这是一个包装函数，用于解决以下形式的优化问题（使用 FMINCON）： 最小wrt X CostFunc(X) = beta*(W_ls*F(X)) + (1 - beta)*(max(W_mm*F(X))) 受制于： A*X <= B，Aeq*X = Beq（线性约束） C(X) <= 0，Ceq(X) = 0（非线性约束） LB <= X <= UB（边界）

相位差分算法是正弦频率估计中的一种重要方法。首先详细介绍了加权相位差分测频算法的原理,应用仿真方法分析了不同数据长度、不同信噪比情况下的测频性能,并与其他工程常用的测频算法进行了比较,然后对该算法在工程应用中的改进方法和降低信噪比检测阈值的方法进行了论述,最后给出了基于FPGA的工程实现框图。

针对基于多源数据融合的多用户决策问题，建立了多源异构数据融合模型，研究了基于三角模糊数的异构数据统一量化表示方法，采用有序加权平均算子融入决策者的偏好，设计了一种支持多用户决策的多源异构数据融合算法。实际应用表明，本文设计的算法能解决多源异构数据在结构和语义上的模糊性、差异性和异构性等问题，通过在数据融合过程中考虑决策者偏好，提高了多用户决策结果的可靠度。

DMP-轻水堆 这是用Matlab编码的Dynamic Movement Primitives实现。 对于回归，使用局部加权回归。 在人体动作识别方面，我取得了很好的成绩。 蓝色是原始数据，红色是来自训练有40位高斯的dmp的重放。

这个 Matlab 代码包实现了以下论文中描述的颜色去马赛克算法： D. Zhou、X. Shen 和 W. Dong， 带有方向过滤和加权的颜色去马赛克， IET 图像处理，卷。 6，第 8 期，第 1084-1092 页，2012 年。 它包括14个功能： ACPIgreenH.m - 使用 ACPI 去除绿色组件水平方向插值ACPIgreenV.m - 使用 ACPI 去除绿色组件垂直方向插值bayerGR.m - 根据 Bayer 对图像进行下采样图案DDFW.m - 使用定向过滤和权重DDFWgreen.m - 演示绿色组件DDFWred.m - Demosaick 红色组件DDFWblue.m - 演示蓝色组件DDFW_refine_green.m - 细化绿色成分DDFW_refine_red.m - 细化红色分量DDFW_refine_blue.m - 细化蓝色分量DD

用MATLAB编写，4个基站的基于TDOA的Chan-Taylor混合加权算法定位。最普通的Chan-Taylor算法，将Chan算法计算出来的估计值作为Taylor级数展开法的迭代初始值带入，之后合理设置Chan算法和Taylor级数展开法的加权系数来提高精度。采取循环采样5000次，基站位置，标签节点位置，系统噪声标准差都已经预设置好，可以根据要求自己修改。本代码使用的衡量指标是累积分布函数CDF，也可以自己改成均方误差RMSE。下载后可以直接运行。可以用于TDOA定位算法的改进或者比较或者UWB定位都可以。

为了将图像中内容特征相近的像素尽可能分割到同一区块，提高图像分割的针对性和自适应性，提出了一种基于有序数据聚类的图像自适应分条算法。该算法首先计算图像中所有像素点的梯度值，相加每列像素梯度值得到列累积能量；然后对能量数据进行加权平滑生成连续曲线，用该平滑曲线的凹凸性自适应确定图像分条总数；最后构造图像列累积能量数据的条件距离矩阵，由已确定的分条数采用系统聚类的方法实现图像分条。分条实验结果对比表明，提出的算法能根据不同图像内容自适应地进行图像条分割，且将分条结果应用于图像内容感知缩放研究中可获得满意的缩放效果，因此该算法能较好地对图像内容进行分类和识别。

拼多多补单软件是一款帮助广大拼多多商家安全，稳定，高效地提升销量排名，动态评分，权重，坑产，全自动开团，参团，单买，批量导出发货订单表格等功能为一体的软件。

基于相关系数的加权朴素贝叶斯分类算法_张明卫，分享给大家学习~

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