SAR图像变化检测可以通过对差异图的分类来实现，由于SAR图像容易受到相干斑噪声的干扰，从而影响变化检测效果。提出了一种基于空间邻域信息模糊聚类的SAR图像变化检测方法，根据对数比法和均值比法的各自特点，构造了一种新的差异图生成方法，并通过对传统的模糊聚类算法结合像素的空间邻域信息进行改进，来实现SAR图像的变化检测。实验结果表明，与传统的阈值法、模糊聚类算法以及局部邻域信息模糊C均值算法相比，提出的算法具有较高的检测精度，不但能有效地抑制噪声影响，同时能较好地保留图像细节信息。

传统基于邻域决策错误率的属性约简准则是针对总体分类精度的提升而设计的，未能展现因约简而引起的各类别精度变化情况。针对这一问题，引入局部邻域决策错误率以及局部属性约简的概念，其目的是提升单个类别的分类精度。在此基础上，进一步给出了求解局部邻域决策错误率约简的启发式算法。在8个UCI数据集上的实验结果表明，局部约简不仅是提高各个类别精度的有效技术手段，而且也解决了因全局约简所引起的局部分类精度下降问题。

变邻域搜索算法matlab代码

共同近邻（CNN）聚类 笔记 该项目目前处于Alpha状态。 将来可能会更改实现。 检查示例和文档以获取最新信息。 集群 所述cnnclustering Python包提供了一个灵活的接口聚类算法使用C ommon-Ñearest-Ñeighbours。 虽然该方法可以应用于任意数据，但此实现是在“分子动力学”模拟的处理轨迹背景之前完成的。 在这种情况下，聚类结果可以作为构建核心集马尔可夫状态（cs-MSM）模型的合适基础，以捕获潜在分子过程的基本动力学。 有关用于cs-MSM估计的工具，请参考此单独的。 该软件包提供了一个主要模块： cnnclustering ：（等级）共同近邻聚类和分析 特征： 灵活：可以对不同输入格式的数据集进行聚类。 易于与外部方法连接。 方便：功能集成，在分子动力学的背景下非常方便。 快速：核心功能使用Cython。 请参考以下论文以获得科学背景（如

以邻域粗糙集的属性重要度作为量度，从一个空集出发，前向贪心的选择重要度大的属性并入到约简集合，直到达到约简条件。

MixHop和N-GCN ⠀ PyTorch实现的“ MixHop：通过稀疏邻域混合进行的高阶图卷积体系结构”（ICML 2019）和“一个高阶图卷积层”（NeurIPS 2018）。 抽象 最近的方法通过近似图拉普拉斯算子的本征基，将卷积层从欧几里得域推广到图结构数据。 Kipf＆Welling的计算效率高且使用广泛的Graph ConvNet过度简化了逼近度，有效地将图形卷积呈现为邻域平均算子。 这种简化限制了模型学习三角算子（图拉普拉斯算子的前提）的作用。 在这项工作中，我们提出了一个新的图卷积层，该层混合了邻接矩阵的多种幂，从而使它能够学习增量算子。 我们的层展现出与GCN相同的内

使用摩尔邻域进行边界追踪============================================== 亚当 H.艾特肯黑德adam.aitkenhead@physics.cr.man.ac.uk 克里斯蒂 NHS 基金会信托2010 年 5 月 17 日使用 Moore 邻域的 2D 边界跟踪。 用法====== >> [listCONTOUR,listNORMALS] = TRACE_MooreNeighbourhood(data2D,pixelFIRST) 获取逻辑数组 并跟踪 1s 区域的边界。 起始像素的坐标可选地由 定义。 输入参数================ data2D - 大小为 (L,M) 的二维逻辑数组（1 => 区域内，0 => 区域外） pixelFIRST（可选） - 一个 (2x1) 数组，包含位

变邻域搜索算法matlab代码

基于新的动态邻域算法的车间调度问题的研究

变邻域搜索算法matlab代码解决工程优化问题 粒子群优化 1.简介 粒子群优化（PSO）是一种计算方法，它通过反复尝试针对给定的质量度量来改进候选解决方案来优化问题。 它通过拥有一组候选解（粒子）并根据粒子位置和速度上的简单数学公式在搜索空间中移动这些粒子来解决问题。 每个粒子的运动都受其本地最知名位置的影响，但也被引导向搜索空间中最知名的位置，这些位置会随着其他粒子找到更好的位置而更新。 可以预期这将朝着最佳解决方案迈进。 在这项研究中，存在四个用PSO解决的工程优化问题。 在此存储库中共享MATLAB算法和代码实现。 如图1所示。 x表示粒子的位置。 这些是我们在搜索领域的解决方案。 然后图中的箭头是每个粒子的速度。 2.算法 PSO模拟了鸟群的行为。 假设以下情况：一群鸟在一个区域中随机寻找食物。 被搜索的地区只有一种食物。 所有的鸟都不知道食物在哪里。 但是他们知道每次迭代中的食物有多远。 那么，找到食物的最佳策略是什么？ 有效的方法是跟随最接近食物的鸟。 PSO从方案中学习并用于解决优化问题。 在PSO中，每个解决方案都是搜索空间中的“鸟”。 我们称其为“粒子”。 所有粒子