sift非常齐全的纯matlab代码，网上大多数是与C混编的，对于学习SIFT来说很不方便，这个代码有些复杂，但是可以编译运行，一步一步跟下去，对学习sift很有帮助。

【优化求解】基于花朵授粉FPA算法求解最优目标matlab代码.zip

蜣螂优化算法是最新的群智能优化算法，效果不错，适合作研究论文，亲测有效

数据融合matlab代码 TristanHuang 个人介绍 2019届毕业研究生-黄美川 :e-mail: 联系方式： :laptop: 个人主页： :octopus: Github： 硕士期间主要工作 读研期间，除了完成既有课程之外，也积极参与到实验室的项目开发中。 1.定位结果的手机终端显示 主要是完成定位结果在手机上的实时显示任务，场景主要有工控新楼 5 楼，新楼 511 室内和教九 526 装修前。 2.免时钟同步、交互式声信号室内定位系统 利用 BeepBeep 原理，建立一种免时钟同步的声信号室内定位系统。具体的原理可以参看实验室往届师兄的毕业论文（文祥计、林峰）。系统主要分为两部分，一部分是声信号信标节点（Android 系统的 smartphone 或者 树莓派），另一部分是待定位目标，即用户的手机。目前需要工作在同一局域网下。 由于适应比赛场地多楼层的需要，将节点网络设置成了两组，与用户交互的信标节点分别是 5 号点和 10 号点，该定位算法需要预知每个点与这两个点之间的距离，需要在实验前测量好并输入进去。楼层的切换导致交互节点的切换，楼层的判别由手机上的气压计变动所决定，在实验前，需设置好各楼层的气压值。

hmm模型matlab代码ADHSMM MATLAB代码显示了基于机器人持续时间隐藏的半马尔可夫模型（ADHSMM）构建并控制机器人操纵器的简单示例。 这些代码中给出的模型，算法和结果是旨在学习主动和被动协作机器人行为的项目的一部分。 描述 - demo_ADHSMM_logDuration01 This code implements an adaptive duration hidden semi-Markov model whose duration probabilities are represented by conditional log-normal distributions. The user can: 1. Define the number of states of the model 2. Set if the state sequence reconstruction considers the observations or only the duration information 3. Choose different patterns of

matlab中的gompertz代码介绍： 随机多方扰动 (RMP) 允许每个参与者通过非线性函数传递数据并使用参与者特定的随机矩阵将数据投影到较低维度来扰乱他/她的表格数据。 我们基于随机化的方案在两个阶段扰乱数据：第一个非线性阶段阻止贝叶斯估计攻击，而第二个线性阶段阻止独立分量分析攻击。 对于非线性扰动阶段，提出了一种新的非线性函数，称为“重复 Gompertz”函数。 该函数旨在调节受扰数据的 pdf，以保护异常和正常数据记录。 我们的方案是根据其对最大先验（MAP）估计攻击的恢复抵抗力来评估的。 对于异常检测，使用了堆叠去噪自编码器 (DAE)。 自编码器的超参数是根据验证集的最佳性能设置的。 每个数据集中的特征值被归一化为 [0, 1] 并与 5% 的异常记录合并，这些异常记录分布在 [0, 0.05] 或 [0.95, 1] 之间。 异常由自动编码器根据训练记录的输入和输出之间的平均绝对误差 (MAE) 进行识别。 根据三西格玛规则，一种众所周知的异常检测措施，重建误差预计为高斯分布，因此99.73%的误差值预计在阈值\mu(e) + 3\sigma(e ）。 大于阈值的错

matlab代码影响视网膜血管病变 视网膜血管检查在糖尿病的诊断中起着重要的作用，在西方国家，糖尿病是导致失明的主要原因。 该检查采用光学诊断方法，通过获取眼球的数字图像而不会侵犯或伤害人体。 剩下的任务是将视网膜血管与数字图像分开。 即使对于训练有素的专家来说，这都是耗时且充满挑战的。 引入了机器学习方法以使分离过程自动化，从而提高检查过程的效率。 在本报告中，我们结合了图像处理和机器学习方法探索了视网膜血管分离过程。 图像预处理用于减少原始眼球图像中的噪点。 机器学习算法用于构造分类器，该分类器利用专家的手绘视网膜血管作为训练标签，以有效地将血管与背景分离。 实现了K最近邻（K-NN）和支持向量机（SVM），并使用改进的K-NN方法来改善结果。 使用K-NN方法中距离的不同定义来发现眼球图像不同特征的重要性。 通过将算法分类的标签与专家的手绘图像进行比较，可以估算出误差。 K-NN是通过使用在课堂上学到的知识而自编码的Matlab程序，并且SVM在理论层面上得到了理解，并通过PyML（基于python的机器学习包）来实现。 两种方法的错误率均为6％左右。 与SVM相比，K-NN产生

CNN_python_卷积神经网络matlab代码_CNN

gabor、 log-gabor滤波器matlab源码

常微分数值解matlab代码ODE 系统 - 数值求解器 使用 Runge-Kutta 求解常微分方程组 依赖 用 Fortran 90 编写的代码 gfortran 编译器 使用 Matlab/Octave 绘制解决方案 如何使用 运行代码 代码在 Fortran 90 中运行，您将需要一个 Fortran 编译器，例如 gfortran。 在代码中更改了问题条件，然后您需要编译每个更改： gfortran ode_solver_main.f90 -o 然后，运行： 在 Windows 上 your_exe_name.exe 在 Linux 上 ./your_exe_name.out 在此之后，代码将生成三个 .out 文件。 mash_info.out ：包含域离散化的点。 output_solution.out ：包含每个点的解决方案 绘图解决方案 您将需要 Matlab 或 Octave 来运行 .m 代码。 打开 Matlab/Octave 后，只需使用执行按钮运行代码并及时观察解决方案的变化。 数学模型 我们使用 4 阶 Runge-Kutt