KMV的MATLAB的代码到默认和危险模型的距离 违约的距离，违约概率和危害模型以及财务数据的风险管理 =>计算COMPUSTAT和CRSP数据集上的默认距离和默认概率。 =>使用的方法：朴素方法，Black Scholes方法和迭代方法（穆迪KMV方法） =>使用危害模型和机器学习技术来预测消费者的信用风险。 =>风险价值计算，基于收益的历史分布的预期资产短缺。 => JP Morgans风险度量模型和GARCH（1,1）的波动率估计的计算和比较

针对基于RSSI的无线传感器网络定位测距问题,在对数-常态分布模型下提出了一种混合滤波及最小二乘环境参数动态估计的测距算法。以锚节点作为参考节点,采用基于均值滤波、中值滤波和高斯滤波的混合滤波方法优化RSSI值,运用最小二乘法估计环境参数,再由盲节点与锚节点的RSSI混合滤波优化值计算二者之间的距离。仿真结果表明,混合滤波性能优于其它单一滤波方法,环境参数估计相对误差小于2.5%,空旷环境下100 m范围内测距相对误差小于10%,满足无线传感器网络定位测距要求。

作者是Borgefors，图像处理方面,文章比较经典,希望对大家有用.

EMD(earth mover’s distance)基于分布的距离度量方法，作为度量概率数据相似性的标准，具有抗噪性好, 对概率分布间的微小偏移不敏感等优良特性。

Python模块 动态时间扭曲被用作时间序列之间的相似度。 该软件包提供了两种实现： 该算法的基本版本（请参见） 依赖scipy cdist的加速版本（有关详细信息，请参见 ） import numpy as np # We define two sequences x, y as numpy array # where y is actually a sub-sequence from x x = np . array ([ 2 , 0 , 1 , 1 , 2 , 4 , 2 , 1 , 2 , 0 ]). reshape ( - 1 , 1 ) y = np . array ([ 1 , 1 , 2 , 4 , 2 , 1 , 2 , 0 ]). reshape ( - 1 , 1 ) from dtw import dtw manhattan_distance = lambd

计算相似度的matlab代码计算归一化的谷歌距离使用matlab 从这里获取代码： 从这里观看代码： 此代码使用matlab可以非常精确地计算“归一化的Google距离”。 标准化Google距离是一种语义相似性度量，它是由Google搜索引擎针对给定关键字集返回的命中数得出的。 在自然语言意义上具有相同或相似含义的关键字倾向于以“标准化Google距离”为单位“接近”，而具有不同含义的单词则往往相距较远。 应用程序用于机器学习项目，例如颜色与数字，素数与非素数，以及使用WordNet类别的随机大规模实验。 在素数与非素数的情况下以及WordNet实验中，使用支持向量机分类器增强了NGD方法。 实验由25个阳性实例和25个阴性实例组成。 WordNet实验由100个随机WordNet类别组成。 NGD方法的成功率为87.25％。 即平均值为0.8725，而标准偏差为0.1169。 这些费率与WordNet类别的一致性有关，WordNet类别代表进入其中的具有博士学位的研究人员的知识。 很少看到协议低于75％。 与我联系：电子邮件：我所有代码的列表： 直接在freelancer上雇用我：

社会距离估计 该存储库包含使用YOLOv4对象检测器和OpenPose人类姿势估计器根据单个RGB图像自动进行社交距离估计的代码和教程。 内容 入门 该代码要求安装以下库： python 3.8 张量流2.3.1 的opencv 4.4.0.44 numpy的1.18.5 该代码要求安装YOLOv4和OpenPose模型。 有关安装说明，请参阅和 。 安装后，从此页面下载3个脚本automatic_evaluation_API.py，valuate_labeled_images.py和valuate_unlabeled_images.py。 最后，项目文件夹应如下所示： ${project_dir} / ├── labels │ ├── body_pixel_locations.csv │ ├── camera_locations_photoshoot_identifi

Convex Optimization & Euclidean Distance Geometry

通过此简单教程，无需使用标尺即可使用Arduino和SR-04F制作超声波测距仪。

EMD的matlab代码分享用于点云地球移动距离 (EMD) 的 PyTorch 包装器 依赖 代码已经在 Ubuntu 16.04、PyTorch 1.1.0、CUDA 9.0 上测试过。 用法 首先编译使用 python setup.py install 然后，将lib文件复制到主目录， cp build/lib.linux-x86_64-3.6/emd_cuda.cpython-36m-x86_64-linux-gnu.so . 然后，您可以简单地使用它 from emd import earth_mover_distance d = earth_mover_distance(p1, p2, transpose=False) # p1: B x N1 x 3, p2: B x N2 x 3 例如检查test_emd_loss.py 。 作者 cuda代码最初由范浩强编写。 PyTorch 包装器是由莫开春编写的。此外，顾家远也提供了帮助。 执照 麻省理工学院