该算法允许在 0.2 秒到 1.2 秒的范围内估计混响时间（RT 或 T60），并假设源和接收器不在临界距离内。 此功能不执行去噪，必须提前完成。 使用的算法在Heinrich W. Löllmann、Emre Yilmaz、Marco Jeub 和 Peter Vary： “一种改进的盲混响时间估计算法” 声学回声和噪声控制国际研讨会（IWAENC）， 以色列特拉维夫，2010 年 8 月。 （可参考www.ind.rwth-aachen.de/~bib/loellmann10a ） 笔记： 通过秒快速跟踪变化的 RT 的方法此版本中未实现直方图以进一步减少算法的复杂性。该程序的参数设置与用于模拟示例的参数设置不同参考文件。

最小单纯形混合像元分解算法，速度快，效率高，minimum volume simplex analysis

真实图片的去噪神经网络——CBDNet的中文翻译

matlab中存档算法代码盲反卷积 盲反卷积是使用未知模糊内核对图像进行模糊处理的过程。 我的大部分工作都与Rob Fergus的相关工作及其实施有关 为了提取清晰的图像，我们首先需要计算模糊核。 后者是使用最大后验（MAP）算法估算的，同时假设模糊核值具有指数先验分布。 理想情况下，先计算后验分布，然后再使用MAP算法。 在估计了模糊内核之后，使用Richardson Lucy算法（非盲反卷积）算法来获取最终锐化图像的像素值。 我的文章中给出了该算法的详细解释。 结果很少显示如下： 您还可以通过仅选择特定的图像区域并将其作为算法的输入，来锐化图像的一部分。 例如，考虑下面的模糊图像及其结果。 在这里，我只是想使瓶子更锋利，而不是使backgorund变得更锋利。 在任何模糊图像上运行代码的步骤： 将模糊的图像复制到images /中（例如ian1.jpg） 复制结果/中的示例图像脚本之一（例如，如果使用Linux，则为“ cp ian1.m ian1.m”） 编辑新的图像脚本（例如ian1.m），更改以下设置：-obs_im以反映新的文件名（例如obs_im ='../images/

二阶盲分离算法，包括AMUSE、SOBI、JADER、EFICA、ERICA、WASOBI等，代码详细，由注释，便于理解学习。

针对低信噪比下电子侦察机接收到的多分量信号的盲检测问题,提出了一种基于特征值能量的盲信号检测算法。该算法首先计算归一化特征值,然后进行信号子空间维数估计,构建检验统计量表达式,进而研究了扰动分布,从而确定给定虚警概率下的检测门限,实现信号的盲检测。理论分析和仿真结果表明,该算法对多分量信号尤其是时频重叠的多分量信号适应性强,和现有的利用特征值分析的盲检测算法相比,性能可以提高2dB。

盲波束形成算法matlab程序（含恒模CMA、高阶累积量CUM、循环累积量CYC、二阶累积量MRE）

深度之路 这个项目是对盲人的帮助。 迄今为止，盲人导航的方式尚无技术进步。 因此，我使用了深度学习（特别是卷积神经网络），以便它们可以在街道上导航。 观看 我的方法 收集培训数据 我的项目是CNN的实现，我们都知道它们需要大量的培训数据。 因此，我遇到的第一个障碍是带有正确标记的图像数据集。 所以我到了大学，录制了很多视频（各种类型的道路和越野），然后我写了一个基本的python脚本来保存视频中的图像（我每5帧保存了1幅图像，因为连续框架几乎相同）。 我为每个班级（即左，右和中）收集了近10000个这样的图像，几乎是3300。 左图： 右图： 中心图片： 训练模型 我收集了CNN架构并对其进行了训练。 然后，我评估了所有模型的性能，并选择了精度最高的模型。 我的训练准确率约为97％。 我对所有训练后的模型都获得了大致相同的准确性，但是我意识到在测试集中实施正则化的模型表现更好 与Arduino的接口 下一个问题是如何告诉盲人朝哪个方向移动。 所以我将python程序连接到Arduino。 我将伺服电机连接到arduino，并将伺服电机固定到眼镜的侧面。 通过串行通讯，我可以告诉ar

盲源分离，语音增强 Blind source separation (BSS) methods have received extensive attention over the past two decades; thanks to its wide applicability in a number of areas such as biomedical engineering, audio signal processing, and telecommunications. The problem of source separation is an inductive inference problem, as only limited information, e.g., the sensor observations, is available to infer the most probable source estimates.

这个文档是我见过为数不多的将理论分析的十分透彻的文档，包括公式推导的每一步怎么来的，为什么都解释的十分清楚，很多大牛的文献都没有这个好，建议做贝叶斯的盲源反卷积的一定拜读一下