提出一种光透过散射介质的散斑恢复算法,可实现大视场任意位置的聚焦。通过仿真模拟光路测量散射介质的传输矩阵并进行二值化处理,再利用数字微镜器件对入射光进行二值振幅调制,实现透过散射介质的单点或多点聚焦。由于不同聚焦位置的独立性,所提算法能够实现大视场任意位置聚焦。仿真结果表明:聚焦位置的光强增强因子随着采样数目的增加而增加;与传统三步相移法相比,在采样数目减少1/3的情况下,所提算法能够获得55%的增强比,比三步相移法高12%。所提算法对透过散射介质实现大视场范围扫描聚焦有重要意义,在生物医学成像领域具有广阔应用前景。

贝叶斯神经网络 用于在贝叶斯CNN上通过MRI检测脑肿瘤的代码进行试验和实验

实验要求 文本类别数：>=10类。 训练集文档数：>=500000篇；每类平均50000篇。 测试机文档数：>=500000篇；每类平均50000篇。 实验内容 利用朴素贝叶斯算法实现对文本的数据挖掘，主要包括： 语料库的构建，主要包括利用爬虫收集Web文档等。 语料库的数据预处理，包括文档建模，如去噪，分词，建立数据字典。 自行实现朴素贝叶斯，训练文本分类器。 对测试集的文本进行分类 对测试集的分类结果利用正确率和召回率进行分析评价。

基于朴素贝叶斯分类的研究，c++语言源代码，

BayesianSVM：Wenzel等人在论文中描述的贝叶斯SVM的源代码。 “大数据的贝叶斯非线性支持向量机”

包含代码和数据库，亲测可用

太赫兹(THz)波具有的许多独特性质，使其非常适合应用于对人体的安检成像，但是目前原始太赫兹图像的信噪比、对比度和分辨率都有待改善。为提高太赫兹安检图像的质量，研究提出一种基于马尔可夫随机场理论的被动式太赫兹图像复原算法。对原始图像进行去噪和增强的预处理之后，在贝叶斯分析的基础上增加马尔可夫约束项进行图像复原。通过改变迭代次数和正则化参数，得到了清晰度不同的处理结果，经主客观评价指标分析确定了最佳的参数。实验结果证明，本算法可以在被动式太赫兹图像的噪声滤除和边缘信息保持上取得较好的平衡，从而大幅提高太赫兹安检图像的目标分辨能力。

预算matlab代码VC-贝叶斯估计 用于使用贝叶斯估计技术估计动态随机一般均衡（DSGE）模型的代码。 这些代码可从以下位置在线获得： 要求 Matlab（R） 使用Matlab（R）R2018a和以下工具箱对代码进行了测试 符号工具箱 统计工具箱 优化工具箱 乳胶 一些工具使用LaTeX来编译某些文档。 大多数LaTeX版本中都包含的epstopdf被某些工具使用。 附加代码和程序包 来自的代码： ， 版本 来自的代码： 用法示例 脚本SetDSGE.m是如何使用此程序包设置模型和估算模型的示例。 设置的主要结构 设置数据输入和输出的文件名 设置参数列表和优先级 设置观察变量列表 设置状态空间变量列表 设置艾德冲击的清单 生成符号变量 构造任何必要的辅助定义（可选） 设定观察方程式 设置状态方程式 以上9个步骤将建立模型。 设置后的贝叶斯估计通过找到使用后的模式前进MaxPost.m ，然后生成MCMC样品，使用MCMC.m 。 估计结果的分析是通过MCMCAnalysis.m完成的。 有关基本选项以及如何更详细地调用步骤序列，请参见示例SetDSGE.m 。 pdf格式的报告是在

matlab贝叶斯决策代码贝叶斯最佳-最差方法 该存储库包含贝叶斯最佳-最差方法的 MATLAB 实现。 您需要在您的机器上安装 JAGS。 请参阅以下链接以下载 JAGS： 先决条件 您需要在您的机器上安装 JAGS。 为此，请按照以下步骤操作： 访问 jags 开发站点并按照说明安装 JAGS 的 windows 版本。 在 Windows 中，转到控制面板，“系统和安全”，“系统”，然后单击“高级系统设置”，然后单击“高级”选项卡中的“环境变量”。 在“系统变量”下，单击路径，并将锯齿路径添加到字符串中。 这可能类似于“C:\Program Files\JAGS\JAGS-3.4.0\x64\bin”或任何路径。 如果您已经启动并运行了 Matlab，请退出 MATLAB 并重新启动以确保 MATLAB 使用新路径。 运行你的例子 要运行您的示例，请打开 runme.m 并将以下三个变量替换为您自己的数据 nameOfCriteria: This variable contains the name of Criteria A_B: contains the best-to-ot

matlab分时代码BEAST：用于变化点检测和时间序列分解的贝叶斯合奏算法 描述 时间序列数据的解释受模型选择的影响。 对于相同的数据，不同的模型可能会给出不同的，甚至是相互矛盾的模式，趋势和机制的估计，此包的突然变化，季节性和趋势（BEAST）的贝叶斯估计器减轻了这一局限。 BEAST试图通过放弃“最佳模型”的概念，并通过贝叶斯模型平均方案将所有竞争模型都包含在推理中来改善时间序列分解。 它是一种灵活的工具，可用于发现时序观察中的突然变化（例如，变化点），周期性变化（例如，季节性）和非线性趋势。 BEAST不仅可以告知何时发生更改，还可以量化检测到的更改真实发生的可能性。 它不仅检测分段线性趋势，而且检测任意非线性趋势。 BEAST适用于各种实值时间序列数据，适用于遥感，经济学，气候科学，生态学和水文学。 示例应用程序包括使用它来识别生态数据中的政权转移，通过卫星图像绘制森林干扰和土地退化图，检测经济数据中的市场趋势，查明气候数据中的异常和极端事件以及揭示生物数据中的系统动态。 有关BEAST的详细信息，请参见。 可以免费使用50天的论文。 参考 Zhao，K.，Wulder，MA