基于Chan算法,提出了一种改进的到达时间差(TDOA)和到达角(AOA)混合三维定位算法。该算法的主要思想是将Chan算法推广到三维空间,并在TDOA误差方程组里附加AOA误差方程来构建三维形式的非线性方程组。为了有效地克服Chan算法的二值根模糊性问题,先使用加权最小二乘法(WLS)获取初始解或者估计;接着根据初始解分量之间的相关性,并基于约束加权最小二乘(CWLS)算法,重新建立方程以对初始估计进行修正。通过计算拉格朗日因子,获取最终位置估计。仿真结果表明,与直接将Chan算法推广到三维相比,该算法

在跳跃扩散模型下,假定跳跃强度服从门限自回归模型(self-threshold autoregressive model, SETAR)以反映跳跃强度的结构性突变,并使用GARCH模型描述收益率波动扩散形态.以受波动率影响的跳跃强度控制跳跃行为发生概率,并以受跳跃行为影响的GARCH模型控制正常扩散过程,构建了SETAR-GARCH模型.以上证房地产指数为例,实证研究发现,股指存在门限效应,GARCH效应明显,跳跃突变发生的概率为35. 21%.资产收益率总体方差中有较大的部分是由跳跃行为异常所引起.历史

小波分析对信号信噪分离和提取弱信号上有着良好的效果，提出一种小波分析在定位算法中的应用。首先使用小波变换对NLOS（非视距）环境下TOA（到达时间）/AOA（到达角）测量值进行去噪，对处理后的数据再使用LS(最小二乘)算法进行定位。仿真结果表明，该算法相比于神经网络算法收敛速度快，定位精度高，可靠性好，具有可行性。

云计算改变了企业IT服务的运行方式。基于不同的资源使用方式，云计算解决方案可分为私有云、公有云、混合云和社区云。很多组织机构已经迫切地感受到，不论使用哪种云解决方案，都需要在基础架构中引入编排引擎，以便更好地拥抱弹性和扩展性，以及获取极佳的用户体验。当下，OpenStack这个私有云领域热门的编排解决方案，已让成千上万的企业进入了下一个数据中心时代。在撰写本书时，OpenStack已经部署在许多大中型企业基础架构中，在各种生产环境中运行着不同类型的工作负载。由于多数IT巨头的支持以及遍布全球的庞大开发者社区的共同努力，OpenStack的成熟度在不断提升。OpenStack每个新版本都会带来很多出色的新功能。对很多企业而言，拥抱OpenStack无疑是最佳选择，因为OpenStack不仅可以更好地承载业务负载，还为企业带来了灵活的基础架构设施

遗传算法中的交叉和变异思想恰好能应用到此处，比如说个体粒子先和个体最优交叉产生一个新的粒子，当然这里如果新产生的粒子没有原来粒子好，我们就舍弃这个新的粒子；与个体最优交叉完后，新的粒子还需与群体最优交叉，同样如果新产生的粒子没有原来粒子好，我们就舍弃这个新的粒子；交叉操作结束后，对新的粒子进行变异操作，同样如果新产生的粒子没有原来粒子好，我们就舍弃这个新的粒子。一直重复上述操作直至循环结束，最终输出群体最优粒子就是搜索过程中搜索到的最优粒子。

混合主成分分析（dPCA） dPCA是一种线性降维技术，可自动发现并突出显示复杂的人口活动的基本特征。 人口活动被分解为几个混合的部分，这些部分捕获了数据中的大多数方差，并突出了人口对各种任务参数（如刺激，决策，奖励等）的动态调整。 D Kobak + ，W Brendel + ，C Constantinidis，CE Feierstein，A Kepecs，ZF Mainen，XL Qi，R Romo，N Uchida，CK Machens 神经人口数据的混合主成分分析eLife 2016， //elifesciences.org/content/5/e10989 （arXiv链接：

丰田普锐斯THS混合动力系统解析Flash动画，稀有资源，可以看到发动机/电机/发电机之间的转速关系。现在网站国内上不了，这个swf动画单文件，不用上网也能看。

Android端使用OpenGL ES 2.0 实现的入门版混合半透明效果demo

用MATLAB编写，4个基站的基于TDOA的Chan-Taylor混合加权算法定位。最普通的Chan-Taylor算法，将Chan算法计算出来的估计值作为Taylor级数展开法的迭代初始值带入，之后合理设置Chan算法和Taylor级数展开法的加权系数来提高精度。采取循环采样5000次，基站位置，标签节点位置，系统噪声标准差都已经预设置好，可以根据要求自己修改。本代码使用的衡量指标是累积分布函数CDF，也可以自己改成均方误差RMSE。下载后可以直接运行。可以用于TDOA定位算法的改进或者比较或者UWB定位都可以。

BRSMM 类实现了用于模拟和估计有限简单混合模型参数的算法。 简单模型，例如潜在狄利克雷分配 (LDA) 模型，通常用于基于文本的信息检索，例如，根据单词统计为语料库中的每个文档指定主题时。 BRSMM 类是 LDA 对连续数据的扩展。 它专为包含异常值和/或缺失值的数据而设计。 BRSMM 对象将每个主题建模为具有特定主题参数的重尾分布的混合。 根据贝叶斯范式，参数配备了共轭先验分布。 该模型还包含表示数据中缺失值和数据质量的隐藏变量。 参数和隐藏变量的后验分布通过近似变分推理算法进行估计。 此提交包括一个测试函数，该函数生成一组合成数据并从这些数据中学习模型。 测试函数还绘制根据模型聚类的数据，以及每次迭代后数据的边际对数似然的变分下界。 如果您发现此提交对您的研究/工作有用，请引用我的 MathWorks 社区资料。 如果您有任何技术或应用相关问题，请随时直接与我联系。