学习信号估计检测理论的第一选择，MIT经典教材

该算法将接受纬度、经度和海拔位置以及特定的通用协调时间。 它将使用此信息并计算月球在本地坐标系（az 和 alt 又名 az 和 el）中的位置。 示例函数调用： [Az El] = LunarAzEl('1991/05/19 13:00:00',50,10,0) 输入列表： UTC 日期和时间 - 使用格式 YYYY/MM/DD hh:mm:ss 纬度 - 以度为单位的站点纬度 -90:90 -> S(-) N(+) 经度 - 以度为单位的站点经度 -180:180 W(-) E(+) 海拔高度 - 以公里为单位的站点海拔高度 输出列表： Az - 以度为单位的月球方位角El - 以度为单位的月球高度/高度角

面向散焦图像的去模糊与深度估计研究,有需要的可以下载看看

三维旋转拼接matlab代码该任务的目标是实施稳健的单应性和基本矩阵估计 记录通过2D或3D投影变换分隔的图像对。 1对图像拼接 第一步是编写代码以将一对图像拼接在一起。 对于这一部分，您将继续工作 与以下一对（单击图像以下载高分辨率版本）： 1.加载两个图像，将其转换为两倍和灰度。 2.在两个图像中检测特征点。 您可以使用哈里斯拐角检测器代码harris.m 提供或您作为HW 2的一部分开发的Blob检测器。 3.提取两个图像中每个关键点周围的局部邻域，然后简单地通过以下方式形成描述符 将每个邻域中的像素值“展平”为一维向量。 试用dif- 不同的邻域大小，以查看哪种方法效果最好。 如果您使用的是拉普拉斯探测器，请使用 检测到的特征比例尺来定义邻域比例尺。 4.计算一个图像中每个描述符和另一图像中每个描述符之间的距离。 你 可以使用为快速计算欧几里得距离提供的dist2.m。 或者，进行实验 计算归一化相关性，或将所有描述符归一化后的欧几里得距离 零均值和单位标准偏差。 （可选）随时尝试使用SIFT描述符。 我们提供的脚本sift.m包含一些用于计算SIFT描述符的基本代码 圆形区域

基于GPS天顶对流层延迟(ZTD)快速高精度解算在天气预报中的重要性,采用非差精密单点定位(PPP)模糊度固定技术估计ZTD.选取国际全球导航卫星系统(GNSS)服务中心(IGS)提供的40个测站7d的GPS观测数据进行实验,研究1,2,3,4,6,12和24h时长PPP模糊度固定率以及模糊度固定或坐标紧约束对ZTD估计的影响.结果表明:4h模糊度固定率即达100%.以24h固定解ZTD为参考值,模糊度固定或坐标紧约束能明显提高ZTD估计精度.其中,4h固定解ZTD估计精度达1.4mm.因此,可选用4h时长观测数据进行PPP模糊度固定,快速获得高精度ZTD参数.另外,通过模拟小时数据缺失情况,验证了PPP模糊度固定技术能有效解决数据缺失后ZTD估计精度显著下降问题.研究成果可用于优化气象部门GNSS数据处理方法,为灾害性天气即时监测和临近预报提供及时准确的ZTD参数.

肌电rmsmatlab EMG_envelope 用于自动估计表面肌电信号的RMS包络的算法。 描述 该软件包包含用于实现以下算法的MATLAB代码： S.Ranaldi，C。De Marchis和S.Conforto“一种自动，自适应，基于信息的sEMG包络提取方法” 该程序包包含一些mex函数，以使用C函数来加快算法的速度。 功能清单 MATLAB代码： adaptiveEnvelope.m-主要功能 conditionEMG.m-条件块（白化和归一化） 衍生物Estimation.m-包络估计的逐点一阶和二阶导数 EnvelopeEstimation.m-点对点包络计算 entropyEst.m-用于收敛的逐点熵估计 fm-归一化因子 filterLength.m-自适应滤波器窗口长度的更新 staticEstimationD.m-导数估计的初始化（将来可能会删除） staticEstimationW.m-包络估计的初始化（将来可能会删除） whiteTest.m-测试信号的白度（借用函数，注释中的来源） whitenSignal.m-MATLAB中的美白过滤器 C代码： pos

介绍基于色温估计的白平衡实现。在研究现有自动白平衡算法的基础上，为了克服灰度世界算法在图像颜色较 少时的算法失效，同时克服已有基于色温估计的白平衡算法存在的色度空间转换 的精度损失问题，本文提出在RGB色度空间的基于色温估计的自动白平衡算法。 首先通过实验确定各常见色温的R／G、B／G的范围，建立常见色温查找表。然后 统计当前光线下图像像素点的R／G、B／G的值，通过查表法确定该像素点所属色 温。处理完整帧图像之后，像素点最多的色温即可确定为当前光源的色温。最后 根据灰度世界假设，计算R、G、B相应的增益。最后对整帧图像进行相应的补 偿，就可以实现白平衡调整的功能。

针对风电功率预测问题，在现有预测方法和概率性区间预测的基础上，提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计，得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明，所提方法不仅能得出较为精确的点预测结果，而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比，其精度更高，且在同等置信度下的预测区间范围更小。

蕨菜2.6丰度估计 有关蕨菜的新闻，更新和说明，请访问： : Bracken的同行评审论文（2017年1月2日发布）： ： 安装 Bracken是Kraken 1或Kraken 2的配套程序，而Kraken在分类树中将读取分类为多个级别，而Bracken允许使用这些分类在单个级别上估计丰度（例如Bracken可以估计样本中物种的丰度）。 在安装Bracken之前，请先安装Kraken：可从此处下载Kraken： ： 轻松安装Bracken： bash install_bracken.sh 硬蕨安装： cd src/ && make Add bracken/bracken-build and scripts in src/ to your PATH 重要信息：蕨菜与MPA风格的报告不兼容。 Bracken需要kraken / kraken2中的默认报告格式。 蕨菜2.5.

古典马氏距离用作检测离群值的方法，并且受离群值影响。 通过快速MCD估计器，提出了一些健壮的马氏距离。 但是，MCD估计器的偏差会随着尺寸的增加而显着增加。 在本文中，我们提出了在高维数据下基于更鲁棒的Rocke估计器的改进的Mahalanobis距离。 数值模拟和实证分析的结果表明，当数据中存在异常值且数据维数很高时，与上述两种方法相比，本文提出的方法能够更好地检测数据中的异常值。