脑电信号处理，脑电信号分段，分段脑电排列组合熵特征计算，排列组合熵程序

Complement-Cross-Entropy:具有互补交叉熵的不平衡图像分类（Pytorch）

多尺度（样本）熵分析（MSE） 该代码的基础来自PhysioNet软件库（请参阅和 ）。 介绍了使用样本熵（SampEn）的MSE概念。 该软件包包含一个C库和一个围绕它的Python包装器。 C库编译 没有外部依赖项（数学库除外），只是： gcc -shared -o libsampen.so -O -Wall -fPIC sampen.c -lm 此命令在当前目录中生成文件“ libsampen.so”。 注意：请勿更改文件名，Python包装器将搜索该名称。 Python包装器 在python中，假设当前目录包含一个包含存储库文件和libsampen.so的目录（例如，名为MultiScaleEntropy ）， import MultiScaleEntropy 将加载MultiScaleEntropy模块，该模块具有两个最重要的功能： sampen ：计算序列的s

Matlab的耳语反向交叉熵训练 反向交叉熵训练（RCE）是一种新颖的训练方法，它可以学习更多区分特征的表示形式以检测对抗性示例。 技术细节在以下内容中指定： （NeurIPS 2018） 庞天宇，杜超，董银鹏和朱俊 训练 我们提供有关MNIST和CIFAR-10的培训代码。 我们的代码基于。 先决条件： 安装TensorFlow 1.9.0（Python 2.7）。 下载/数据集。 如何运行： 使用RCE在MNIST上训练ResNet-32的示例： python train.py --train_data_path= ' mnist_dataset/data_train.bin ' \ --log_root=models_mnist/resnet32 \ --train_dir=models_mnist/resnet32/train \ --dataset= ' mnist ' \ --num_gpus=1 \ --num_residual_units=5 \ --mode=train \ --Optimizer= ' mom ' \ --total_steps=20000 \ --

离散熵 排序熵（Permutation Entropy，PE）算法是Bandt，Pompe（2001）提出的一种排序时间序列复杂性的方法，它首先通过相空间细分以及子序列排序提取序列模式的概率分布，再根据概率分布计算出这段时间序列的熵值。 相空间重构 假设有一段长度为的非线性系统的离散时间序列 ，我们希望从这段时间序列中提取信息，某些信号的复杂程度，这时候就需要对时间序列进行相空间重构。 Packard等。 （1980）对于时间序列的相空间重构，提出了两种插入方法，分别是导数解码法和坐标顺序转换法，此处采用的是坐标延迟法。涉及到两个参数，一个是嵌入维度（Embedding Dimension） ，它控制生成的列向量的维度；另一个是延迟时间（延迟时间） ，它控制子序列的采样间隔，某些时候 = 1时，即是连续取点；当 = 2时，即是间隔1个数取值。 和以后，可以得到一个矩阵： 其中 。 离散熵计

shannon_entropy 计算图像的香农熵 安装 $ pip install shannon_entropy

现在有大量关于模糊熵和模糊互信息理论的文章。 然而，这些概念的 Matlab 实现明显缺乏。 根据学生和研究人员的大量要求，我编写了此代码以简化此类概念并提供一个您可以直接尝试的工具。 当然，您可能会发现许多不同的方法可以增强代码的功能，因此请随时通知我和其他任何此类更新。 如果您使用此代码，请引用以下任何一篇论文： [1] RN Khushaba、A. Al-Jumaily 和 A. Al-Ani，“基于模糊熵和小波包变换的新型特征提取方法用于肌电控制”，第 7 届国际通信和信息技术研讨会 ISCIT2007，澳大利亚悉尼，第 352 – 357 页。 [2] RN Khushaba、S. Kodagoa、S. Lal 和 G. Dissanayake，“使用基于模糊小波包的特征提取算法的驾驶员睡意分类”，IEEE 生物医学工程汇刊，卷。 58，没有。 1，第 121-131 页，

Wiki上的叉乘介绍

要在图像上应用所有方法，只需运行“original.m”。 ps更改图像的图像名称

对8为图像统计像素值分布，计算熵