从零开始的高斯混合模型 算法类型：聚类算法使用的数据集：从sklearn导入的虹膜数据集 最终集群的输出 要求： Jupyter笔记本或Google Colab 库： 熊猫： ： numpy： ：//numpy.org/install/ Matplotlib： ：//matplotlib.org/stable/users/installing.html sklearn： ://scikit-learn.org/stable/install.html scipy： ：//pypi.org/project/scipy/ 涉及的步骤： 对于Google Colab： 在任何浏览器上打开google colab。 在Google Colab中上传文件“ 19BCE1328_Gaussian混合物模型”。 运行笔记本中的所有单元并查看输出。 参见图以可视化最终结果。 对于Jup

高斯光束基础(Gaussian Beam Optics,Melles Griot) Content .Gaussian Beam Propagation .Transformation and Magnification by Simple Lenses .Real Beam Propagation .Lens Selection

Variational Dirichlet Process　Gaussian Mixture Model的Matlab源码

用于gaussian 03 软件初学者使用

此函数使用 lsqcurvefit 将参数 D、A、mu、sig 拟合到 R^N-->R 高斯+常数模型函数， z(x) = D + A*exp( -0.5 * (x-mu).' * inv(sig) *(x-mu) ) 这里A和D是未知标量，mu是未知Nx1均值向量，sig是一个未知的NxN协方差矩阵。 通过施加下限和上限 0<=D<=0（见下文），这也可用于执行纯高斯拟合。 句法： [params,resnorm,residual,exitflag,output] = gaussfitn(xdata,zdata,params0,LB,UB,Name,Value) 输入（必填）： xdata：MxN 矩阵，其行指定 R^N 中的 M 个分散样本zdata：对应样本的 Mx1 向量 z(xdata) 输入（可选） params0：初始参数估计值的元胞数组 {D0,A0,mu0,sig0}。

这是论文“Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising”的测试演示。 有两种模型，包括高斯去噪的特定/盲模型和高斯去噪的单一模型、单图像超分辨率（SISR）和JPEG图像去块。

自动高斯和 Gabor 曲面拟合--- 用于将一维高斯拟合到曲线以及将二维高斯或 Gabor 拟合到曲面的函数。 例程是自动的，因为它们不需要指定模型参数的起始猜测。 这是通过评估许多不同参数选择的拟合质量，然后通过最小二乘法（穷举搜索然后细化）细化最有希望的参数集来完成的。 所有函数都支持 2 种计算参数误差线的方法：bootstrapping 和 MCMC。 autoGaussianSurf（xi，yi，zi）使2D高斯拟合到曲面，定义为： zi = a*exp(-((xi-x0).^2/2/sigmax^2 + (yi-y0).^2/2/sigmay^2)) + b 它还可以拟合倾斜的 2d 高斯或各向同性的 2d 高斯。 autoGaborSurf（xi，yi，zi）适合Gabor，定义为： zi = a*exp(-(xip,.^2+yip.^2)/2/sigma^2

Gaussian Process Regression源码.zip

吉布斯采样matlab代码多线性高斯过程 存储库中提供了“欧洲研究网络系统标识（ERNSI）2018”的，其中清楚地演示了所建议的方法。 如何使用 所提出算法的源代码是用Matlab实现的。 该代码是实验1的实现。但是，可以轻松地使其适应实验2和Fed-batch实验。 它包含4个文件： 对应于所提出的算法。 是包含3个嵌套函数的多线性GP的实现：1）期望最大化，2）吉布斯采样，3）网格搜索优化。 是通过算法4中的交叉验证选择的带有lambda的L1正则化。 是L1正规化，具有lambda的经验选择。 该代码是众所周知的。 代码中使用的变量和函数与本文中定义的变量和函数一致。

现有的视频中车辆流动的检测算法按像素检测运动物体，因此它们可能会被噪声破坏，并且计算成本很高。 在本文中，我们提出了一种具有背景字典学习的鲁棒运动车辆检测算法。 提出了一种基于虚拟区域和虚拟线的改进的车辆流量检测算法。 为此，我们首先将一个图像分成多个具有相同大小的图像块。 每个补丁都是一个对象或背景。 然后，为每个补丁学习背景字典。 测量补丁与背景字典之间的相似性，然后将补丁区分为对象或背景。 另外，使用虚拟检测线并将其组合到虚拟区域中以检测车辆。 实验结果证明了该算法的实时性和准确性。