Matlab仿真未归一化的最优运输 一个存储库，其中包含用于在一维和二维中计算非标准化Wasserstein-2（UW-2）距离的代码。 该代码取自： Gangbo，Wilfrid等。 “未归一化的最佳运输。” arXiv预印本arXiv：1902.03367（2019）。 该代码是用C ++和Mex包装器编写的，因此可以使用Matlab调用该代码。 文件内容如下： UnnormalizedOTSolver1D.cpp / h-一个C ++类，可用于实际计算1维的UW-2。 有关用法示例，请参见main.cpp UnnormalizedOTSolver.cpp / h-与上面相同，但用于二维计算UW-2。 main.cpp-包括C ++接口的示例用法以及用于在2维中计算UW-2的mex入口点。 如果在没有mex编译器的情况下编译代码，则代码的Matlab部分将被自动排除。 有关mex示例，请参阅mex_unbalanced_emd_code.m。 MexUnnormalizedOtSolver1DEntry.cpp-用于计算1维UW-2的混合代码的入口点。 有关示例用法，请参阅mex_

利用Matlab Fig界面绘制相关的烟花绽放代码，可以自行设置烟花上升速度 绽放速度，基于真实物理加速度进行相关的绽放处理，这里利用五角星替代相关的花火用于后续的处理操作。

去噪声代码matlab 基于SALT的视频降噪 ============= 基于SALT的视频降噪随附于以下出版物：“联合自适应稀疏性和动态低秩：视频降噪的在线Tensor重构方案”，IEEE国际计算机视觉会议（ICCV），2017年。 描述： 我们提出了一种基于新型稀疏和低秩张量（SALT）模型的视频去噪方法。 引入了一种有效的，无监督的在线unit稀疏变换学习方法，以动态地施加自适应稀疏性。 基于SALT的视频降噪显示出低延迟，并且可以潜在地处理流视频。 据我们所知，这是将自适应稀疏性和低等级性相结合以进行视频降噪的第一项工作，也是以在线方式解决所提出的问题的第一项工作。 SALT软件包包括（1）SALT Matlab函数的集合，以及（2）SALT论文中使用的示例数据。 您可以在以下位置下载我们的其他软件包。 纸 可用纸。 如果使用，请引用我们的出版物： Bihan Wen，Yanjun Li，Luke Pfister和Yoram Bresler，“快速联合自适应稀疏性和低等级：用于视频降噪的在线张量重构方案”，Proc。 IEEE国际Conf。 计算机视觉（ICCV），2017年

lda分类代码matlab 重度抑郁症的多部位转移分类 “重度抑郁症多部位转移分类”文章核心代码 系统要求 软件要求 该软件包已在 Ubuntu 18.04、Python 3.6 和 Matlab 2009 上进行测试 Python 依赖 本项目主要依赖以下Python堆栈： 火炬 1.4.0 麻木的学习scipy h5py 参数解析操作系统时间警告 用法 1. 对于 GCN 和 GCNSP 模型： 1.1 多站点池化分类请在Linux终端运行： python train_fmridata_MDD_simple.py --method=GCNSP --train_or_test=train --datadir=${datapath} --pretrain_dir=${pretrain_path} --cuda=0 其中，--method 表示使用的模型（GCN 或 GCNSP）。 --train_or_test 表示从头开始训练，或仅基于我们训练过的模型进行测试。 --datadir 是功能连接数据所在的目录。 --pretain_dir 是训练好的模型所在的目录'。 --cuda 表

lda分类代码matlab 怎么跑 所有matlab源代码都在代码文件夹中。 代码文件夹还包含一个文件夹images ，其中包含我选择的所有图像（从 1 到 20）以及文件夹me中我自己拍摄的照片。 1. PCA 在code文件夹中，运行 pca() 它将首先加载图像，然后生成 PC。 它将进行 2D 和 3D 可视化并绘制 3 个特征面。 然后它将图像投影到 40、80 和 200 维，并使用最近邻进行分类。 所有步骤都在代码的注释中进行了描述。 2.LDA 在code文件夹中，运行 lda() 它将首先加载图像，然后生成 LDA。 它将进行 2D 和 3D 可视化。 然后它将图像投影到 2、3 和 9 维，并使用最近邻进行分类。 所有步骤都在代码的注释中进行了描述。 3. 支持向量机 在code文件夹中，运行 [acc_origin, acc_80, acc_200] = svm(C) 它将首先加载图像并使用 SVM 进行分类并输出准确率。 然后它将执行 PCA 以获取 PC。 它将使用 PC 将数据投影到 80 维和 200 维。它将使用 SVM 对这些维数为 80 和 200

