模式识别课程/Matlab/实现PCA降维操作

 在现实生活中，实际问题很难用线性模型进行描述。神经网络的出现大大降低了模型建立的难度和工作量。只需将神经网络看成是一个黑箱子,根据输入与输出数据,神经网络依据相关的学习规则,便可以建立相应的数学模型。但是,当数学模型的输人自变量(即影响因素)很多,输人自变量之间不是相互独立时,利用神经网络容易出现过拟合现象,从而导致所建立的模型精度低,建模时间长等问题。因此,在建立模型之前,有必要对输入自变量进行优化选择,将冗余的一些自变量去掉,选择最能反映输入与输出关系的自变量参与建模。

针对监控视频图像的特点，提出了一种基于时空联合的实时视频降噪算法。该算法通过结合多帧图像进行运动检测，自适应地区分图像的运动区域和静止区域，对静止区域采用时域加权均值滤波，对运动区域采用空域ANL滤波。实验结果表明，该算法由于准确地区分了图像的运动区域和静止区域，充分利用了视频的时域、空域信息，在不造成运动拖影的前提下，能够显著提高视频的信噪比和图像的主观质量，同时满足实时性要求。

管道阻力计算软件，输入相关参数，可以直接计算阻力降，包括沿程阻力和局部阻力

软件：Maltab 资源内容： 使用maltab软件实现声音降噪处理以及麦克风阵列声源定位，可用于8个方位或者16个方位的计算。可以简单修改路径即可使用。 基于Sipeed麦克风阵列模块初步实现的近场声源定位，主控采用stm32f103zet6。 简述实现方法：使用DMA时分复用获取3组I2S麦克风数据到内部SRAM，定位算法通过分析一轮获取数据最大值的位置确定定位方向。

内含10种降噪算法，包含小波变换、形态滤波、平滑滤波、奇异谱分析、卡尔曼滤波、中值滤波、EMD等等。

神经网络用于数据降维Matlab代码

学习丰富的功能以进行真实图像还原和增强（ECCV 2020） ， ， ， ， ， 和 论文： : 补充文件： 视频演示： : 摘要：为了从降级版本中恢复高质量图像内容，图像恢复在监视，计算摄影，医学成像和遥感等领域拥有众多应用。 最近，卷积神经网络（CNN）与传统的图像恢复任务方法相比取得了巨大的进步。 现有的基于CNN的方法通常以全分辨率或渐进式低分辨率表示形式运行。 在前一种情况下，获得了空间精确但上下文上不那么健壮的结果，而在后一种情况下，生成了语义上可靠但空间上不太准确的输出。 在本文中，我们提出了一种新颖的体系结构，其总体目标是通过整个网络维护空间精确的高分辨率表示，并从低分辨率表示接收强大的上下文信息。 我们方法的核心是包含几个关键元素的多尺度残差块：（a）并行多分辨率卷积流，用于提取多尺度特征；（b）跨多分辨率流的信息交换；（c）空间和渠道关注机

音频小波降噪实例 DWT_VoiceAnalysis 实例功能： 读取语音信号：'ReferAudio.flac' 并添加幅度为 NoiseAmplitude 的 gauss 白噪声。 采用 WaveName 小波对信号进行 level 尺度分解 采用 4 种方法对信号进行降噪处理并重构，计算相应的信噪比、均方根误差等对性能进行了比较。 保存的音频文件位于 AudioFile 内 欢迎讨论学习

这段时间，自己学习了一些有关机器学习的算法，现在拿鸢尾花分类来对这四种进行巩固与回顾。 这些算法都是直接使用的skearn库的算法，并未自己编写。 鸢尾花的降维 import matplotlib.pyplot as plt from sklearn.decomposition import PCA from sklearn.datasets import load_iris data = load_iris() y = data.target X = data.data pca = PCA(n_components=2) reduced_X = pca.fit_transform(X) re