采集癫痫小鼠模型在常态与致癫状态下的脑电信号以研究其癫痫脑电的自动分类。对经过噪声和伪迹消除预处理的脑电信号进行小波变换，获得不同频率子带的小波系数，对脑电信号及与癫痫特征波相关的小波系数提取相应的线性特征（标准差）和非线性特征（样本熵）；基于这些特征及其组合使用支持向量机分类器实现分类。实验发现基于小鼠脑电本身的标准差和样本熵的分类正确率分别为59.10%和58.00%；而融合各相关小波系数的标准差或样本熵，分类正确率分别达到86.60%和88.60%；融合全部相关小波系数的线性和非线性特征后分类正确率为99.80%。这些结果说明基于小波系数特征融合的分类算法性能有显著提升，能有效实现小鼠癫痫脑电的自动分类。

针对当前输电线路故障诊断的需求，结合智能电网运行中产生的大量结构多样、来源复杂的数据，将这些大数据归类于不同的维度，设计了基于多维度数据融合的输电线路故障智能诊断系统。对多维度的诊断结果融合架构、融合方法等进行了设计，并给出了故障智能诊断系统的主要功能模块和整体结构。最后，通过该系统的运行，表明了多维度数据融合的诊断结果具有较高的诊断速度和准确度，在电力行业故障诊断方面具有良好的应用前景。

Good Features to Track LVI-SAM中视觉里程计的角点特征提取方法

经验模态分解（EMD）是用来处理非平稳时变信号的一种信号分析方法，该方法对所分析信号的局部特征信号进行不同时间尺度的分解，从而得到这些局部特征信号的各阶本征模函数（IMF）。提出了一种基于IMF能量谱的水声信号特征提取与选择方法，通过对水声信号进行经验模态分解，提取信号的本征模式分量并转换为能量谱特征向量，从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机（SVM）分类器进行。实验结果表明，相对于小波能量谱特征提取法而言，利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果，平均正确率达88%以上。

在这项工作中，提出了一种用于裂纹检测的深度监督网络。在该网络中，DeepLab被用作密集特征提取器，以获得多尺度卷积特征。采用了一种新的多尺度特征融合模块。 该模块背后的主要动机是解决U形结构中具有语义信息的深层特征在逐层融合过程中被稀释的问题。深度监督学习用于多尺度特征的集成直接监督。此外，采用加权交叉熵损失函数来解决路面裂缝数据的样本不平衡问题。为了进行性能评估，我们分别在三个公共裂缝数据集上进行了实验。实验结果表明，我们的方法优于最先进的裂纹检测方法。

我就废话不多说，直接上代码吧！ # -*- coding: utf-8 -*- import cv2 import numpy as np from find_obj import filter_matches,explore_match from matplotlib import pyplot as plt def getSift(): ''' 得到并查看sift特征 ''' img_path1 = '../../data/home.jpg' #读取图像 img = cv2.imread(img_path1) #转换为灰度图 gray= cv2.cvtCo

一个简易病毒特征码扫描算法的 一个简易病毒特征码扫描算法的实现 一个简易病毒特征码扫描算法的实现 一个简易病毒特征码扫描算法的实现

需要大于20个字符，所以废话一下，其实没什么说的，说白了就是特征码修改和定位教程

利用non-subsampled contourlet transform(NSCT)对红外偏振与红外光强图像进行分解,得到源图像的低频子带和高频方向子带。通过对红外偏振和光强图像差异特征的分析,对低频选取局部能量和局部信息熵提取差异特征,然后利用模糊逻辑融合低频子带的不确定区域,利用特征差异驱动来融合低频子带的确定区域;对高频选取局部边缘信息保留量和局部方差提取差异特征,然后利用模糊逻辑融合高频方向子带的不确定区域,利用特征差异驱动来融合高频方向子带的确定区域。最后利用NSCT对高低频子带进行逆变换得到最后的融合图像。从而建立起基于模糊逻辑与特征差异驱动的红外偏振图像融合模型。实验仿真结果表明,该融合模型可融合源图像互补的差异特征,使其在目标识别和分类中具有一定的应用价值。

comita:集成趋势分析（ITA）通常用于总结近几十年来在生态系统中发生的变化。 当前，有多种用于ITA的方法，这引起了人们的疑问，哪种方法是用于ITA的最佳方法。 该应用程序的目的是提供一种工具，可以轻松地比较不同的ITA方法，并测试数据预处理和变量选择对​​最终结果的影响。 希望该软件包将提高生态学家对不同降维技术的认识，并根据其数据集的特征为选择ITA方法提供理由和信心