【医学图像处理】MRI T1, T2 PD-加权成像 深度炼丹炉公众号： 与辐射成像不同，在对比度成像中，对比度取决于所成像结构的衰减率。MR图像中，对比度取决于所成像区域中的磁性和氢核数。通过运行具有不同权重的不同序列，可以选择要成像区域中的不同对比度。主要有一下三个序列： T1加权：最大化T1对比度显示 T2加权：最大化T2对比度显示 质子密度PD加权：氢质子密度显示 当然还有更加复杂的序列，比如 FLAIR：fluid attenuated inversion recovery 和 STIR: short tau inversion recovery T1加权成像 概括地说，T1弛豫

四、数据建模的动态加权方法 注意: 问题对于每一个属性而言，既有不同类别的差异，同类别的又有不同量值的差异。 对于既有“质差”，又有“量差”的问题，合理有效的方法是动态加权综合评价方法。 1. 动态加权问题的一般提法

意见集中加权Borda数方法的哈希迭代算法，付尚朴，，为了在评优排序决策中解决如何用计算机从多个排序结果得出综合排序结果，需研究设计意见集中的加权Borda数排序算法。从手工Borda数��

本代码已经过调试能够运行，每行代码且有注释，根据某城市的空气污染为案列进行动态加权综合评价模型。最后经过Borda数进行排序。

行业分类-设备装置-基于定积分结合环境参数的RSSI加权质心定位方法.zip

该算法首先通过噪声检测确 定图像中的噪声点，然后根据窗口内噪声点的个数自适应地调整滤波窗口的尺寸，再根据相似度大小，巧妙地将滤波窗口内各个 像素点按一定的规律自适应地分组并赋予每组像素点相应的权重，最后采用加权中值滤波算法对检测出的噪声点进行滤波处理。 计算机模拟实验结果表明：该算法既能有效地滤除噪声，又能较好地保护图像细节，滤波性能比传统中值滤波算法更理想

iBeacon 基于RSSI的加权定位算法

上周讲专题时做的ppt

拉曼光谱分析技术具有快速响应、非接触、检测限制小、灵敏度高的优点，广泛应用于生产生活的众多领域。然而实际测得的原始拉曼光谱总会有不同程度的基线漂移，严重影响光谱分析的有效性和准确性。针对现有基线校正方法容易造成估计基线偏低、校正后光谱抬升的问题，提出了一种基于局部对称重加权惩罚最小二乘（LSRPLS）的基线校正算法，该算法在非对称惩罚最小二乘的基础上，使用softsign函数引入局部对称加权的思想，对光谱中无谱峰的基线区域赋予相近的权重，并通过迭代调整估计基线的权重。在模拟和实际拉曼光谱上分别进行了验证。实验结果表明：LSRPLS基线校正算法不仅能对不同类型的光谱基线进行校正，而且与现有的基线校正方法相比，具有更高的准确度和稳定性。基线校正后的光谱在主成分空间上的聚集度得到提升，模型的分类准确性明显提高，说明LSRPLS算法在去除基线的同时，能够保留光谱的有效信息，为拉曼光谱的进一步分析提供了依据。

MATLAB-GWR-地理加权回归模型-代码,可以用的，有需要的可以试试