdf

线性回归是目前进行机器人预测的一个很好的算法，并可以用于很多领域的预测

局部加权投影回归（LWPR）是一种完全增量的在线算法，用于在高维空间中进行非线性函数逼近，能够处理冗余和不相关的输入维。 它的核心是使用局部线性模型，该模型由输入空间中选定方向上的少量单变量回归所跨越。 使用偏最小二乘（PLS）的局部加权变体来进行降维。 请引用：[1] Sethu Vijayakumar，Aaron D'Souza和Stefan Schaal，《高维增量在线学习》，《神经计算》，第一卷。 17号，第12卷，第2602-2634页（2005）。 [2] Stefan Klanke，Sethu Vijayakumar和Stefan Schaal，《局部加权投影回归的图书馆》，《机器学习研究》（JMLR），第1卷。 9，623--626（2008）。 代码网站上的更多详细信息和使用指南。

压缩感测理论近年来引起了广泛的关注，并且稀疏信号重建已广泛用于信号处理和通信中。 本文解决了稀疏信号恢复的问题，尤其是在非高斯噪声的情况下。 本文的主要贡献是提出了一种算法，其中负熵和重新加权方案代表了解决问题方法的核心。 信号重建问题被形式化为约束最小化问题，其中目标函数是误差统计特征项，负熵和稀疏正则项项测量值p的范数之和，对于0 <p <1。但是，p-范数会导致非凸优化问题，难以有效解决。 在这里，我们将'p-范数视为加权的'1-范数的严重范数，以使子问题变得凸。 我们提出了一种优化算法，该算法结合了前向后向拆分。 该算法速度快，能够成功准确地恢复具有高斯和非高斯噪声的稀疏信号。 若干数值实验和比较证明了该算法的优越性。

针对原始全局的引导滤波算法对整幅图像各个区域使用统一的线性模型与相同的规整化因子，从而未能适应图像本身不同区域的纹理特性，提出了基于LoG边缘检测算子改进的加权自适应规整因子。通过在局部窗口内计算LoG幅值响应，对原有的规整化因子进行惩罚来取得对图像平滑区域与边缘区域的自适应，使得在保证降噪效果的前提下进一步突出边缘像素和平坦区域像素之间的差异。对开源医学图像库BrainWeb中不同断层的T1、T2与PD加权图像，共18张图像，添加9％的莱斯噪声作为测试库，并采用结构相似性因子(SSIM)与无参考图像锐化

SQL计算某只股票5日移动平均价和5日交易量加权移动平均价（附SQL语句）

当图像中同时存在脉冲噪声和高斯噪声时,传统的中值滤波算法和均值滤波算法均不能达到较好的去噪效果。针对这一问题,提出了一种改进的加权均值滤波算法。算法采用局部阈值优化的方法计算各像素点的权值,将滤波窗口各像素点的灰度值与对应的权值进行加权运算,结果作为窗口中心点的滤波输出。仿真实验结果证明,该算法对脉冲噪声和高斯噪声具有较强的去噪能力,且较好地保持了图像的细节,效果均优于传统中值、均值滤波算法和改进的中值滤波算法(IMF)。

*信息：此函数根据用户指定的 Sortino 比率、夏普比率、平均总回报、平均下行风险、平均回报标准差和最大回撤的加权线性组合优化投资组合权重。 基本思想是提供一个目录作为输入'csv_dir'。 该文件夹应包含希望构成投资组合一部分的每个代码的历史数据的 .csv 文件。 然后，该函数将根据用户的标准返回优化的加权方案。 它还将为投资组合、替代等权重投资组合以及每个单独的股票代码输出历史业绩数据。 此外，您可以选择绘制一个矩阵，显示单个资产之间的相关性，以及一个 3D 点云，显示优化的投资组合在最高权重维度上的其他随机生成的投资组合中的位置。 该功能是使用Yahoo Finance（ https://finance.yahoo.com/ ）的数据设计的，但如果格式相似，则应与其他数据源一起使用。 尝试优化其中包含的样本组合（包含2006-2018年的数据），以更好地了解用例。 （见下面

给出动态规划的递推公式，用实例细致分析了加权区间调度问题思路和每一步的运算结果，有利于快速理解此类问题。