神经网络估计非线性函数matlab程序.txt

凝视追踪器 该项目是基于凝视光圈在虹膜上的位置的凝视跟踪系统的一项实验，虹膜是相机附近的光源的反射（有关详细信息，请参见和“”）。 通过跟踪闪烁，可以估计屏幕上的凝视位置并将该位置用作输入系统（在本示例中，该位置仅用于移动鼠标箭头）。 硬件要求 对于这种系统，需要眼睛的高分辨率图像，并且也需要相机附近的光源，因此，为了获得简单的硬件，我将智能手机用作固定在摄像机上的远程相机（由应用程序实现）。要获得稳定的支撑，请打开闪光灯LED并将其放在一只眼睛的前面，靠近它。 演示版 校准阶段 鼠标控制阶段 入门 克隆存储库 git clone https://github.com/luca-ant/gaze_tracker.git 安装依赖项 sudo apt install python3-setuptools python3-pip python3-venv 或者 sudo pacman

论文研究-基于Bayes估计的多传感器数据融合方法研究.pdf,  对多传感器数据融合方法进行研究 ,以 Bayes估计理论为基础得到了多传感器最优融合数据 ,并将它与其它方法得到的融合数据进行了比较 .

摘要：采用两点估计法进行考虑不确定性电力系统的概率潮流计算时容易产生较大的误差。提出一种可用于计算含服从非正态分布负荷的概率潮流问题的改进型两点估计法。该方法通

宽带频谱感知技术要实现直接观测宽带频谱， 然后检测出其中所有的主用户信号，需要极高的采样速率并处理海量的数据。 由于压缩感知理论为实现低速率宽带频谱感知提供了理论基础， 因此宽带压缩频谱感知技术成为一个重要的研究方向。 然而， 传统压缩感知模型会对频域离散化， 产生基不匹配问题， 从而降低对主用户信号频率估计的准确性。 此外， 主用户的通信行为是未知且随时间而变化的， 导致宽带频谱稀疏结构的动态变化， 给宽带压缩频谱感知带来困难。 另一方面， 由于无线信号受多径效应和其他因素的影响， 可能存在认知用户接收到某个主用户信号能量过低而无法准确检测到该主用户信号存在的情况， 造成感知性能下降。 这些都是宽带压缩频谱感知客观存在且急需解决的问题。 根据宽带压缩频谱感知技术的研究现状， 将目前存在的困难总结成四点， 即准确性、 实时性、动态性、衰落性。本文的研究内容围绕这四点展开，研究层次由浅入深逐渐递进。 首先， 根据原子范数和无网格压缩感知理论，建立基于原子范数的宽带压缩频谱感知模型， 并提出求解该模型的快速算法， 实现高斯信道下的静态宽带压缩频谱感知；然后， 结合卡尔曼滤波器理论， 建立动态宽带压缩频谱感知模型，实现高斯信道下的动态宽带压缩频谱感知；最后， 利用联合频谱感知方法， 建立基于原子 MMV 的宽带压缩频谱感知模型，实现频率非选择性慢衰落信道下的宽带压缩频谱感知。

此处介绍的Matlab代码是一组蒙特卡洛估计方法的示例，这是一类计算算法，它们依赖于重复随机抽样或随机变量的仿真来获得数值结果。 给出了八个例子： MonteCarloCoin.m – 如果一枚硬币被抛 10 次，估计获得 8 次或更多正面的概率； MonteCarloDice.m – 如果两个骰子被翻转，估计获得 6 和 6 的概率； MonteCarloInt.m – abs(sin(x)) 积分的估计，对于 x = 0 .. 2*pi； MonteCarloPi.m – Pi 值的估计； MonteCarloPower.m – 最坏情况电阻器功耗的估计； MonteCarloSqrt2.m – sqrt(2) 值的估计； MonteCarloVol.m – 单位球体体积的估计； MonteCarloVol_visualization.m – MonteCarloVol.m 示例的

功率谱估计编程，可以进行时域频域的转换，并提取频率、振幅、功率谱密度等相关参数

MMS骨架 介绍 MMSkeleton是一个开源工具箱，用于基于骨骼的人类理解。 这是负责的项目的一部分。 MMSkeleton是根据我们的研究项目。 更新 [2020-01-21] MMSkeleton v0.7发布。 [2019-10-09] MMSkeleton v0.6发布。 [2019-10-08]支持示范动物园。 [2019-10-02]支持自定义数据集。 [2019-09-23]添加基于视频的姿势估计演示。 [2019-08-29] MMSkeleton v0.5发布。 产品特点 高扩展性 MMSkeleton提供了灵活的框架来系统地组织代码和项目，并具有扩展到各种任务

人群密度估计P2PNET OPENCV453

Inverse Problem Theory and Methods for Model Parameter Estimation （模型参数估计的反问题理论与方法） 作者：(意大利)(Albert Tarantola)塔兰托拉 PDF格式，英文。