可泳道分析分析，光密度分析，菌落计数，可用于化学发光分析，

音频 nnAudio是使用PyTorch卷积神经网络作为后端的音频处理工具箱。 这样，可以在神经网络训练过程中从音频动态生成频谱图，并且可以训练傅立叶内核（例如CQT内核）。 也有类似的概念，他们还使用一维卷积神经网络提取基于频谱图。 其他GPU音频处理工具是和 。 但是他们没有使用神经网络方法，因此不能训练傅立叶基础。 作为PyTorch 1.6.0，torchaudio仍然很难在Windows环境下，由于在安装sox 。 由于nnAudio主要依赖PyTorch卷积神经网络，因此它是跨不同操作系统的更兼容的音频处理工具。 nnAudio的名称来自torch.nn 文献资料 与其他图书馆的比较 特征 可训练的 :check_mark_button: :cross_mark: :check_mark_button: :cross_mark: :cross_mark: :check_mark_button: :cross_mark: 可区分的 :check_mark_button: :check_mark_button: :check_mark_b

此功能将 1D 或 3D LUT 应用于图像数据以进行颜色梯度校准。 可以在此处找到 LUT 的详细描述： http://www.lightillusion.com/luts.html 语法：[img_lut] = imlut（img，lut，kind，order） 输入： img - 应用 lut 的图像，格式为 double， uint8 或 uint16 lut - 颜色查找表（1D 或 3D） kind - 字符串 '1D' 或 '3D' 指定是使用 1D LUT 还是 3D LUT order - LUT 条目的顺序。 我们区分“标准”（默认）和“逆”顺序。 例子： 标准顺序 逆顺序RGBRGB 0 0 0 0 0 0 1 0 0 0 0 1 2 0 0 0 0 2 0 1 0 0 1 0 1 1 0 0 1 1 2 1 0 0 1 2 0 2 0 0 2 0 …… 2 2

该算法实现了PCSBL，结构耦合贝叶斯算法是一种考虑了信号块稀疏特点的重构算法，该算法不需要知道块稀疏信号的结构信息，可以实现一维信号的重构。算法中给出了参考论文，供学习参考。

matlab光谱算法代码frft2-python python中的离散1d和2d分数阶傅里叶变换 用法： frft2d（mat，ax，ay） mat：要转换的数字矩阵 ax，ay：沿x和y轴的变换顺序 返回垫子的frft光谱 偏移（f，a; p） f：待变换的离散信号 a：转换顺序 p（可选）：近似的顺序，默认情况下等于f的一半 返回f的frft谱 这段代码是从其matlab版本翻译而来的（我实际上不知道该算法是如何工作的xd），一个senpai给了我，我也不知道它的起源。

视频MD5修改工具 1d

BOXCOUNT 对 D 维数组（其中 D=1,2,3）进行 Box-Counting。 Box-counting 方法可用于确定一个的分形属性1D 片段、2D 图像或 3D 阵列。 如果 C 是一个分形集，分形维数 DF < D，那么覆盖该集所需的大小为 R 的框的数量 N 为 R^(-DF)。 DF 被称为 Minkowski-Bouligand 维度，或 Kolmogorov 容量，或 Kolmogorov 维度，或简称为 box-counting 维度。 [N, R] = BOXCOUNT(C)，其中C是一个D维数组（D=1,2,3），计算覆盖C的非零元素所需的大小为R的D维框的数量N . 盒子大小是 2 的幂，即 R = 1, 2, 4 ... 2^P，其中 P 是最小整数，满足 MAX(SIZE(C)) <= 2^P。 如果 C 在每个维度上的大小小于 2^P，则 C 用

一维 Burgers 方程使用显式空间离散化（迎风和中心差分）和域 (0,2) 上的周期性边界条件求解。 二维情况在 2X2 的方形域上求解，并且对扩散项使用显式和隐式方法。 沿域的边缘使用Dirichlet边界条件。

通过 1D-FDTD 模拟太赫兹辐射脉冲。 脉冲由自由空间中的硬源点产生。 Mur 的辐射边界位于模拟区域的两侧。 对不起我的英语不好！！！

此文件夹中的 Matlab 代码通过快速高斯网格实现 1D-3D NUFFT。 卷积循环被编写为 C 程序，可从 Matlab 命令提示符编译为 mex 文件。 关于代码的更多数学细节可以在 L. Greengard 和 J. Lee 的“加速非均匀快速傅立叶变换”，SIAM 评论，卷。 46，第 3 期，第 443-454 页。 我已经包含了三个示例脚本（fgg_1D_experiment.m 等），它们创建了一个简单的 1D/2D/3D 图像并将 DFT 与 Type-I NUFFT（从非均匀数据到均匀图像网格的 DFT）进行了比较。 图像数据通过伴随算子转换回数据域（Type-II NUFFT——均匀网格 DFT 到非均匀数据位置——用 IFFT 而不是 FFT 实现）并再次返回图像域以证明数值精度. 此代码不包括 Type-III 变换（非均匀-->非均匀），但可以通过结合此处