3．加权滑动平均滤波法 增加新的采样数据在滑动平均中的比重，以提高系统对当前采样值的灵敏度，即对不同时刻的数据加以不同的权。通常越接近现时刻的数据，权取得越大。 系数 C0，C1，…，CN-1的选取方法有多种，通常采用 MATLAB 等工具设计 FIR 滤波系数。 抑制小幅度高频噪声的平均滤波法

datasketch：大数据看起来很小 datasketch提供给您概率性的数据结构，这些数据结构可以超快地处理和搜索大量数据，而几乎不会降低准确性。 该软件包包含以下数据草图： 数据草图 用法 估计Jaccard相似度和基数 估计加权Jaccard相似度 估计基数 估计基数 提供了以下数据草图索引以支持亚线性查询时间： 指数 对于数据草图 支持的查询类型 MinHash，加权MinHash 提卡阈值 MinHash，加权MinHash Jaccard Top-K 最小哈希 遏制阈值 datasketch必须与Python 2.7或更高版本以及NumPy 1.11或更高版本一起使用。 Scipy是可选的，但有了它，LSH初始化可以更快。 请注意， 和也支持Redis和Cassandra存储层（请参见 ）。 安装 要使用pip安装datasketch： pip insta

威诺 WENO（加权基本非振荡）方案

针对蚁群算法搜索时间长、易于陷入局部最优解的缺点，提出一种新的改进算法——分工合作的加权蚁群算法。此算法采取分工合作的方式，在信息素初始化、状态转移概率中分别加入权值，并运用遗传算法中排序的概念对信息素更新机制进行排序加权，此外对信息素上限加以限制。最后以TSP为例，验证了此改进算法不但在收敛速度上有了大幅度提高，而且有效避免了易于陷入局部最优解的缺点，从而证明了提出的新算法是合理有效的。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码介绍

相位展开是光栅投影廓术中的一个关键步骤。对加权最小二乘相位展开算法的原理进行了介绍，利用小波多分辨率特性对Picard迭代算法进行了改进。改进的算法将误差分解为低频和高频成分，对它们分别进行Picard迭代来提高收敛速度。实验结果证明：改进后的算法具有收敛速度快，抗噪能力强等优点。

情感是音乐最重要的语义信息，音乐情感分类广泛应用于音乐检索，音乐推荐和音乐治疗等领域.传统的音乐情感分类大都是基于音频的，但基于现在的技术水平，很难从音频中提取出语义相关的音频特征.歌词文本中蕴含着一些情感信息，结合歌词进行音乐情感分类可以进一步提高分类性能.本文将面向中文歌词进行研究，构建一部合理的音乐情感词典是歌词情感分析的前提和基础，因此基于Word2Vec构建音乐领域的中文情感词典，并基于情感词加权和词性进行中文音乐情感分析.本文首先以VA情感模型为基础构建情感词表，采用Word2Vec中词语相似度计算的思想扩展情感词表，构建中文音乐情感词典，词典中包含每个词的情感类别和情感权值.然后，依照该词典获取情感词权值，构建基于TF-IDF （Term Frequency-Inverse Document Frequency）和词性的歌词文本的特征向量，最终实现音乐情感分类.实验结果表明所构建的音乐情感词典更适用于音乐领域，同时在构造特征向量时考虑词性的影响也可以提高准确率.

针对RSS（接收信号强度）时变性以及不同终端信号接收能力的差异性，导致WLAN位置指纹定位不稳定的问题，基于RSS空间线性相关性提出一种新颖的位置指纹定位算法。在每个参考点分别采集多组RSS样本形成特征矩阵，并构建离线位置指纹数据库。定位时，通过计算实时RSS矩阵与指纹库参考点相关性，得到最相关的k个参考点，利用二次加权质心算法计算用户的最终位置。为了有效降低信号时变性的影响，采样时进行了滤波、排序等处理，构建离线指纹数据库时尽量增加采样次数，但需要对样本进行聚合处理以适应定位相关性计算。实验结果表明，该算法在保证较高定位准确度的同时，针对不同终端有更好的定位稳定性。

项目实现了基于OpenCvSharp实现了图像灰度处理，包含了分量法、最大值法、平均法、加权平均法等灰度处理方法的实现，可将打开后的图片处理后并保存到本地磁盘。

最大均值差异仅用于反映样本空间总体的分布信息和全局结构信息，忽略了单个样本对全局度量贡献的差异性。为此，提出一种最大分布加权均值差异（MDWMD）度量方法，采用白化余弦相似性度量为源域和目标域的所有样本设计相应的分布权重，使得每个样本的分布差异信息在全局度量中均得以体现。进一步，在MDWMD基础上，结合联合分布调整思想，提出一种领域适应学习算法：基于最大分布加权均值嵌入的联合分布调整，同时对源域和目标域中的数据进行边缘概率分布调整和条件分布调整。实验结果表明，与现有典型的迁移学习和无迁移学习算法相比，所提算法在不同类型跨领域图片数据集上的分类精度较高。