此函数提供多元正态分布条件期望和协方差矩阵的矢量化估计。 均值是一个矩阵，其中行表示期望向量。 Sigma 是协方差矩阵。 Ind 是第一个无条件参数的索引。 值是条件值的矩阵，其中的行对应于平均行。

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。

一种基于雨线主方向自适应的全局稀疏去雨模型.pdf

YOLOv7-Pose姿态估计代码+权重

紫外线matlab代码艾达网 AdaNet：人工神经网络的自适应结构学习 参考资料：Cortes, C., Gonzalvo, X., Kuznetsov, V., Mohri, M. & Yang, S.. (2017)。 AdaNet：人工神经网络的自适应结构学习。 第 34 届机器学习国际会议论文集，PMLR 70:874-883 这个 Python 项目旨在实现 AdaNet 的 API，使用基于文章的算法：简而言之，这个模型正在根据它适合的数据复杂性从头构建一个神经网络， 这就是它命名为自适应模型的原因。 对于这个实现，手头的问题总是一个二元分类。 在拟合操作期间，它将构建隐藏层和每层中的神经元数量。 决定是更深（添加隐藏层）还是更宽（将神经元添加到现有层）， 或者更新现有的神经元权重以封闭的计算形式完成（通过使用巴拿赫空间对偶）文章中所示。 最后，它将优化最佳神经元（添加或现有）的权重，更新参数并进行迭代。 文章讲了AdaNet的几个变种，这是AdaNet.CVX的实现， 在附录 C 中解释 - 以封闭形式解决每个步骤中的凸子问题。 文章 [v.1] 的先前版本中显示了对该

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型。通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数。对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE,MAE,MPE和Th

一个轻量化模型，在经典openpose上做出了相应改进 可用于多人的、实时的姿态估计并记录每个人的id进行跟踪 深度学习--网络模型简单化 很方便的集成到python C++环境中 适合对计算机视觉研究者深入探索

可以估计跳频信号的周期、频率以及给出估计误差等信息。附件同时包含程序及分析工具箱。

真正企业级的Thinkphp5自适应自动发卡平台源码

视频包含 7 个视频教程，详细介绍使用卡尔曼滤波器的常见场景，包括： 1.为什么使用卡尔曼滤波器？ 2.了解卡尔曼滤波器——状态观测器 3.了解卡尔曼滤波器——最优状态估计 4.了解卡尔曼滤波器——最优状态估计算法和方程 5.了解卡尔曼滤波器——非线性状态估算器 6.在 Simulink 中使用卡尔曼滤波器 7.在 Simulink 中使用扩展卡尔曼滤波器 对卡尔曼滤波器的原理与应有有很大帮助！！！！