l-曲线矩阵代码RSBEM MATLAB中的正则化Stokeslet边界元方法 自述文件 该存储库是做什么用的？ 该存储库包含正则化的Stokeslet边界元方法（RSBEM）的MATLAB实现，用于模拟3D中的低雷诺数“蠕变”流。 它受到（1）的极大启发，但是利用了二阶曲面三角形曲面网格和一些性能改进。 到目前为止，它主要用于模拟游泳的单鞭毛细菌（2）和游泳鞭毛的鞭毛虫（3），但已尽力使代码保持通用，因此可以在其他模型中对其他几何形状和低雷诺数问题进行建模。未来。 Salome平台（）已用于生成几何图形和网格。 与此相关的python脚本也适用于弯曲杆细菌和螺旋细菌鞭毛。 该代码正在进行中。 它尚未被记录，易于使用等，但是我正在朝着这个目标努力。 （1）DJ Smith，一种边界元素正则Stokeslet方法，适用于纤毛和鞭毛驱动的血流。 皇家学会会议录A：数学，物理和工程科学。 465，3605–3626（2009）。 （2）R. Schuech，T。Hoehfurtner，D。Smith和S. Humphries。 运动弯曲细菌是帕累托最优的。 准备中提交给Science（3）L

1.版本：matlab2021a，我录制了仿真操作录像，可以跟着操作出仿真结果 2.领域：稀疏编码 3.内容：基于Lp范数求解正则化相关数据稀疏编码的matlab仿真+仿真录像

此功能基于扩散驱动的正则化功能（regularizeSR.m）实现多帧超分辨率模型。 该函数的输入是：s（输入图像序列）、delta_est（水平和垂直方向的平移运动值）、phi_est（旋转运动）和因子（放大率）。 估计运动（旋转和平移）的配准方法是 Keren（请参阅伊朗及其同事的工作，“通过图像配准提高分辨率”）。 相应论文，题为“A Noise-Suppressing and Edge-Preserving Multi-Frame Super-Resolution Image Reconstruction Method”，已提交至Journal of Signal Processing: Image Communication（手稿ID：image3133），正在第二次修订中。 请注意， http://lcav.epfl.ch/software/superresolution提供的

isodata的matlab代码博客分类器 具有 l2 正则化的逻辑回归 Gaussian Naïve Bayes kmeans isodata 通用算法

平滑分类器认证稳健性的一致性正则化 (NeurIPS2020) 该存储库包含和的论文“平滑分类器的证明稳健性的一致性正则化”代码。 依存关系 conda create -n smoothing-consistency python=3 conda activate smoothing-consistency # IMPORTANT: Please make sure `pytorch != 1.4.0` # Currently, our code is not compatible to `pytorch == 1.4.0`; # See more details at `https://github.com/pytorch/pytorch/issues/32395`. # Below is for linux, with CUDA 10; see https://pytorc

你好， 只是为了提供帮助并获得一些快速的初步结果，我加载了 3 个重建算法和一个处理器脚本来调用前向算子和每个算法，即 CGNE、Tikhonov 重建和滞后扩散率定点迭代。 我只是想从任何使用代码的人那里得到一些反馈。 代码中提供了可以找到更多信息的参考资料。 不需要任何版权或许可，因为这不是一个完整的专业工具箱，结果应该不会太多，但我仍然需要填写一些框来完成此加载。 让我简要介绍一下这里算法中没有的东西； 算法并没有真正处理噪音，因为这必须由用户针对每个问题进行定义。 滞后扩散率算法的正则化参数选择属于我们的隐私，因为它是一些数学运算的结果。 此外，要为每个问题定义边界条件。 附图是将代码应用到 Per Christian Hansen 提供的 tomo.m 文件后的滞后扩散算法的结果。 我还在 Emission Tomography 上测试了相同的代码，其前向算子和测量由 John

LogisticRegression 多元逻辑斯蒂回归，并实现随机梯度下降和L1/L2正则化项。 参照 在此基础上加入L1和L2 Regularization；关于逻辑斯蒂回归中的L1和L2正则化项详见以下两个链接: 并对输入格式进行泛化，例如可以对“Sun Weather=rainy:1 Temperature=hot:1 ...”格式进行分类

随机配置网络(SCN)通过引入不等式约束来限制输入权重和偏置的赋值,随着节点数量增加,网络能够逼近任意的数学函数和数据模型。在构建SCN的过程中,由于网络本身性质以及样本数据的不适定性和病态条件等问题会引起网络的过拟合,故提出一种基于Dropout技术的改进型SCN模型(Dropout-SCN)来自适应地约束输出权重分布和大小,以此来提高网络模型的识别精度。光纤数据验证的结果表明:与传统的SCN和L2范数正则化的SCN模型相比, Dropout-SCN模型具有更低的测试误差,有效地减缓了网络过拟合问题,提高了对光纤预警系统(OFPS)中光纤入侵信号的识别准确率。

对于泊松噪声污染下的模糊共聚焦图像复原问题，为解决传统方法中存在的阶梯效应，提出了一种基于Hessian矩阵范数的正则化方法.在泊松概率模型的基础上，该方法引入Hessian矩阵范数作为正则条件，并应用交替方向乘子法和梯度投影方法求解最优化模型.在激光扫描共聚焦显微镜实验中，所获得的复原图像质量优于传统方法，此结果证明了该方法可以有效地复原泊松噪声污染下的模糊共聚焦图像.

Prism 使用统计方法的组合进行基于样条的多元回归。 Prism 通过平滑样条回归、PCA 和 RVR/LASSO 的组合，使用正则化、降维和特征选择来执行此回归。 如果使用工具箱，请引用本文： 马丹，CR（2016 年）。 Prism：具有正则化、降维和特征选择的多重样条回归。 开源软件杂志，31.doi:10.21105/joss.00031