灰色预测模型代码matlab 结构T1加权MRI图像的分类。 该存储库包含用于复制[1]中使用的分类过程的代码。 事先要求 该存储库中的代码取决于下面列出的专有和免费软件以及数据。 Matlab R2015a SPM8（） VBM8（） libsvm-3.22（） LONI概率脑图集（LPBA）（） 用法 MRI图像的分类需要四个主要步骤，如下所述。 预处理（CoregSegment.m）此步骤从原始T1加权图像中生成调制后的灰质的空间归一化图。 CoregSegmentVBM8( ' /path/to/t1_image.nii ' ); 请查阅帮助文本以了解更多参数。 特征提取（extractstructuralfeatures.m）此步骤将从文件夹的单元格数组和相应的基名中提取许多特征集，例如： folders = {'./S1' './S2' './S3'}; basenames = {'T1.nii' 'T1.nii' 'T1.nii'}; voxelGM = extractstructuralfeatures(folders,basenames); 请注意，必须在系统上安装L

TW-Co-k-means：用于多视图聚类的两级加权协作k-means

无人机和车辆行驶等情况下拍摄的视频受外界影响会造成视频抖动。通过对比现有的电子稳像技术，提出了利用FAST获取特征点的位置信息，再通过光流法结合NCC匹配得到参考帧特征点在当前帧的位置信息，在此基础上结合RANSAC算法剔除错误匹配的特征点对的改进算法。为了提高运动矢量估计的精度，应用加权最小二乘法得到相邻帧间的刚性变换矩阵，并经过卡尔曼滤波进行运动平滑得到扫描运动矢量并补偿，最终得到实时的稳定视频。实验表明，视频序列稳像后的帧间变换保真度有所提高，并且能够达到实时处理速度。

为了解决由多个电池单元组成的大容量电池储能阵列系统(BESAS)的优化运行问题，提出了一种基于分布式模型预测控制的加权一致性算法。首先，介绍了含风电场BESAS的构成，将多个电池储能单元划分为充电组和放电组，通过制定合理的组间协调策略，在不影响BESAS额定功率的前提下，提高储能系统的容量利用率和减少充/放电转换次数；然后，详细地介绍了所提分布式算法的计算过程，并将该算法应用于BESAS的分组控制过程，实现兼顾电池单元安全运行的功率自适应分配；最后，通过算例从算法性能和BESAS控制性能2个方面进行仿真验证，结果表明所提算法和分组控制策略在鲁棒性和控制效果方面均具有一定的优势和可行性。

成绩点数与学分的加权平均值，用Visual C++ 6.0编写

加权图像融合算法，对两幅图片进行加权图像算法运算。MATLAB编写

nara_wpe 语音混响的加权预测误差 由外壳中的反射引起的背景噪声和信号混响是声信号处理和远场语音识别中的两个主要障碍。 这项工作解决了基于WPE的信号去混响技术，用于语音识别和其他远场应用。 WPE是一种令人信服的算法，它可以基于长期线性预测来盲目地消除声学信号。 主要算法基于以下论文：吉冈，拓，和中谷智宏。 “用于盲MIMO脉冲响应缩短的多通道线性预测方法的推广。” IEEE音频，语音和语言处理交易20.10（2012）：2707-2720。 内容 迭代脱机WPE /块在线WPE /递归帧在线WPE 所有的算法都在Numpy和TensorFlow中实现（适用于1.12.0版）。 经过Python 2.7、3.5和3.6的持续测试。 自动生成的文档： 模块化设计，方便进行更改以进行进一步的研究 安装 如果您只想使用它，请直接通过Pip安装它： pip install na

加权 K-最近邻 (WKNN) 分类器。 每个邻居样本都有一个基于它与测试样本的距离的权重。 近邻在投票中具有更大的权重。

图论 使用图算法实现有向图和加权图。 笔记 Python文件比Java文件更发达，您可能应该看看这些文件。 Python 实作 有向图（邻接表） 加权图（邻接表） 遍历 广度优先搜索深度优先搜索 最短路径 广度优先搜索最短路径（有向图） Dikstra的最短路径（加权图） 贝尔曼·福特的最短路径（加权图） 优化的Bellman Ford的最短路径（加权图） Java 实作 有向图（邻接表） 加权图（邻接表） 有向图（邻接矩阵） 加权图（邻接矩阵） 最短路径 Dikstra的最短路径（邻接表） 贝尔曼·福特的最短路径（邻接表）

我们提出了一种简单有效的迭代加权算法通过压缩感测提高图像重建的恢复性能（CS）。 数值实验结果表明，所提出的新方法与标准相比，在图像质量和计算复杂度方面均胜过最小化1 l以及其他迭代加权的1 l算法CS中的图像重建。