Simultaneous enhancement and noise reduction of a single low-light image

umap：均匀流形逼近和投影

降维算法 一，介绍 在高维层次下会出现数据样本稀疏，距离计算困难等问题，是所有机器学习方法面临的严峻考验，称为“维数灾难”（维数诅咒）。 ，即通过某种数学变换将数据映射到一个低维空间，在这个低维空间里，数据的密度大大地提高，距离计算更加容易。 二，分类 降维算法可以按照是否有监督，变换是否是线性的细分四类： 无监督的线性降维算法，某种 无监督的非线性降维算法，某些 ， ， ， 有监督的线性降维算法，某种 有监督的非线性降维算法（缺） 注意：此处线性指的是高维空间->低维空间是线性的。MDS，Isomap是将一个非线性降维变换的转化问题转化为一个线性代数问题，其本身并不是线性的降维算法。 三，总结 在大部分实际应用情况下，数据降维是作为后续任务的一个预处理步骤，需要通过比较降维后学习器的效果来对一个具体的任务使用某种降​​维算法。 流形学习中的ISOMAP，LLE等算法非常依赖建图的质量

PCA、LDA、MDS、LLE、TSNE等降维算法的python实现

OFDM is the key technology of 4G mobile communications. However, in the OFDM modulation, high PAPR sets up a barrier to its practice. Based on the briefly introduced conception of OFDM-PAPR, the program focuses on the simulation and comparision of clipping method and selected mapping method.

The fourth edition of Advanced Digital Signal Processing and Noise Reduction updates and extends the chapters in the previous edition and includes two new chapters on MIMO systems, Correlation and Eigen analysis and independent component analysis. The wide range of topics covered in this book include Wiener filters, echo cancellation, channel equalisation, spectral estimation, detection and removal of impulsive and transient noise, interpolation of missing data segments, speech enhancement and noise/interference in mobile communication environments. This book provides a coherent and structured presentation of the theory and applications of statistical signal processing and noise reduction methods. Two new chapters on MIMO systems, correlation and Eigen analysis and independent component analysis Comprehensive coverage of advanced digital signal processing and noise reduction methods for communication and information processing systems Examples and applications in signal and information extraction from noisy data Comprehensive but accessible coverage of signal processing theory including probability models, Bayesian inference, hidden Markov models, adaptive filters and Linear prediction models

自动编码器降维 自动编码器可用于特征提取和降维。 它们也可以与受限玻尔兹曼机器结合使用深度学习应用程序，例如“深层信念网络”。 它具有“编码器”和“解码器”两个阶段，“编码器”将逐步压缩输入，在压缩过程中选择最重要的功能。 解码器与编码器相反，它可以尽可能地重新创建输入。 要求 Python 3.6及更高版本 TensorFlow 1.6.0及更高版本 脾气暴躁的 Matplotlib 执行 该实现使用MNIST数据集来重建输入。 由于MNIST图像的形状为28 * 28，因此输入为784。我们的模型将是3层，每层减少特征，并在解码器阶段重建inut， Encoder Decoder [784] -> [256] -> [128] -> [64] -> [128] -> [256] -> [784] 此实现的最

对高光谱图像执行基于 SLIC 超像素的降维，然后是基于 SVM 的分类，如论文中所述： X. Zhang、SE Chew、Z. Xu 和 ND Cahill，“SLIC Superpixels for Efficient Graph-Based Dimensionality Reduction of Hyperspectral Imagery”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XXI，2015 年 4 月。

SimpSOM（简单的自组织图） 版本1.3.4 SimpSOM是适用于Python 2.7和3的Kohonen自组织映射（SOM）的轻量级实现，可用于无监督学习，聚类和降维。 该软件包现在可以在PyPI上使用，要检索它，只需键入pip install SimpSOM或从此处下载它，然后使用python setup.py install 。 它使您可以在数据集上构建和训练SOM，保存/加载训练后的网络权重以及显示或打印具有选定功能的网络图。 函数run_colorsExample()将运行一个玩具模型，其中许多颜色将从3D RGB空间映射到2D网络映射，并根据它们在原始空间中的相似性进行聚类。 依存关系 Numpy 1.11.0（较旧的版本可能适用）； Matplotlib 1.5.1（较旧的版本可能适用）； Sklearn 0.15（较旧的版本可能适用）； 使用范例 这是有关如

内核主成分分析（KPCA） MATLAB代码，用于通过使用内核来进行非线性降维，故障检测和故障诊断。 2.1版，2020年5月6日 电子邮件： 主要特点 易于使用的API，用于训练和测试KPCA模型 多种内核功能 支持降维，故障检测和故障诊断 支持数据重建 告示 仅支持对高斯内核进行故障诊断。 使用“ Classdef ... End”定义类，因此该代码只能在R2008a版本之后应用于MATLAB。 更多详细信息和讨论，请参阅： : 此代码仅供参考。 降维演示（“香蕉”数据和“圆”数据） 数据重建演示（“圆形”数据） 故障检测演示（TE过程数据） 故障诊断演示（TE过程数据）