最优非迭代最小熵解卷积解Geoff McDonald (glmcdona@gmail.com) 的代码，2015 omeda(x,filterSize,overlapMode,plotMode) 一种非迭代最优 MED (OMED) 计算算法。 这种方法解决了与 MED 类似的反卷积问题，并且能够直接解决Carlos Cabreli 提出的最优滤波器解决方案。 这个可以用来旋转从振动信号检测机器故障以检测齿轮和轴承故障，以及 OMED 用于提取振动中的类脉冲特征。 这个实现使用了我在第二篇论文中提出的卷积调整参考，这对于防止这种方法达到微不足道的解决方案很重要去卷积卷积不连续性。 读者请注意，您可能想参考我的其他一些 MED 提交： 医学： 迭代非最优解通常更适合振动故障检测。 它通常比这个最优解更好，因为 MED 问题旨在去卷积结果只有一个脉冲。 因此，OMED 能够更好地提取仅对单

一个R包，用于统一访问从大量RNA测序数据估算免疫细胞组分的计算方法。 基本用法 immunedeconv :: deconvolute( gene_expression_matrix , " quantiseq " ) 其中gene_expression_matrix是一个矩阵，其中的基因排成行，样本的列成列。 行名必须是符号，而列名必须是样本名称。 该方法可以是以下方法之一 quantiseq timer cibersort cibersort_abs mcp_counter xcell epic 有关更详细的使用说明，请参阅文档： 。 。 可用方法，许可，引用 请注意，尽管immunedeconv本身是免费的（ ），但您可能需要获得使用单个方法的许可证。 有关更多信息，请参见下表。 如果您在工作中使用此程序包，请同时引用我们的程序包和使用的方法。 Sturm，G.，Fino

在传统的基于波前探测的解卷积方法中, 由波前探测得到的点扩展函数被认为是精确的, 并用维纳滤波进行复原, 但是点扩展函数不可避免地存在误差, 所以最终的复原目标图像质量不佳。为了解决该难题, 提出了基于目标和点扩展函数联合估计的图像近视解卷积算法。它运用了点扩展函数和目标的先验信息, 对点扩展函数和目标进行了规整和进一步约束, 从而得到更优的恢复图像质量。对该方法的原理和实现过程进行了阐述, 并将其运用于室内点源目标数据中。实验结果证明, 与维纳滤波方法相比, 该方法使图像恢复的效果得到明显改善。

层网matlab代码REGALS 通过正则化交替最小二乘法进行小角度 X 射线散射 (SAXS) 混合解卷积的软件包。 它已应用于色谱耦合 SAXS、时间分辨 SAXS 和平衡滴定的数据集。 有关详细信息，请参阅我们的论文 ()。 存储库内容 matlab/ - REGALS 库的 MATLAB 实现 python/ - REGALS 库的 Python 3 实现 demo/ - 用于处理示例数据的笔记本（用于 Python 的 Jupyter，用于 MATLAB 的 Live notebook）。 看 。 license.md - 软件许可证 系统要求 硬件 这取决于数据集的大小。 demo/包含的示例可在台式计算机上快速运行（< 1 分钟）。 软件依赖 MATLAB 实现是在 R2018a（版本 9.4）中开发的。 不需要工具箱。 Python 实现是在 Python 3 中开发的。 REGALS 库需要numpy和scipy 。 演示使用带有h5py Jupyter 笔记本进行数据导入，使用matplotlib进行绘图。 代码已经过以下版本的测试： python ：3.8.3 n

滚动轴承的早期故障诊断对于设备预测和健康管理具有重要意义,然而受环境噪声、传递路径、信号衰减及源信号本身比较微弱的影响,滚动轴承故障的初期微弱信号特征往往难以提取。为了解决这一问题,提出了一种基于最小熵解卷积(minimum entropy deconvolution,MED)与希尔伯特变换(Hilbert transform,HT)相结合的滚动轴承故障特征提取方法(MED-Hilbert),该方法首先应用MED算法对传感器信号进行处理以提高信号的信噪比,然后通过希尔伯变换提取冲击能量信号,最后用谱分析技术提取故障对应的特征频率,并与理论故障频率比较后成功确定故障。与信号仅仅进行包络分析方法相比,该方法具有很好的降噪效果以及对微弱故障特征的增强作用。计算机仿真与实验验证了该方法在滚动轴承早期故障诊断中的有效性。

总结目前语音识别的发展现状，dnn、rnn/lstm和cnn算是语音识别中几个比较主流的方向。2012年，微软邓力和俞栋老师将前馈神经网络FFDNN（FeedForwardDeepNeuralNetwork）引入到声学模型建模中，将FFDNN的输出层概率用于替换之前GMM-HMM中使用GMM计算的输出概率，引领了DNN-HMM混合系统的风潮。长短时记忆网络（LSTM，LongShortTermMemory）可以说是目前语音识别应用最广泛的一种结构，这种网络能够对语音的长时相关性进行建模，从而提高识别正确率。双向LSTM网络可以获得更好的性能，但同时也存在训练复杂度高、解码时延高的问题，尤其在工

经典盲解卷积（ 图像超分辨率重建）.

mckd为最大相关解卷积，包含自己修改的mckd程序，它比最大峭度解卷积去噪效果更好

多点最优最小熵解卷积调整Geoff McDonald (glmcdona@gmail.com) 的代码，2015 McDonald、Geoff L.和赵青。 “多点最优最小熵解卷积和卷积修复：应用于振动故障检测。” 机械系统和信号处理 82 (2017)：461-477。 有关该论文的 PDF 版本，请参阅我的博客： http : //www.split-code.com/rotation.html 多点最优最小熵解卷积 (MOMEDA) 计算算法。 这提出方法求解用于从信号中解卷积周期性脉冲序列的最优解。 最适合应用于从振动信号到去卷积的旋转机器故障与许多齿轮和轴承故障相关的脉冲式振动。 此上传包括用于基础解卷积的“momeda”和用于绘图的“momeda_spectrum” 光谱。 通常，此光谱将在对应于临界值的周期处产生峰值频率，以及由此产生的幅度可以被跟踪以监视机器组件的运行状

行业分类-电信-一种超声信号最小熵解卷积的无损检测方法.rar