非子采样Contourlet变换(NSCT)，是针对Contourlet变换的一些局限性进行了改进，可以对图像进行灵活的多尺度、多方向和平移不变性分解．提出了一种基于NSCT的多聚焦图像融合方法．首先对多聚焦图像进行NSCT变换；然后对变换得到的低频分量系数采用改进的加权平均融合规则进行融合处理，对高频分量的最高层和其它层系数分别采用绝对值最大和改进的区域方差融合规则进行融合处理；最后重构图像得到融合结果；并给出了实验结果．对结果的分析比较表明，所提出的融合规则的效果优于常用的融合方法和参考文献的融合方法

AD采样的单片机例程.C

介绍了基于数字影像几何纠正的核线解析方法的实现过程。包括基于核线几何关系解析、核线影像生成、试验结果分析等问题的研究，并用VC++实现了该算法。最后对生成核线影像的精度进行了分析。

matlab代码替换自举-离散事件模拟 引导程序是使用随机抽样进行替换的任何测试或度量，并且属于更广泛的重采样方法类别（wiki） Air Secure希望开设许多新的服务台，以确保从长远来看，其90％的客户在等待服务之前不必在等待队列中等待超过8分钟。 Air Secure的初步研究表明，到达目的地时，客户总是选择最小的队列，并一直待在那里直到服务。 这项研究还调查了乘客的到达时间（以分钟为单位）和服务时间。 结果总结在data.csv中。 提供了前四名乘客的数据 我们需要在Matlab，Python或R中执行离散事件模拟研究，以回答以下问题：应该最少提供几个服务台来满足服务需求？ 即，应该有多少个服务台，以使概率为0.9，客户在等待之前不必在等待队列中等待超过8分钟。 以T = 3000单位时间运行仿真。 执行离散事件模拟研究以回答以下问题。 （a）给出问题摘要并描述项目目标。 （b）给出模拟研究中使用的变量的规格。 另外，显示一个描述项目动态的图表。 （c）结果与分析。 使用表格和数字，可以清楚地表明您的学习成果。 给出相应的置信区间。 （d）提出您的结论。 （e）附录。 包括所

此代码实现了 RUSBoost。 RUSBoost 是一种处理具有离散类标签的数据中的类不平衡问题的算法。 它结合使用 RUS（随机欠采样）和标准提升程序 AdaBoost，通过删除多数类样本来更好地对少数类进行建模。 它与 SMOTEBoost 非常相似，后者是另一种结合了 boosting 和数据采样，但声称通过随机欠采样 (RUS) 实现目标多数类的例子。 这种方法导致算法更简单，模型训练时间更快。 目前RUSBoost的实现已经由作者独立完成以研究为目的。 为了让用户使用很多不同的用于提升的弱学习器，使用 Weka API 创建了一个接口。 目前，四种 Weka 算法可以用作弱学习器：J48、SMO、IBk、Logistic。 它使用 10 次 boosting 迭代，并通过删除多数类在每次 boosting 迭代中实现 35:65（少数：多数）的类不平衡比样品。 有关该算法

项目采用的是TI的射频采样器件来实现，其中每块单板上有四片射频采样DAC。在调试过程中，对DAC输出单音进行测试，发现在信号530k左右有较大的杂散，其中DAC0和DAC1的杂散幅度约-55dB左右，基本满足要求，DAC2和DAC3的杂散达到了-45dB左右，可能会影响到EVM等系统指标，需要进行排查。

常用电动车控制器电流采样电路仿真

不用fft和dft实现采样，自己编写的傅里叶变换程序

在modis网站下载全球数据，为日值数据，每一天的数据大概为500M到1G不等，一年数据365天，大概300多G，数据量算比较大的了。原始数据原来分辨率0.05度，现在需要按照半月合成，即得到1年24期数据，结果转投影成1984，重采样成0.5度。 考虑用python进行批量操作，直接得到最终asc结果，可以在matlab进行批量操作。除了最大值合成，还可以平均值合成，代码并且考虑了闰年语非闰年的差异结果举例，如2008年1月最大值合成文件名：mod09cmg200801a一月上旬;mod09cmg200801b一月下旬。整个程序处理过程中显示每处理完成一个月所用的时间。 对基础数据的处理很方便，不需要打开ArcGIS,安装了GIS，自动有python软件，只需要在开始菜单——ARCGIS——PYHON2.7下打开python，菜单下open打开hdf2asc_15day_max_prj_resample.py文件，修改年份，文件夹路径以及目标投影参考影像路径即可运行。

smote采样matlab代码MV-LEAP 基于多视图学习的数据增殖器 (MV-LEAP)，用于使用由 Olfa Graa 创建的高度不平衡的类来促进分类。 请联系查询。 谢谢。 单击此处显示主图： 介绍 这项工作已发表在 2019 年神经科学方法杂志上。 MV-LEAP 是一个用于促进不平衡多视图数据分类的框架。 MV-LEAP 包含两个关键步骤，用于解决分类任务中的两个主要机器学习问题： 问题 1：训练数据不平衡。 提议的解决方案 ==>基于流形学习的增殖器，它能够为每个视图生成合成数据，被提议用于处理不平衡的数据。 问题 2：要学习的输入多视图数据的异质性。 建议的解决方案 ==> 提出了一种利用张量规范相关分析的多视图流形数据对齐，将所有原始（即基本事实）和增殖（即合成）视图映射到共享子空间中，其中它们的分布针对目标分类对齐任务。 更多细节可以在:) 或 在这个存储库中，我们发布了 MV-LEAP 源代码，该源代码在从 4 个高斯分布中提取的模拟异构多视图数据集上训练和测试，如下所示： 比较方法和MV-LEAP（我们的）的分类结果如下所示： 安装 该框架是在 Matlab R