五点三次平滑滤波程序，可以滤掉波形的坏点，使波形平滑！

% 程序功能：多基站UWB观测距离WLS和LS三边定位算法比较分析MATLAB源码

创建用于入门级设计优化课程（例如，UIUC的SE 413）。 证明了 epsilon-constraint 方法可以识别对应于多目标优化问题的 Pareto 前沿上的非支配点，而更广为人知的加权求和方法则不能。 测试问题改编自： “使用 MATLAB 在实践中进行优化：面向工程学生和专业人士”，A. Messac，2015 年，剑桥大学出版社用于文本的 MathWorks 合作伙伴网页： https://www.mathworks.com/support/books/book106117.html 请参阅 _readme.txt 文件以开始使用。

飞机 使用自适应迭代加权加权最小二乘法进行基线校正 它是使用cholesky分解和反向Cuthill-Mckee方法的的javascript实现，用于减少稀疏线性系统的带宽，从而获得快速的基线拟合器。 安装 $ npm install ml-airpls 例子 const airpls = require ( 'ml-airpls' ) ; let y = [ 1 , 1 , 1 , 1 , 3 , 6 , 3 , 1 , 1 , 1 ] ; let x = [ 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 ] ; var { baseline , corrected , iteration , error } = airpls ( x , y ) ; 执照

针对加权 Leaderrank算法存在的权值均分、主题漂移等问题，提出一种用户社交网络排序算法。结合Glove模型、余弦相似度计算方法和牛顿冷却定律，通过引入链入链出因子、主题相关度因子和时间衰减度因子改善加权 Leaderrank算法的不足。实验结果表明，与加权 Leaderrank算法相比，该算法的精确率、点击率和NDCG值分别提高7.80%、6.73%和4.75%，可有效提高排序质量。

文中基于各认知用户的差异性，提出一种基于改进D-S证据理论的加权协作频谱检测算法。在能量检测的基础上，充分考虑各个认知用户之间的差异性，并根据各认知用户的检测统计量的方差和均值来给出各个参与数据融合的可信度权重。最后，使用改进D-S证据理论进行多数据源的证据融合，减小多数据源带来的证据冲突，且给出最终的判断结果。仿真结果表明，该方法与经典D-S证据理论检测算法相比，能够在考虑各认知用户差异性的同时有效提高检测效率。

1.简介 自适应迭代加权加权最小二乘（airPLS）算法不需要任何用户干预和先验信息，例如检测到的峰。 它在拟合的基线和原始信号之间迭代地更改和平方误差（SSE）的权重，并使用先前拟合的基线和原始信号之间自适应地获得SSE的权重。 该基线估算器可以快速灵活地拟合基线。 2.安装 2.1 MATLAB版本 在计算机上安装MATLAB 6.5或更高版本。 从此下载，解压缩并享受它。 2.2 R版本 通过利用R包“ Matrix”中稀疏矩阵的优势，我们实现了Whittaker平滑器和airPLS算法的稀疏版本。 现在，airPLS 2.0的速度比airPLS 1.0快100倍以上。 使用以下R脚本从github安装airPLS R版本 install.packages( ' devtools ' ) library(devtools) httr::set_config( httr::c

芸众商城详细的使用说明文档教程~适合那些操作芸众商城新手学习。对里面的应用 框架不熟悉的，可以下载看看~

中号ultiscaleģeographicallyW¯¯eightedřegression（MGWR） 该模块提供了校准多刻度（M）GWR以及传统GWR的功能。 它建立在稀疏的广义线性建模（spglm）模块上。 特征 通过迭代加权最小二乘对高斯模型，泊松模型和二项式概率模型进行GWR模型校准。 通过黄金分割搜索或等间隔搜索选择GWR带宽 GWR特定的模型诊断，包括多个假设检验校正和局部共线性 参数估计曲面的空间变异性的蒙特卡洛检验 基于GWR的空间预测 通过GAM迭代反拟合对高斯模型进行MGWR模型校准 GWR和MGWR的并行计算 MGWR协变量特定的推论，包括多重假设检验校正和局部共线性 GWR和MGWR的带宽置信区间 引文 Oshan，TM，Li，Z.，Kang，W.，Wolf，LJ，＆Fotheringham，AS（2019）。 mgwr：多尺度地理加权回归的Python实现，用

在本文中，已提出加权差分进化算法（WDE）来解决实值数值优化问题。 当 WDE 的所有参数都是随机确定时，实际上，WDE 没有控制参数，只有图案大小。 WDE 可以解决单峰、多峰、可分离、可扩展和混合问题。 WDE 具有非常快速且非常简单的结构，此外，由于其非递归性，它可以并行化。 WDE具有很强的探索和开发能力。 在本文中，WDE 在解决 CEC'2013 问题方面的成功与 4 个不同的 EA（即 CS、ABC、JADE 和 BSA）进行了统计比较。 一个 3D 几何优化问题（即 GPS 网络调整问题）和 4 个受约束的工程设计问题被用来检验 WDE 解决现实世界问题的能力。 从执行的测试中获得的结果表明，总的来说，WDE 解决问题的成功率在统计上优于本文中使用的比较算法。