对小波的阈值选取改进，并且对小波阈值函数也进行了改进，

对脉搏信号进行小波去噪处理，有测试信号，有代码，matlab实现；

包含模拟超强耳机主动降噪功能的实验.doc和截图

前馈式耳机一般来说是比较容易开发的，因为设计工程师通常不用处理稳定性方面的问题。然而，这种拓扑的一个主要缺点就是风噪声(Wind noise)，因为它的降噪麦克风是直接暴露在环境中的。克服此缺点的方法之一就是采用反馈式主动降噪技术。此篇文章将说明采用ams的AS3435设计反馈式主动降噪耳机所需的步骤。　　设备综述　　同设计前馈式耳机一样，反馈式耳机也需要特定的设备，其中最重要的就是能够测量频率响应和相位响应的音频测量系统。　　适合用来进行这些测量的音频设备包括Audio Precision、Bruel Soundcheck等。搭配不同类型人工耳的人耳仿真器可用来模拟人耳的声学响应。推荐采用H

杜比 ICPR 2020 Jae Woong Soh和Nam Ik Cho [纸] 环境环境 Ubuntu 18.04 （> = 1.8） CUDA 11.2和cuDNN Python 3.7 抽象的 由于图像采集过程中不可避免的噪声破坏，图像降噪是许多图像处理和计算机视觉任务的重要组成部分。 传统上，许多研究人员在贝叶斯视角下根据图像属性和统计数据对图像先验信号进行降噪研究。 近年来，深度卷积神经网络（CNN）通过合并大规模合成数据集，在图像去噪中显示出了巨大的成功。 但是，它们都有优点和缺点。 尽管深层CNN强大，可以用已知的统计数据消除噪声，但它们往往缺乏针对盲目和现实噪声的灵活性和实用性。 而且，他们不能轻易采用显式先验。 另一方面，传统的非学习方法可能涉及显式的图像先验，但它们需要大量的计算时间，并且无法利用大规模的外部数据集。 在本文中，我们提出了一种基于CNN的方

低剂量CT去噪 低剂量CT去噪的代码和文件 基于模型的方法 通过局部一致的非局部方式有效地进行低剂量CT降噪（LC-NLM）（MICCAI 2016） 高斯混合MRF用于基于模型的迭代重建及其在低剂量X射线CT中的应用 区分学习的方法 卷积神经网络的低剂量CT去噪（ISBI 2016） （SAGAN）使用条件生成对抗网络的敏锐度低剂量CT去噪 神经网络卷积（NNC）用于将超低剂量图像转换为“虚拟”高剂量CT图像（MLMI 2017） （KAIST-Net）使用方向小波进行低剂量X射线CT重建的深层卷积神经网络 （RED-CNN）小剂量CT，带残差编码器-解码器卷积神经网络（TMI 2017） （KSAERecon）通过神经网络训练的先验者进行的低剂量迭代CT重建（TMI 2017） PWLS-ULTRA：一种有效的基于聚类和学习的低剂量3D CT图像重建方法（TMI

中值滤波器去噪： 中值滤波的主要原理是将数字图像中的某点用该点的邻域中各个像素值的中值所来代替，这样就能让目标像素周围能够更好的接近真实值，比如一张白纸上有一个黑点时，黑点的像素值比较大，经过中值滤波过后，黑点附近的像素值可能就会变小。经过中值滤波后一些相对孤立的噪声点就容易被清除掉，这样就能提高图像的质量。 所以中值滤波器去噪的一个优点就是对椒盐噪声的去除具有很好的效果，具体操作是选取一个中心邻域，然后给邻域类各个像素的灰度值按大小进行排序，选取排序序列中的中值作为该邻域中心点的像素值的灰度值。 它的缺点是当邻域挑选过大时，可能会造成图像特征丢失。 实现代码如下： import numpy

2维内的信道容量C与信噪比的关系的MATLAB描述

Forst滤波器的实现，图像去噪效果比较好哦，特别要结合小波进行图像处理方面的应用，应用广泛

常规毒理学实验方法周期长、耗资高，对现代药物研发和环境化合物安全性评估具有局限性，通过对化合物毒理性研究，提取1 047维分子指纹特征，提出去噪自编码神经网络无监督学习机制及对腐败特征的自联想学习特性提取隐含毒性化合物特征，实现化合物毒性预测和毒性化合物的活性预测。该方法在化合物毒性预测和活性预测中的预测精度分别为79.825%、80.85%，敏感性分别为79.62%、80.25%，特异性分别为80.03%、81.45%。实验结果表明，去噪自编码网络较浅层机器学习更适用于高通量化合物毒性预测，较传统自编码网络更具优越性。