对于冰盖条件下的桥梁基础周围最大冲刷深度的精确预测对于其安全设计至关重要，因为低估可能会导致桥梁故障，高估可能会导致不必要的建设成本。 与明渠内的码头冲刷深度预测相比，很少有研究试图预测冰雪覆盖条件下的码头冲刷深度范围。 本工作使用一系列清水水槽实验来检查冰下的冲刷情况，该实验采用将均匀床中两个相邻的圆形桥墩暴露于明渠以及粗糙和光滑的覆冰渠道来进行。 将测得的冲刷深度与三个常用的桥梁冲刷方程进行比较，包括高氏简化方程，HEC-18 / Jones方程和Froehlich设计方程。 本研究具有几个优点，因为它增加了对冰盖流动条件下桥墩冲刷的物理理解，检查了常用桥墩方程的有效性和可靠性，并揭示了它们对于冲刷情况是否有效。在冰雪覆盖的流动条件下。 此外，它还解释了为明渠水流冲刷建立的方程式如何准确地预测冰覆冰流条件下桥墩周围的冲刷。

伪量子电动力学很好地描述了限制在一个平面上的带电粒子之间的相互作用。 当我们将一个伪规范场与一个玻色子场耦合时，我们得到了所谓的标量伪量子电动力学（SPQED）。 在这项工作中，我们通过费曼图对SPQED进行了微扰分析。 我们计算一环格林函数：玻声场自能，电磁场自能和顶点校正。 最后，我们考虑了两个玻色子粒子之间的非相对论相互作用势。 我们计算出对通常的库仑电势的辐射校正，并评论类推和与费米离子的区别。

提出了一种融合全局和局部深度特征（GLDFB）的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合，利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征，完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明，相比现有方法，所提方法在高层特征表达能力和分类精度方面具有显著优势。

非局部均值滤波(Non-Local Means，NLM)是一种有效的图像去噪算法．但它仅利用了图像的表面特征而忽略了图像的结构信息，其相似度量标准泛化能力差，相似集合的准确性低．笔者提出一种基于结构相似度(Structure Similarity，SSIM)全参考模型的非局部均值图像去噪方法．由于SSIM能够更好的描述图像块的全局特征和结构特征，基于此模型的相似度量具有较强的泛化能力．实验结果证明，此方法对自然图像的去噪效果优于传统的NLM算法．

以下论文中描述的非局部欧几里得中值 (NLEM) 算法的 MATLAB 实现： [1] KN Chaudhury 和 M. Unser，“非局部欧几里得中位数”，IEEE 信号处理信件，卷。 19，没有。 2012 年 11 月。 当前的实现是为了实验用途，在效率方面远非最佳。 例如，它可以使用 *parfor* 循环进行优化，或使用 mex 代码计算欧几里得中值。

最大似然波达方向(DOA)估计具有最优的理论性能,但是存在计算量过大的问题。为了降低最大似然DOA估计的计算量,将参数估计转化为高维非线性函数的优化问题,并提出了一种新的优化算法。首先利用波束形成法对空间谱进行预估计并根据空间谱信息构造一组满足"预估分布"的初始解,这组初始解以较大概率落在全局最优解的局部吸引域中。然后将其中适应度最大的一个初始解作为局部搜索的起点。网格爬山法是一种以网格为单元的局部搜索方法,比传统爬山法更加高效和稳定,因此采用该方法获取全局最优解。新算法不仅能够得到精确的参数估计,同时具有较高的计算效率,计算机仿真显示新算法的计算效率高于基于粒子群优化的最大似然DOA估计算法。

确定从等间距电极的线性阵列获得的一组电压轨迹的一维（空间）电流源密度 (CSD)。 CSD 可以使用标准 CSD 方法（Nicholson & Freeman, 1975, J Neurophysiol, 38(2): 356-68）或逆 (delta) CSD 方法（Petterson 等人，2006，J Neurosci Methods，154 (1-2):116-33)。 函数脚本中包含有关如何使用该函数的完整说明。 任何错误/错误的建议或迹象将非常受欢迎。

通过局部传播进行图像滤波的边缘感知梯度域优化框架

针对图像中相似冗余背景造成的显著目标识别的干扰问题，提出了一种基于超像素的冗余信息抑制的显著目标检测方法。首先,引入超像素的概念，利用超像素优化的空间特征分割图像，获取图像的相似区域；其次,为消除像素间的相关性，计算超像素的香农熵来表示图像的像素信息，并据此建立图像的信息图，最后,为了更有效地去除图像中的相似信息，利用自相似性抑制方法克服冗余信息，建立高效的图像显著图。最后的仿真结果表明, 所提算法与传统方法相比，不仅可以准确识别显著目标，而且可以更有效地抑制背景中的冗余信息。

利用模拟退火-粒子群算法进行全局路径规划后，设置动态障碍物进行DWA局部规划，仅是将两种方法进行融合，没什么难度一看就会，详细讲解请移步至https://blog.csdn.net/weixin_53293018/article/details/129802545?spm=1001.2014.3001.5501