针对SDN中静态网络结构不能适应动态流量变化所引起的控制器负载不均衡问题,提出一种阶段式动态负载均衡策略。阶段一,以控制器负载均值化为目标,确定迁入控制器候选集,且综合考虑时延、负载,设计指标函数,选取待迁移交换机;阶段二,考虑网络节点间的连通性,以最小迁移代价为目标,提出改进的EMD模型,并用线性逼近算法快速求解,实现了交换机的快速并行迁移。实验结果表明,与现有的负载均衡策略相比,改善了迁入控制器和交换机的选取过程,优化了网络性能,控制器的负载均衡度提升了约31.4%。

在此提交中，我使用 HDL 编码器使用 (5x5) 内核实现了均值滤波器。该设计已成功综合和仿真。

本程序有八大计算功能。分别是（1）水平角计算（2）竖直角计算（3）三角高程计算（4）均值和方差计算（5）线性方程组计算（6）坐标正反算（7）平差计算（8）坐标计算。

LMD（局部均值算法），可以实现信号的局部均值分解，亲测可以运行！！！

提供GPU CUDA架构下的图像处理方法，主要包括图像的RGB转灰度图，与均值模糊处理

均值滤波和中值滤波在matlab中的应用及其matlab代码

中值滤波、均值滤波和高斯滤波代码 C语言 借鉴他人的资源进行集合和整理了一下，高斯滤波分为一维高斯滤波和二维高斯滤波

mean variance

13.1 极大似然估计的原理 极大似然的估计原理可以由下面的程序得到说明。我们首先生成 10 个服从 正态分布的总体，每个总体的均值都不同，依次为 0，1，2，3，4，5，6，7，8， 9。方差相同，均为 1。然后我们随机地取出一个总体，从中抽出 10 个样本，因 为事先不知道是从哪一个总体中抽出来的，所以我们分别用已知的 10 个总体参 数值代入似然函数，计算出 10 个似然函数值，取其中 大的似然值，认为该样 本是从相应的总体中取出的（从而联合概率密度也 大化）。然后我们让计算机 告诉我们它是从第几个总体中取样的，并与我们的判断进行对比。 *===========================begin================================== capt prog drop mle prog mle /*生成10个均值不同、方差均为1的正态总体，每个总体取８个样本*/ drawnorm double x0-x9,n(8) m(0,1,2,3,4,5,6,7,8,9) clear global i=int(10*uniform()) //设定一个随机数，用于随机取出一个总体 forv j=0/9 { gen lnf`j' =-0.5*ln(2*_pi)*8-sum(0.5*(x$i-`j')^2) //对取出的总体计算似然值 scalar lnf`j'=lnf`j'[_N] //最终的似然值 } scalar list // 比较10个似然值哪个最大，猜想是从第几个总体取出来的？ end mle *根据10个似然值，猜想是从第几个总体取出来的？ di "所抽中的样本为" as error "X"$i //显示真正的取样总体是什么 *===========================end==================================== 在现实中，我们并不知道任何一个真正的总体参数，因此，只能借助于找到 样本似然值（实际上是联合概率密度的对数值） 大的总体参数，即认为其是总 体参数。在 STATA 中实现 大似然法的估计必须自己编写程序。下面的例子说 明了如何利用 stata 编写程序来实现对模型的极大似然估计。 13.2 正态总体均值和方差的极大似然估计 *===========================begin================================== capt prog drop bb prog bb //定义程序的名称 args lnf u v //声明参数,u 为均值，v为方差 quietly replace `lnf' = -0.5*ln(2*_pi) - ln(`v') -0.5*($ML_y1-`u')^2/(`v')^2 end drawnorm x,n(100) m(10) sd(3) clear//模拟均值为10，方差为3的100个正态样本 ml model lf bb (x=) (variance:) //利用迭代法则进行极大似然估计

求随机相位正弦信号的均值，比较简单的程序