在高维数据如图像数据、基因数据、文本数据等的分析过程中，当样本存在冗余特征时会大大增加问题分析复杂难度，因此在数据分析前从中剔除冗余特征尤为重要。基于互信息（MI）的特征选择方法能够有效地降低数据维数，提高分析结果精度，但是，现有方法在特征选择过程中评判特征是否冗余的标准单一，无法合理排除冗余特征，最终影响分析结果。为此，提出一种基于最大联合条件互信息的特征选择方法（MCJMI）。MCJMI选择特征时考虑整体联合互信息与条件互信息两个因素，两个因素融合增强特征选择约束。在平均预测精度方面，MCJMI与信息增益（IG）、最小冗余度最大相关性（ mRMR）特征选择相比提升了6个百分点;与联合互信息（JMI）、最大化联合互信息（JMIM）相比提升了2个百分点;与LW向前搜索方法（ SFS-LW）相比提升了1个百分点。在稳定性方面，MCJMI稳定性达到了0.92，优于JMI、JMIM、SFS-LW方法。实验结果表明MCJMI能够有效地提高特征选择的准确率与稳定性。

在面向轨道的多假设跟踪器中重建全局假设的问题是 MWISP 的一个实例。 在 MHT 中，家族结构是已知的，可以用来为 MHT-MWISP 找到快速的本地搜索启发式。 类型 2 实例有许多小系列（其中 79 个），一个集群中有 231 条轨道。 提供它是为了促进与其他假设生成方法的比较。 类型 1 实例有 15 个系列，使用起来要容易得多。

div+iframe做出的弹出窗口，效果等同于模态窗口。弹出窗口可最大化、最小化，可拖拽。带遮罩功能。 解决替换模态窗口，避免模态调模态出现的一系列问题：session丢失，提交返回，调父类方法层级多了或者多页面调的时候，parent层次级别问题。用iframe的话，直接可以反着从第一层用top方法调用。

《Approximating Mutual Information by Maximum Likelihood Density Ratio Estimation》互信息在各种数据处理任务中是有用的，如特征选择或独立的组件分析..本文提出了一种基于密度比函数最大似然估计的相互信息逼近方法。我们的方法称为最大似然互信息（MLMI），具有几个有吸引力的特性，例如不涉及密度估计，它是一个单一的过程，全局最优解可以有效地计算，并且交叉验证可用于模型选择。数值实验表明，MLMI与现有方法相比具有较好的优越性。

对图像进行阈值分割处理，通过C++代码实现

peak_and_dip_labels 轻松地使您能够在MATLAB上自动查找，绘制和标记局部最大值（峰值）和局部最小值 此代码需要MATLAB信号处理工具箱，可在此处下载： : 如何使用这些功能： 您只需要“ x”和“ y”数组，就像处理简单的plot（x，y）和两个数字一样：“ hs”控制峰/谷及其各自标签之间的水平间距（（+ ）：右，（-）：左），“ vs”控制垂直间距。 如果有疑问，请设置hs = 0和vs = 0。 [pks，locs] = PeakDipLabels（x，y，hs，vs） PeakDipLabels：查找，绘制和标记峰（红色）和谷值（绿色）。 PeakLabels：查找，绘制和标记峰（红色）。 DipLabels：仅查找，绘制和标记（绿色）。 如何安装这些文件： 这段代码是使用MATLAB（2020a版）编写的。 在您的计算机上下载MATL

数据结构第二章上机作业，张宪超。 已知head为单链表的表头指针，链表中储存的都是整形数据，实现下列运算的递归算法： 1.求链表中最大值 2.求链表中的节点个数 3.求所有整数平均值

基于最大脉冲消耗的突触包含规则脉冲神经膜系统研究，宋弢，潘林强，脉冲神经膜系统是一类受神经元利用脉冲进行信息处理与通讯的生物功能启发得到的分布式并行计算模型。本文研究了一类新型脉冲神经

全球最大手机操作系统：Symbian.docx

基于离散粒子群算法的近似最大连通分量抽取.pdf