该程序计算调整后的互信息以比较聚类。 这包括： - 互信息/调整互信息- 兰德指数和其他一些指数（见代码） 参考： [1] Vinh, NX; 埃普斯，J。 贝利，J.（2009 年）。 “聚类比较的信息论措施”。 第 26 届机器学习国际会议论文集 - ICML '09 [2] Vinh, Nguyen Xuan; 埃普斯，朱利安； Bailey, James (2010)，“聚类比较的信息理论测量：变体、属性、归一化和机会校正”，机器学习研究杂志 11（10 月）：2837-54

使用matlab，计算高光谱图像两个波段的灰度分布，灰度概率以及两幅图像的互信息熵。

采用两种方法绘制固定二元对称信道（BCS）平均互信息曲线图，将多条曲线绘制在同一坐标轴上，

非常快速地实现平均互信息。 用法：[v,lag]=ami(x,y,lag) 计算可能存在滞后的 x 和 y 的相互平均信息。 v 是平均互信息。 （相关单位见下） x & y 是时间序列。 （列向量） 滞后是时间滞后的向量。 （滞后 > 0 时 V 中的峰值意味着 y 领先于 x。） v 被给出为 x 和 y 有多少位相对于 how x 或 y 的内部分箱表示需要很多位。 这样做是为了使结果接近独立的 bin 大小。 为了获得最佳分箱：在运行之前将 x 和 y 转换为百分位数亲爱的请参阅 matlab 中心的 boxpdf。 http://www.imt.liu.se/~magnus/cca/tutorial/node16.html Aslak Grinsted 2006 年 2 月http://www.glaciology.net （灵感来自 Alexandros Leontitsi

对于NMI计算的python实现

信息的处理，对车牌字符的提取、切割、识别（附GUI界面）

互信息计算matlab代码计算聚类之间的调整后的相互信息 该存储库包含用于在R中的聚类之间快速且并行地计算调整后的相互信息（AMI），归一化的相互信息（NMI）和调整后的兰德指数（ARI）的代码。 NMI和ARI被广泛使用并且是成熟的分区协议度量标准。 调整后的相互信息度量标准由提出。 它提供了归一化的互信息度量，可通过计算观察到的群集大小分布的分区之间的预期互信息（EMI）来校正随机预期分区重叠的基线值，从而对其进行校正。 有关更多信息，另请参见。 原始作者提供了计算AMI值和其他功能的信息。 该存储库中的代码提供了AMI，NMI和ARI的快速，高效和可并行计算。 它用于特定的生物学应用：在将微生物宏基因组序列数据聚集成（OTU）时评估分区的一致性。 该存储库中提供的数据是针对〜1M序列的集合，根据完整链接或平均链接聚类，将其聚集成OTU。 两个分区都以每行一行（“ otu映射”）和每行一行（“ seq映射”）的格式保存； R脚本中提供了更多详细信息。 重要的是，该代码是通用的，可用于任何类型的聚类数据。 将序列聚类到OTU中只是一个应用示例。

非刚性图像配准技术在计算机领域中是一个重要的研究方向,也广泛应用在医学、天文和军事等领域。非刚性图像配准过程中,往往无法同时解决局部大形变和小形变的问题。针对此问题,结合归一化互信息图像配准的理论,提出基于互信息的Active Demons非刚性图像配准算法。该算法通过引入互信息来提高Active Demons算法的驱动力,同时采用待配准图像和原图像的互信息自适应地调节归一化因子α,再对医学图像、自然图像和合成图像进行测试仿真实验。实验结果表明:所提算法在配准精度和鲁棒性上优于原来的Active Demons算法,可以较好地处理大形变图像并保留其边缘特征,得到更好的配准精度和视觉效果。

基于互信息 和遗传算法的图像配准程序，算法求出四个参数，分别是位移量，旋转角度和缩放系数。支持256*256大小的任何灰度图像。

燃气负荷受到天气状况和经济发展等多种因素的影响, 造成燃气变化趋势具有较大的复杂性和特征因子较大的冗余性, 造成预测精度的下降. 为了解决这个问题, 在处理燃气负荷的复杂性中使用EEMD自适应的时频局部化分析方法, 将非线性非平稳的燃气负荷数据分解为平稳的本征模式分量及剩余项. 在解决特征因子之间的冗余性中, 在PCA中加入互信息分析, 使用互信息代替协方差矩阵的特征值选择特征向量, 可以有效避免PCA仅仅考虑特征之间的相关性, 忽略了与燃气负荷值关系的缺点. 最后针对不同的子序列建立对应的LSTM模型, 重构各个分量的预测值产生最后的结果. 使用上海的燃气数据进行验证, 实验结果证明本文提出的方法测试集MAPE达到6.36%, 低于其他模型的误差.