中值滤波代码 matlab improved-median-filter More details plz visit This program outcome better than inbuild medfilt2 function

聚类马氏距离代码MATLAB SDCOR 用于大规模数据集中局部离群值检测的可扩展的基于密度的聚类 作者： Sayyed-Ahmad Naghavi-Nozad，Maryam Amir Haeri和Gianluigi Folino 目录 抽象的： 本文提出了一种基于批量密度的聚类方法，用于大规模数据集中的局部离群值检测。 与众所周知的假定所有数据都驻留在内存中的传统算法不同，我们提出的方法具有可伸缩性，并且可以在有限的内存缓冲区范围内逐块处理输入数据。 在第一阶段建立一个临时的聚类模型； 然后，通过分析点的连续内存负载来逐步更新它。 随后，在可伸缩聚类结束时，获得原始聚类的近似结构。 最后，通过对整个数据集的另一次扫描并使用适当的标准，将偏远评分分配给称为SDCOR（基于可伸缩密度的​​聚类离群值比率）的每个对象。 对现实生活和综合数据集的评估表明，与需要将所有数据加载到内存中的最著名的传统基于密度的方法相比，该方法具有较低的线性时间复杂度，并且更加有效。 还有一些基于快速距离的方法，这些方法可以对磁盘中驻留的数据执行操作。 框架： 更详细地，所提出的方法包括三个主要阶段。 在第一阶段

matlab隶属度代码用于贝叶斯估计（MBE）的Matlab工具箱 概要 这是用于贝叶斯估计的Matlab工具箱。 该代码的基础是在以下论文（Kruschke，2013），书籍（Kruschke，2014）和网站（）中描述的Kruschke R代码的Matlab实现。 该工具箱旨在为用户提供与Kruschke的代码类似的可能分析，但仍使其可在仅Matlab的环境中使用。 另外，将来我将尝试添加其他功能，以使其不仅适用于组比较，而且还适用于其他功能。 程式码范例 本示例使用Kruschke的BEST论文（2013年）中提供的数据。 运行脚本mbe_2gr_example.m。 %% Load some data % EXAMPLE DATA (see Kruschke, 2013) % see http://www.indiana.edu/~kruschke/BEST/ for R code y1 = [101,100,102,104,102,97,105,105,98,101,100,123,105,103,100,95,102,106,... 109,102,82,102,100,1

中值过滤代码matlab 散焦深度 这是使用手机从Defocus深度实现的Matlab实现。 此外，我使用了许多技术，例如图形切割和消光拉普拉斯算子来改善结果 此回购协议是以下论文的实现： 自然图像抠像的封闭形式解决方案 恒定时间加权中值滤波，用于立体声匹配及其他 先决条件 从以下链接下载IAT工具箱： https://sites.google.com/site/imagealignment/download 我提供了不属于我的图谱库，请按照gc-v.30上的说明进行操作以解决任何问题： https://github.com/nsubtil/gco-v3.0 数据集 存储库中包含两个不同的数据集。 您还可以通过从手机中获取整个对焦堆栈来创建自己的照片。 脚步 执行以下步骤： 步骤1 Focal Stack的样本图像 第2步 样本图像聚焦测量 第三步 初始聚焦图 第四步 步骤5 步骤6 步骤7 步骤8 步骤9 步骤10 步骤11 执照 该项目已获得MIT许可。 有关此存储库中使用的特定帮助程序功能，请参阅“确认”部分中链接的“回购”的许可协议。 致谢 我的实现受到以下来源的启发。 ：我不

二摘代码MATLAB ATP-GTCC功能 该项目包含两个特征提取代码文件。 Acousticternarypatterns.m包含带注释的声学三元模式计算的matlab代码。 GTCC功能代码.m包含带有注释的GTCC功能计算的matlab代码。 如有任何疑问，请随时问我