数据融合matlab代码自适应加权学习网络的轻量图像超分辨率 王朝峰，李振和石军，“具有自适应加权学习网络的轻量图像超分辨率”， 该代码基于 依存关系 的Python 3.5 PyTorch> = 0.4.0 麻木 skimage 意象 matplotlib tqdm 代码 git clone git@github.com:ChaofWang/AWSRN.git cd AWSRN 抽象的 近年来，深度学习已以出色的性能成功地应用于单图像超分辨率（SISR）任务。 但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。 在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。 在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。 此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。 AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分

永磁同步电机方波高频注入加滑模观测器全速度范围无位置传感器控制仿真，加权切换。

基于加权最小二乘支持向量机的温室小气候建模与仿真 -2008 总结 xmind

具有最大总加权满意度的单机调度问题的dynasearch算法.pdf

加权最小二乘法和离群值.pdf 加权最小二乘法 离群值判断（含程序）

基于数据点重要性差异的最小二乘加权法.pdf

基于加权马尔可夫链的降水预测应用研究.pdf

加权网络是复杂网络研究的一个重要领域，交通网络是一个典型的加杈网络.交通网络的发展演化对国民经济的繁荣发展起着至关重要的作用.综合复杂网络的拓扑结构和交通流量计算的顾客选择理论，提出了一种随时间演化基于乘客中转路径的交通系统发展演化模型，并对模型进行了分析和数学验证，分析结果为该模型的点强度、点度和杈重分布性质和BBV模型完全一致；网络是无尺度网络，点强度和点度分布都服从幂律分布，并且指数在2.33～3.00之间.最后通过仿真实验对演化模型进行仿真，结合中国交通网络的实证分析验证了模型的合理性.

对于 n 个具有正权重 w_1,...,w_n 的数字 x_1,...,x_n， （所有权重之和等于 1）加权中位数定义为元素 x_k，使得： —— ) w_i <= 1/2 —— x_i < x xss=removed> x_k 输入：D ...观测值矩阵W ... 权重矩阵，W = ( w_ij ) 输出：wMed ...加权中位数

ewma - Go实现指数加权移动平均算法