深度流（FDNet）视频深度估计 这是执行文件 通过融合流向深度提案来估计视频深度 嘉信谢，李Zhuwen，， 在IROS 2020中。 有关更多详细信息，请参见我们的论文（ ）。 如有任何疑问，请联系（ ）。 先决条件 该代码库是使用Tensorflow 1.4.0和Numpy 1.16.2开发和测试的 KITTI特征分割的评估 如果要从KITTI RAW数据生成地线深度，请使用官方网站上提供的此下载KITTI数据集。 同时，我们还提供了GroundTruth Depth保存在npy文件中，可从下载 我们在KITTI Eigen上的最终结果可在 然后跑 python kitti_eval/eval_depth_general.py --kitti_dir=/path/to/raw/kitti/dataset/ or /path/to/downloaded/GoundTruth/n

针对实际的运动目标跟踪问题中存在的各种物理约束，采用基于在线滚动优化原理的滚动时域估计方法，将跟踪滤波问题转换为带约束的有限时域优化问题，并通过引入到达代价函数，有效减少了优化问题求解所需的计算量。最后，对实际的目标跟踪问题进行了滚动时域估计仿真研究。Monte Carlo仿真结果表明，滚动时域估计能有效提高跟踪精度，并且能在采样周期之内完成求解，满足在线估计的需要。

具有多个天线的中继网络上的迭代LMMSE单信道估计

谐波频率估计的总体最小二乘方法TLS-ESPRIT，是ESPRIT的改进方法。

本代码是使用新方法对信号进行广义平稳性估计的 Matlab 函数。 根据该理论，估计的对象是：被测信号的均值、方差和自协方差。 这三个参数必须与时间无关，以便将信号标记为非平稳信号。 该函数提供了四个布尔标志的计算： 1）整体广义平稳性，即均值、方差和自协方差同时平稳； 2）关于均值（或线性趋势）的平稳性； 3）关于方差（以及因此关于RMS值）的平稳性； 4) 自协方差的时不变性（以及自相关和 PSD 的时不变性）。 给出了一些示例以阐明该函数的用法。 为方便起见，输入和输出参数在函数的开头给出。 该代码基于以下描述的理论： [1] H.日沃米罗夫，I. Nedelchev。 一种信号平稳性估计方法。 罗马尼亚声学与振动杂志，ISSN：1584-7284，卷。 XVII, No. 2, pp. 149-155, 2020. ( http://rjav.sra.ro/index.ph

目前的代码是一个 Matlab 函数，它提供了单音信号频率的测量。 该测量基于信号的离散傅立叶变换 (DFT) 和两步估计程序，包括经典的最大似然 (ML) 粗略估计和作者对频率指数的加权平均 (WA) 更精细估计，使修改后的信号周期图最大化。 该方法可用于任何类型的平稳周期信号（例如，正弦波、矩形、三角形等）的频率估计。 为了阐明该功能的使用，给出了一个例子。 为了方便起见，在函数的开头给出了输入和输出参数。 该代码基于以下内容中描述的理论： [1] H. Zhivomirov、I. Nedelchev、R. Vasilev。 一种单音频率估计方法。 罗马尼亚声学与振动杂志，ISSN：1584-7284，卷。 XIII, No. 1, pp. 20-24, 2016. ( http://www.sra.ro/Arhiva/2016/nr1/Paper_4_page20-24.pd

论文研究-时变弹性系数生产函数的非参数估计.pdf,  提出了时变弹性系数生产函数模型,该模型刻画了弹性系数不再是常数而是随时间变化而变化的函数,并且去除了古典生产函数模型的两个不合理的假设,即所提出的模型释放了技术进步是中性的以及技术进步与投入要素投入量变化是独立的两个假设,从而使所提出的模型更加符合实际应用的情况.文中通过现代统计学中的非参数推断方法,研究了时变弹性系数生产函数回归模型, 利用局部多 项式回归方法,给出了时变弹性系数函数的局部线性加权最小二乘估计.根据广义似然比检验,检验了弹性系数的时变性.结合中国的实际例子, 通过实证得出,在1981年到2004年期间, 中国的资本和劳动产出弹性都不是常数而是时间的非线性函数.资本产出弹性在0.21至0.68之间, 劳动产出弹性在0.44至0.89之间,规模报酬在0.89至1.14之间.

SfM学习者 该代码库实现了本文所述的系统： 通过视频无监督地学习深度和自我运动 ，，， 在CVPR 2017（口头）中。 有关更多详细信息，请参见。 如有任何疑问，请联系（ ）。 先决条件 该代码库是使用Tensorflow 1.0，CUDA 8.0和Ubuntu 16.04开发和测试的。 运行单视图深度演示 我们提供了用于运行我们的单视图深度预测模型的演示代码。 首先，通过运行以下命令下载预训练的模型 bash ./models/download_depth_model.sh 然后，您可以使用提供的ipython-notebook demo.ipynb来运行演示。 准备训练数据 为

% 此函数计算二维线的曲率。 ％ 参考。 赫尔曼和 R. 克莱特。 曲率估计器的多重网格分析。 过程% Image Vision Computing New Zealand, 108–112, 2003。 % by 庞剑飞% k = CurvatureEstimation(list,b,f) % % 输入， % list : AM x 2 线点列表。 % fn：选择计算的前向点数。 % bn：选择计算的后向点数。 % % 输出， % Ei : M x 1 曲率值% thetai:M x 1 角度值％ 例子% [Ei,ti]=CurvatureEstimation(test,4,4);

介绍了各种功率谱估计方法，不仅从理论上对各种方法的谱估计质量进行了分析，而且通过matlab实现仿真，加以验证