贝叶斯算法： 他的概念、 他的应用、 他的优点。

三种常用插值算法比较 比较： 速度（由快到慢）： 最邻近插值法→双线性插值法→三次插值算法 质量（由好到差)： 三次插值算法→双线性插值法→最邻近插值法

模糊函数的matlab代码贝叶斯模糊聚类 贝叶斯模糊聚类算法的Matlab实现。 使用时请引用此代码：Taylor Glenn，Alina Zare和Paul Gader。 （2019年4月12日）。 GatorSense / BayesianFuzzyClustering：初始发行版（版本v1.0）。 Zenodo。 参见相关文件，doi：10.1109 / TFUZZ.2014.2370676， 注意：如果在任何出版物或演示文稿中使用贝叶斯模糊聚类，则必须引用以下参考文献： 格伦（T. 扎尔（A. Gader，P.，“贝叶斯模糊聚类”，IEEE模糊系统交易，第23卷，第5期，第1545-1561页doi：10.1109 / TFUZZ.2014.2370676 要求： 这段代码使用了汤姆·明卡（Tom Minka）出色的Lightspeed和Fastfit工具箱： Lightspeed工具箱- Fastfit工具箱- 该代码还使用Matlab模糊逻辑工具箱来实现其fcm实现 内容： 贝叶斯模糊聚类MCMC采样器的bfc /％代码|-bfc_params.m％生成默认参数结构|-bf

北邮电子院的专业实验，是可以运行的传统傅里叶变换dft，大家可以参考学习，并找出其中的bug，学习交流之用，别照抄o

计算流体力学经典问题，二维泊萧叶黏性流动，文档内包含代码（c和fortran）

针对朴素贝叶斯分类算法中缺失数据填补问题，提出一种基于改进EM（Expectation Maximization）算法的朴素贝叶斯分 类算法。实验结果表明，改进算法具有较高的分类准确度。并将改进的算法应 用于高校教师岗位等级的评定

该PPT介绍了图像变换领域中的两个基础的变换, 傅里叶变换和离散余弦变换. 涉及内容包括一维傅里叶变换, 二维离散傅里叶变换, 二维离散傅里叶变换的性质, 快速傅里叶变换, 傅里叶变换在图像处理中的应用; 离散余弦变换的原理, 离散余弦变换的应用.

23.1 傅里叶变换 目标 本小节我们将要学习： • 使用 OpenCV 对图像进行傅里叶变换 • 使用 Numpy 中 FFT（快速傅里叶变换）函数 • 傅里叶变换的一些用处 • 我们将要学习的函数有：cv2.dft()，cv2.idft() 等 原理 傅里叶变换经常被用来分析不同滤波器的频率特性。我们可以使用 2D 离 散傅里叶变换 (DFT) 分析图像的频域特性。实现 DFT 的一个快速算法被称为 快速傅里叶变换（FFT）。关于傅里叶变换的细节知识可以在任意一本图像处 理或信号处理的书中找到。请查看本小节中更多资源部分。 对于一个正弦信号：x (t) = A sin (2πft), 它的频率为 f，如果把这个信号 转到它的频域表示，我们会在频率 f 中看到一个峰值。如果我们的信号是由采 样产生的离散信号好组成，我们会得到类似的频谱图，只不过前面是连续的， 现在是离散。你可以把图像想象成沿着两个方向采集的信号。所以对图像同时 进行 X 方向和 Y 方向的傅里叶变换，我们就会得到这幅图像的频域表示（频谱 图）。 更直观一点，对于一个正弦信号，如果它的幅度变化非常快，我们可以说 他是高频信号，如果变化非常慢，我们称之为低频信号。你可以把这种想法应 用到图像中，图像那里的幅度变化非常大呢？边界点或者噪声。所以我们说边 界和噪声是图像中的高频分量（注意这里的高频是指变化非常快，而非出现的 次数多）。如果没有如此大的幅度变化我们称之为低频分量。 现在我们看看怎样进行傅里叶变换。 23.1.1 Numpy 中的傅里叶变换 首先我们看看如何使用 Numpy 进行傅里叶变换。Numpy 中的 FFT 包 可以帮助我们实现快速傅里叶变换。函数 np.fft.fft2() 可以对信号进行频率转 换，输出结果是一个复杂的数组。本函数的第一个参数是输入图像，要求是灰 度格式。第二个参数是可选的, 决定输出数组的大小。输出数组的大小和输入图 像大小一样。如果输出结果比输入图像大，输入图像就需要在进行 FFT 前补 0。如果输出结果比输入图像小的话，输入图像就会被切割。 146 www.linuxidc.com

SVMImageClassification:基于SVM的简单机器学习分类，可以使用svm, knn, 朴素贝叶斯，决策树四种机器学习方法进行分类

文件包含了水平条纹噪声，和点噪声，运用二维傅里叶变换通过matlab编程实现对噪声的去除。