#NeuroRA 从多模态神经数据进行表示分析的Python工具箱 概述 代表性相似性分析（RSA）已成为一种流行的有效方法，用于测量不同模式下多变量神经活动的代表性。 NeuroRA是一个基于Python的易于使用的工具箱，可以在几乎所有种类的神经数据中完成有关RSA的一些工作，包括行为，EEG，MEG，fNIRS，sEEG，ECoG，fMRI和其他一些神经电生理数据。 此外，用户可以在NeuroRA上进行神经模式相似度（NPS） ，时空模式相似度（STPS）和受试者间相关度（ISC） 。 安装 点安装神经元 纸 Lu，Z.，＆Ku，Y.（2020年）。 NeuroRA：来自多模式神经数据的表示分析的Python工具箱。 神经信息学前沿。 14：563669。 doi：10.3389 / fninf.2020.563669 网站及使用方法 在查看更多详细信息。 您可以在阅读或在下载

matlab图片叠加的代码NPBayes_fMRI 描述 这是一个用户友好的Matlab GUI，它实现了一个统一的，概率统一的非参数贝叶斯框架，用于分析来自多对象实验的与任务相关的fMRI数据。 该建模方法基于时空线性回归模型，该模型通过先于空间通知的多对象非参数变量选择来具体说明神经元活动中对象间的异质性。 该方法的一个特征是，它可以将受试者聚集到以相似的大脑React为特征的亚组中，同时生成组级和受试者级激活图。 方法和软件在以下手稿中进行了描述： Zhang，L.，Guindani，M.，Versace，F.，Engelmann，JM和Vannucci，M.（2016）。 多主题fMRI数据的时空非参数贝叶斯模型。 应用统计年鉴，10（2），638-666。 Kook，JH，Guindani，M.，Zhang，L.和Vannucci，M.（2018）。 NPBayes-fMRI：单对象和多对象fMRI数据的非参数贝叶斯通用线性模型。 生物科学统计学。 该代码已于17年10月31日向公众发布。 内容 该存储库包含以下文件夹： 示例文件夹包含Matlab数据集和自动解剖标记（AAL

BHBO 算法是一种基于种群的方法，它通过一种受黑洞现象启发的机制将创建的种群演化为最优解。 参考- Bouchekara, HREH (2013)。 使用基于黑洞的优化技术优化电磁设备设计。 IEEE 磁学汇刊，49(12)。 doi:10.1109/TMAG.2013.2277694 - Bouchekara, HREH (2014)。 使用基于黑洞的优化方法的最佳潮流。 应用软计算，24, 879–888。 doi:10.1016/j.asoc.2014.08.056 - Smail, MK, Bouchekara, HREH, Pichon, L., Boudjefdjouf, H., Amloune, A., & Lacheheb, Z. (2016)。 使用时域反射计和改进的黑洞算法对布线网络进行无损诊断。 无损检测和评估。 doi:10.1080/10589759.201

基于DSP的时空混沌语音加密，徐伟，单梁，数字信号处理器（DSP）具有强大的信号处理能力。本文提出了一种基于DSP的信息加密方案。在TMS320C6201 EVM平台上，生成了基于双向耦合映

对雅鲁藏布江流域归一化差值植被指数(normalized difference vegetation index, NDVD时空变化特征分析的同时,把流域站点降水量点数据插值成与流域NDVI相一致的空间Grid数据,并对流域NDVI与降水量的关系进行了分析。考虑到降水量插值误差的存在,分析了流域站点NDVI与降水量的关系。结果表明,流域与流域站点NDVI与降水量均具有较强的季节性与时间上的一致性。其线性相关系数与对数相关系数都在0.7以上。

在3S(GIS，RS，GPS)技术的支持下，通过建立数学模型对城市土地利用时空特征进行研究，并以重庆市北部新城为试验区域，对该区域土地利用类型、土地利用程度、城市扩展等时空特征进行了动态分析，取得了良好的效果，为定性定量研究区域土地利用、土地覆盖的时空演变提供了一种新思路和新方法。

斯塔克 的论文的正式实施 雇用视觉变压器项目的研究实习生： 强调 最强的表现 追踪器 LaSOT（AUC） GOT-10K（AO） TrackingNet（AUC） 斯塔克 67.1 68.8 82.0 TransT 64.9 67.1 81.4 TrDiMP 63.7 67.1 78.4 暹罗R-CNN 64.8 64.9 81.2 实时速度 STARK-ST50和STARK-ST101在Tesla V100 GPU上分别以40FPS和30FPS运行。 端到端，后处理免费 STARK是一种端到端跟踪方法，可以直接将一个准确的边界框预测为跟踪结果。 此外，STARK不使用任何对超参数敏感的后处理，因此性能稳定。 纯粹基于PyTorch的代码 STARK完全基于PyTorch实现。 安装环境 选项1 ：使用Anaconda conda create

基于1960-2012年我国8个区域310个站点的夏季逐月降水数据，采用趋势特征指数、M-K检验和空间差值等方法，分析我国夏季降水的时空分布特征。研究发现：从时空分布看，1960-2012年，长江中下游、华南、西北地区和青藏高原地区夏季降水量呈上升趋势，其中，长江中下游和西北西部地区夏季降水量显著增加，两个地区均在1990年代夏季降水量增加最多；东北、华北和西南地区夏季降水量呈下降趋势，从东北到西南一线，夏季降水出现了一条明显的倾向率负值带，其中，东北和华北地区夏季降水量减少最显著，东北地区夏季降水量在2

时空记忆网络的Trainig脚本 该代码库实现了具有训练代码。 要求 python包 火炬 python-opencv 枕头 yaml ga 雅克 进步 （可选） GPU支持 GPU内存> = 12GB CUDA> = 10.0 数据 有关准备好的数据集的数据组织的更多详细信息，请参见doc 。 释放 我们在代码库中提供了具有不同主干的预训练模型，结果在带有梯度校正的DAVIS17-val上得到了验证。 模型 骨干 数据后端 Ĵ F J＆F 关联 第一人称射击 STM循环 Resnet18 大理 65.3 70.8 68.1 14.8 STM循环 Resnet50 皮尔 70.5 76.3 73.4 9.3 正在运行 将根文件夹附加到python解释器的搜索路径 export PYTHONPATH= ${PYTHONPATH} :./ 要训​​练STM网

MATLAB典型代码CMOS传感器噪声 CMOS传感器中时空波动的表征 作者：Peyvandi，S. 1，Ekroll，V. 2，以及Gilchrist，A. 1 1-新泽西州立大学罗格斯大学心理学系，美国新泽西州纽瓦克07102 2-比利时鲁汶大学（KU Leuven）实验心理学实验室 背景 传感器像素吸收的实际光子数随泊松波动而变化。 当像素阵列暴露于光能时，此光子波动会在给定的数字计数下通过单个像素在输出信号中引入空间变化，并在像素数量上引起时间变化。 我们提出了一个模型来表征在反复暴露于均匀照明的颜色检查器的CMOS传感器中的这种时空变化。 代码简介 这是用于MATLAB代码的存储库，用于估计CMOS传感器中数字计数的空间变化。 直方图本身的时间波动的特征在于重复曝光后的时间变化。 光能在传感器像素之间的分布 材料 我们使用由Aptina-ON Semiconductor制造的小型经典xrite色彩检查器捕获了180张* .raw图像，并使用1000 W石英卤素灯泡均匀照明。 传感器的光谱量子效率函数从制造商处可在线访问的QE图进行了数字化处理。 成像设备带有一个带有红外截止滤