信仰传播 该存储库包含有关信念传播的项目的代码，作为“图形模型：离散推理和学习”课程的一部分（主MVA）。 我们进行了两个实验来测试信念传播的两种实现： （湿草示例） （分类归纳） 项目演示的幻灯片在，而项目报告在共享。 作者：Charbel-RaphaëlSégerie，克莱门特·邦内（ClémentBonnet）。 2021年3月31日

AP(Affinity Propagation)聚类聚类算法介绍(发表在Science杂志上)

心脏病诊断是一项复杂的任务，需要大量的经验和知识。 预测心脏病的传统方法是医生检查或进行许多医疗检查，例如ECG，压力测试和心脏MRI等。如今，医疗保健行业包含大量的医疗保健数据，其中包含隐藏的信息。 这些隐藏的信息对于做出有效的决策很有用。 基于计算机的信息以及先进的数据挖掘技术可用于获得适当的结果。 神经网络是广泛用于预测心脏病诊断的工具。 在这篇研究论文中，使用神经网络开发了心脏病预测系统（HDPS）。 HDPS系统可预测患者患上心脏病的可能性。 为了进行预测，该系统使用了性别，血压，胆固醇等13种医学参数。 在这里，增加了两个参数，即肥胖和吸烟，以提高准确性。 从结果可以看出，神经网络以近100％的准确度预测心脏病。

这项研究报告了在11 GHz和14 GHz的室内传播测量活动和信道表征的结果，它们是未来通信系统的候选频段。 测量程序可以表征视距（LOS）和非LOS（NLOS）通道的大型和小型统计数据。 基于这些测量，提出了对数距离路径损耗模型，并讨论了均方根（RMS）延迟扩展。 通过使用Kolmogorov-Smirnov，卡方检验和Anderson-Darling检验，发现Nakagami分布很好地描述了小规模衰落的统计数据。 提出了一种与距离有关的线性模型来预测Nakagami m参数。 此外，根据测量结果分析了这些信道参数的互相关性，并且在LOS条件下可以清楚地观察到阴影衰落，RMS延迟扩展和m因子之间的互相关性，而NLOS的阻塞减少了互相关性。相关性。

Memory Selection Network for Video Propagation+论文笔记

matlab中的BP神经网络代码

Radio Frequency Propagation Made Easy，用来学习无线信道传播模型很好

matlab由频域变时域的代码使用PETSc在均匀各向同性介质中的3D声波传播 PETSc- 在这里，您可以找到C + PETSc实施方案解决3D声波方程的示例。 使用Krylov方法来找到Ax = b的迭代近似解 分散细节： 时域有限差分（FDTD） 隐式时间步进 O（2,4） 从泰勒级数推导的方案： 在空间[-1：16：-30：16：-1] / 12dx2 及时[2：-5：4：-1] / dt2 型号详情 各向同性 同质 Dirichlet边界条件 使用方法： 必须安装PETSc。 确保设置了PETSC_DIR和PETSC_LIB环境库 make all ./run_O22.sh 或者./run_O24.sh 可以在Shell脚本中更改运行时选项和处理器数量。 在代码中或从运行时更改标记，可以保存并绘制整个波场或仅在接收器位置绘制地震图。 运行时选项-vel float-传播速度[km / s] -xmax float-模型尺寸[km] -ymax浮点-zmax浮动-dt float-时间步长[秒] -tmax float-最大模拟时间-isrc int-源位置[网格点] -jsr

CryEngine3的全局光照核心算法，Unreal Engine 4（开源）的全局光照算法

pygpc 基于广义多项式混沌方法的Python敏感性和不确定性分析工具箱 基本功能： N维系统的高效不确定性分析 使用Sobol指数和基于全局导数的敏感性指数进行敏感性分析 轻松耦合到用Python，Matlab等编写的用户定义模型... 并行化概念允许并行运行模型评估 高效的自适应算法可以分析复杂的系统 包括高效的CPU和GPU（CUDA）实施，可极大地加快解决高维和复杂问题的算法和后处理例程 包括最新技术，例如： 投影：确定最佳折减基数 L1最小化：利用压缩感测中的概念减少必要的模型评估 梯度增强型gPC：使用模型函数的梯度信息以提高准确性 多元素gPC：分析具有间断和急剧过渡的系统 优化的拉丁文Hypercube采样可实现快速收敛 应用领域： pygpc可用于分析各种不同的问题。 例如，在以下框架中使用它： 非破坏性测试： 无创性脑刺激： 经颅磁刺激：