该方法仅从 SENSE 幅度 MR 图像的单次采集中准确地估计噪声的非平稳参数。 该算法假设噪声遵循非平稳 Rician 分布，它利用空间变异噪声的同态分离两项：平稳噪声项和一个低频信号。 然后通过具有 Rician 偏差校正的低通滤波来估计噪声的非平稳方差。 该算法在以下方面提出： MRI 中的空间变异噪声估计：同态方法，S Aja-Fernández、T Pieciak、G Vegas-Sánchez-Ferrero，医学图像分析，2014

碰撞检查 Collision Check是一个计算器，用于估计两个联合卫星之间的碰撞概率，使用在标准找到的。 这是通过完成的； 采用在随机采样的联合卫星的协方差矩阵的。 该程序可以在选项卡中下载。 截图 建造 要下载所需的依赖项并使用构建碰撞检查程序，请在项目根目录中运行以下命令： lein uberjar 该程序将打包为./target目录中的独立 JAR 文件。 用法 此程序需要安装 7 或更高版本。 对于 64 位 Linux 操作系统，必须安装 FORTRAN 运行时库。 这可以在 Debian/Ubuntu 中通过运行来完成： sudo apt-get install libgfortran3 要运行该程序，请双击collision-check-XXX-standalone.jar （如果您的操作系统的文件管理器配置为启动Java程序），或在您的终端中输入以下内容（用

具有对角带宽矩阵的快速准确的最先进的双变量核密度估计器。 核被假定为高斯核。 两个带宽参数都是经过优化选择的使用/假设数据的参数模型或任何“经验法则”。 与许多其他程序不同，这个程序在估计具有广泛分离模式的多模态密度时不会出现准确性故障（参见示例）。 输入： data - 具有连续数据的 N x 2 数组n - 计算密度的 n x n 网格的大小n 必须是 2 的幂，否则 n=2^ceil(log2(n)); 默认值为 2^8； MIN_XY,MAX_XY - 计算密度的边界框的限制； 格式是： MIN_XY=[lower_Xlim,lower_Ylim] MAX_XY=[upper_Xlim,upper_Ylim]。 dafault 限制计算如下： MAX=max(数据,[],1); MIN=min(data,[],1); 范围=最大值-最小值； MAX_XY=MAX+范围/4； MI

社会距离估计 该存储库包含使用YOLOv4对象检测器和OpenPose人类姿势估计器根据单个RGB图像自动进行社交距离估计的代码和教程。 内容 入门 该代码要求安装以下库： python 3.8 张量流2.3.1 的opencv 4.4.0.44 numpy的1.18.5 该代码要求安装YOLOv4和OpenPose模型。 有关安装说明，请参阅和 。 安装后，从此页面下载3个脚本automatic_evaluation_API.py，valuate_labeled_images.py和valuate_unlabeled_images.py。 最后，项目文件夹应如下所示： ${project_dir} / ├── labels │ ├── body_pixel_locations.csv │ ├── camera_locations_photoshoot_identifi

一种基于MAP噪声估计器的低成本SINS_GPS的快速UKF算法.pdf

我不知道为什么没有人提交使用 MMSE 进行信道估计的模拟。 但是，我通过 LS 和 MMSE 估计器之间的信道估计比较来模拟 OFDM 系统。

皮德尔菲 使用神经密度估计器和模拟的自适应采集，进行无密度估计的无似然推理。 已实现的方法在中进行了详细描述，并且紧密基于 ， 和 。 如果您使用此代码，请引用这些文件！ 安装： 该代码在python3中。 Tensorflow 1（最稳定，请参见下文）和Tensorflow 2版本可以按以下方式安装： Tensorflow 1（稳定） 可以在master分支上找到它，并具有以下依赖关系： （<= 1.15） （> = 3.0.2） （如果需要MPI） 您可以通过以下方式安装要求和此软件包， pip install tensorflow==1.15 pip install git+https://github.com/justinalsing/pydelfi.git （ tensorflow-gpu==1.15用于GPU加速而不是tensorflow==1.15 ）

具有时变时滞的离散时间BAM神经网络状态估计器的新方法

基于MRAS_滑模观测_动态转速估计器三种无速度传感器电机控制算法研究.pdf

包含了电力系统虚假数据注入攻击MATLAB源代码及介绍。鲁棒电力系统状态估计器在监控应用中具有重要意义。根据我们的经验，我们发现使用投影统计的鲁棒广义极大似然（GM）估计是文献中最好的方法之一。它对多个交互和一致的坏数据、坏杠杆点、坏零注入以及某些类型的网络攻击具有鲁棒性。另外，它的计算效率高，适合于在线应用。GM估计器除了具有良好的击穿点外，在高斯或其他厚尾非高斯测量噪声下也具有较高的统计效率。使用SCADA测量的GM估计器的原始版本是由Mili和他的同事在1996年提出的。使用Givens旋转增强了其数值稳定性。将GM估计器推广到同时估计变压器抽头位置和系统状态。糟糕的零注入也得到了解决。