结合主元分析（PCA）与线性鉴别分析（LDA）的特点，利用PCA-LDA算法进行性别鉴别。通过PCA算法求得训练样本的特征子空间，并在此基础上计算出LDA算法的特征子空间。将PCA算法与LDA算法的特征子空间进行融合，获得PCA-LDA算法的融合特征空间。训练样本与测试样本分别朝融合特征空间投影，从而得到识别特征。利用最近邻准则即可完成性别鉴别。实验中利用三种预处理方法（PCA+LDA、HG+PCA+LDA、RHG+PCA+LDA），得出各自的实验结果，并进行比较。实验结果表明，利用RHG+PCA+LDA方法预处理后，使用PCA-LDA算法进行性别鉴别可以得到理想的效果。

函数1“anisotropic_Directional_derivative_filter.m”用于一组各向异性方向导数滤波器。过滤器的空间支持是[-20,20]×[-20,20]并且取向角均匀分布在区间[0,π]上。 函数2“Canny-detector.m”是对比度均衡配备的Canny检测器和噪声相关的较低阈值。 参考J. Canny, “A computational approach to edge detection,” 函数 3“FOM_measure.m”是边缘图的 Pratt 品质因数。 W. K. Pratt，“数字图像处理”，Wiley Interscience Publications，1978 年。 函数 4 “non_maxima_suppression.m” 用于提取梯度的最大值通过使用图像的两个偏导数来获得图像的大小。 “SMED.m” is the edge detector based on scale multiplication. Refer to P. Bao, L. Zhang, and X-L Wu, “Canny edge detecti

为提高相关滤波(CF)跟踪算法的稳健性，并克服传统CF方法无法处理目标尺度变化以及未利用图像颜色特征等问题，提出了一种基于融合颜色特征的尺度自适应相关滤波改进跟踪算法。首先，将目标搜索区域从3原色(RGB)颜色空间转换到Lab颜色空间，提取搜索区域的Lab 3通道颜色特征；然后，融合Lab颜色特征与方向梯度直方图(HOG)特征得到多通道特征，利用核相关滤波(KCF)计算输出响应图并寻找图中最大响应位置即目标位置；最后，基于Lab颜色特征建立尺度模型，从当前帧的目标位置处截取不同尺度图像块，通过将其与尺度模型比较得到目标尺度最优估计。实验选取35段公开彩色视频序列进行测试，并将所提算法与其他5种跟踪性能较好的跟踪方法进行对比。实验结果表明，所提方法对彩色视频序列中的目标遮挡、变形、尺度变化等现象具有良好的适应性，其平均性能优于对比方法，同时具有76 frame·s-1的实时跟踪速度。

数据融合matlab代码百特BEM MATLAB中水平轴风力涡轮机（HAWT）的叶片单元方法代码 基础信息 必须安装并行计算工具箱和曲线拟合工具箱才能成功运行 基于代码开发的刀片元素求解器； 计算涡轮的力分量和功率输出。 optimisation.m计算最佳的涡轮机设计，包括叶片数量，叶尖速比以及扭曲和弦分布。 它导出一系列.csv文件，这些文件可以导入到任何CAD软件以及.stl表面。 请注意，该脚本当前仅针对空气动力学效率进行优化，这通常会导致结构设计不佳。 结构模块即将推出。 run.m在单个刀片上运行BEM分析，而无需更改参数。 生成有用的数据和绘图，并可用于生成.csv和.stl文件。 F360 Fusion360 API加载项，用于导入由MATLAB生成的.csv文件 如何 优化 适当设置输入变量（请参阅文件中的注释） 如果elem太低，它可能会影响收敛； 25到50之间的值似乎效果最好 请注意，tMax限制了仅用于优化部分的时间 箔纸N必须等于箔纸。文件和箔纸中的项目数 金属箔。文件必须是机翼极性文件名（.dat）的字符数组 金属箔。图纸必须是机翼几何文件名（.txt）的

图像配准中B样条滤波和GPVE的融合插值算法 图像滤波算法.pdf

一种融合多特征与子快的抗遮挡算法，排序算法数据结构 最快的排序算法

融合信息化管理，实现节拍化生产

数据融合_HSI_LiDAR 基于深度学习的HSI和LiDAR图像融合 作者 平台 Ubuntu 14.04 CUDA 8.0 GTX 850M 张量流1.4 python2 / python3 使用卷积神经网络的体系结构 输入-[转换-关联-最大池] x 2-[仿射-关联] x 2-仿射-softmax 档案文件 ./HSI/Load_data.py加载HSI源数据并制作Train / Test文件作为补丁 ./HSI/CNN.py定义CNN参数./HSI/CNN_feed.py训练HSI CNN权重./HSI/run_cnn.py使用预先训练的CNN参数进行HSI分类./HSI/Spatial_dataset.py为处理HSI数据。 ./HSI/Get_feature.py保存最后汇聚层平功能./DSM几乎一样./HSI 结果 接触

数据融合matlab代码2D-DWT_SWT- 在安装和应用之前请先阅读以下内容： 算法应用平台 这些代码在MATLAB R2016b下可以完美运行，同时也可以在更高版本的MATLAB下运行。 这些代码使用MATLAB工具来读取输入数据和结果说明。 输入数据可以是任何反演软件的结果，格式和大小没有区别。 SWT算法： 执行代码的步骤： 加载包含反磁性和重力模型的数据（image_new_1和image_new_2）。 这些部分可以沿任何所需方向绘制。 所示截面是沿模型的东西方向绘制的。 可以以任何期望的水平将随机噪声添加到数据中。 这些模型受到2％的高斯噪声的污染。 为了在应用该策略的阶段对模型进行归一化，在东，北和垂直方向上，磁化率变化的范围在0-1之间，模型的大小分别为70×70×30 km。 二维小波将输入数据分解为3级，然后得出近似系数和细节系数（SWT）。 在数据上应用融合规则（通过函数fusion_detail_2D_final）。 使用平稳小波变换（ISWT）的反演进行多级二维小波重构。 基于2D-SWT算法，可以使用MATLAB的图形工具保存重力和磁逆模型的融合结果并进

针对低照度条件下图像对比度不高、颜色失衡和存在噪声等问题,提出了一种基于多分支全卷积神经网络(MBACNN)的低照度图像增强模型。该模型是一个端到端的模型,包含特征提取模块(FEM)、增强模块(EM)、融合模块(FM)和噪声提取模块(NEM)。通过对合成的低照度和高清图像样本进行训练,根据验证集的损失值不断调整模型参数,以得到最优模型;然后对合成低照度图像和真实低照度图像进行测试。实验结果表明,与传统的图像增强算法相比,所提出的模型能够有效提高图像对比度、调整颜色失衡并去除噪声,主观视觉和客观图像质量评价指标都得到进一步改善。