当无限脉冲响应(IIR)系统输入和输出信号被α稳定噪声干扰时,传统的最小平均 P-范数(LMP) 算法的解会出现较大偏差,而整体最小平均 P-范数(TLMP)算法存在收敛速度慢的问题 。为此提出一种适用于自适应 IIR滤波的递归整体最小 P-范数(IIR RTLP)算法,首先整体考虑输入和输出信号受α稳定噪声干扰的影响,使得基于 P-范数的误差期望值达到最小;然后采用矩阵求逆引理和幂迭代法递归更新自适应滤波器的系数,使其可跟踪时变系统,并提高算法收敛速度 。仿真结果表明,IIR RTLP算法比 TLMP算

LDPC码的一种低复杂度归一化最小和译码算法.pdf

GETNPVI 计算归一化成对变异指数 (NPVI) 和变异系数 (CV)，如 Grabe & Low (2002) 所述。 [NPVI CV] = GETNPVI(IN) 返回归一化成对变异输入语句 IN 的索引 NPVI（M*N 或 M*N*P）和变异系数 CV（M*N 或 M*N*P）。 IN是大小的音节持续时间矩阵M*N 或 M*N*P。 示例：如果 IN = [1 2 3; 3 3 6; 4 6 8; 4 7 7]； 那么 [npvi cv] = getNPVI(IN) 是 npvi = [53.3333; 33.3333； 34.2857； 27.2727]。 cv 是 [0.5000; 0.4330； 0.3333； 0.2887] 示例：如果 IN(:,:,1) = [1 2 3; 3 3 6] 和 IN(:,:,2) = [4 6 8; 4 7 7] 然后 [np

最短路例题——小X学游泳2 游泳池划分成了一个n×m的方格，这里n×m表示n行m列。因为游泳池里的水深浅不一，所以这n×m个方格对于小X的危险系数也会不一样。 而小X 目前需要从左上角的方格（1，1）出发，游到右下角的方格（n，m），小X每次只能从当前方格游到上下左右四个相邻的方格中的某一格，并且在到达终点前不能离开游泳池。 小X 很担心会发生什么危险，所以希望你能帮他找一条危险系数最小的路径。 输入要求 输入数据第一行有两个用空格隔开的正整数n和m，表示 泳池的行数和列数。 接下来共有n 行数据，每行有m 个用空格隔开的大于等于 0的整数，表示每个方格的危险系数 输出要求 输出仅有一行包含一个整数ans，表示要求的从左上角的 方格（1，1）出发，游到右下角的方格（n，m）的最小的 危险系数。 输入样例 4 5 1 7 2 8 2 3 10 1 5 1 2 8 3 7 1 1 2 1 20 1 输出样例 19

使用 Durbin 递归 [1] 求正定 Hermitian 对称 Toeplitz 矩阵 T (N>=2) 的 Cholesky 因子的逆。 Aravindh Krishnamoorthy，aravindh.krishnamoorthy@fau.de，2015 年 9 月 4 日。 在 2 条款 BSD 许可下发布。 [1] Gene H. Golub、Charles F. Van Loan，矩阵计算，第三版，算法 4.7.1 (Durbin)。

本篇文章主要介绍了Python实现FTP上传文件或文件夹实例（递归），具有一定的参考价值，有兴趣的可以了解一下。

定价博弈matlab代码递归词典搜索 该代码实现了RLS方法并解决了Bertrand的定价和投资博弈，该论文在“递归词典搜索：找到有限状态定向动态博弈的所有马尔可夫完美均衡”（经济研究评论，2015年）和“ Bertrand Price的动力学”一书中与降低成本的投资竞争”，作者：Fedor Iskhakov，Bertel Schjerning和John Rust。 任何run_leapfrog_ *脚本都将运行该模型的各种版本。 要运行此代码，必须使用C编译器正确配置Matlab（运行mex -setup）并参考（Matlab R2015b）

银行家算法非递归得到所有安全序列，操作系统，emmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmmm

为了消除光照变化对人脸识别的影响,提出了一种新的基于小波的光照归一化算法。首先对人脸图像进行三级小波分解,获取低频和高频系数;接着对低频成分直方图均衡化,减弱光照的影响,同时对高频成分阈值去噪,再放大高频以增强图像边缘;最后进行逆小波变换,得到归一化后的人脸图像。在Yale B人脸库上的实验结果表明:本文方法可有效减弱光照变化对人脸识别的影响,显著地提高了人脸识别系统的识别率。

与一维传递函数相比，多维传递函数可以对体积对象进行更复杂的分类。但 是，当传递函数空间的维数超过 3-D 时，将其可视化和操作是不直观的，这使得 用户交互变得困难。所以针对多维传递函数的设计问题，提出了一种二维聚类方 法。一阶自组织图聚类（SOM）将高维特征数据投影到二维拓扑保留图中。二 阶聚类降低了 SOM 神经元的设计自由度。从大量的 SOM 神经元到可管理的簇。 在提供信息的 SOM 网络的指导下，用户通过选择集群以交互方式发现体素中有 趣的结构，在必要时可视化和修改集群结果。我们的界面跟踪发现的每一个有趣 的结构，这不仅允许用户仔细检查单个结构，还允许他们通过合并被认为重要的 结构来形成最终的可视化效果。 最后用 QT 实现了一个可视化软件，导入体数据，体数据对应的类，对应类 的颜色表和 SOM 拓扑图对应的类这些文件，就可以通过光线投射算法来可视化 对应的三维体数据，因为我们采取了多维传递函数，所以效果比直接光线投射算 法更加好，能分出更加复杂的类，这个可视化软件能应用于海洋学、生物、医学 等学科，比如医学医生可以选取自己感兴趣的类并重点观察自己感兴趣的类。