内容概要：本文提出一种面向硬件实现的低延迟噪声感知色调映射算子（TMO），用于将高动态范围（HDR）图像高效压缩为低动态范围（LDR）图像，同时保留视觉细节并抑制噪声。针对现有TMO在嵌入式场景中延迟高、噪声放大等问题，文章提出三项核心技术：基于压缩直方图的K-th最大/最小值快速估计，大幅降低裁剪模块的延迟与缓存需求；硬件导向的局部加权引导滤波（HLWGF），通过去除系数平均、引入对称局部权重，提升边缘保持能力并减少光晕伪影；结合人眼视觉系统（HVS）特性的自适应噪声抑制机制，有效控制暗部噪声放大。整个系统在FPGA上实现1080P@60FPS实时处理，延迟仅为60.32μs，且在平滑度、资源占用和精度方面表现优越。; 适合人群：从事图像处理、嵌入式系统开发、FPGA/ASIC设计的研发人员，尤其是关注实时HDR处理的应用开发者。; 使用场景及目标：①自动驾驶、医疗成像、车载显示等需要实时HDR到LDR转换的嵌入式视觉系统；②追求低延迟、低噪声、高画质的硬件级图像处理方案设计；③学习如何将算法优化与硬件实现相结合，提升系统整体性能。; 阅读建议：此资源强调算法设计与硬件实现的协同优化，建议结合文中模块流程图、实验数据与消融分析深入理解各组件作用，并参考硬件细节（如定点量化、流水线设计）进行实际系统搭建与验证。

包含机器学习中的线性回归，包含了最佳拟合线性回顾，局部加权线性回归，岭回归以及前向逐步线性回归等算法的数据集以及代码实现。

EIT / UTT双模态成像的自适应局部加权图像重建算法

DMP-轻水堆 这是用Matlab编码的Dynamic Movement Primitives实现。 对于回归，使用局部加权回归。 在人体动作识别方面，我取得了很好的成绩。 蓝色是原始数据，红色是来自训练有40位高斯的dmp的重放。

作为一种强大而有前途的统计信号建模技术，稀疏表示已广泛应用于各种图像处理和分析领域。 对于高光谱图像分类，以前的研究已经表明了基于稀疏性的分类方法的有效性。 本文提出了一种非局部加权联合稀疏表示分类方法（NLW-JSRC），以提高高光谱图像分类的效果。 在联合稀疏模型​​（JSM）中，对中央测试像素周围的不同相邻像素使用不同的权重。 一个特定的相邻像素的权重由相邻像素和中央测试像素之间的结构相似性确定，这被称为非局部加权方案。 本文采用同时正交匹配追踪技术求解非局部加权联合稀疏模型​​（NLW-JSM）。 在三个高光谱图像上测试了所提出的分类算法。 实验结果表明，该算法的性能优于其他基于稀疏性的算法和经典的支持向量机高光谱分类器。

函数 fLOESS 对一维数据执行 LOESS（使用二阶多项式的局部加权非参数回归拟合）平滑，无需 Matlab 曲线拟合工具箱。 这可能被认为是 LOWESS 的一种稍微更好的方法，它使用线性拟合产生局部加权回归。

线性回归是目前进行机器人预测的一个很好的算法，并可以用于很多领域的预测

局部加权投影回归（LWPR）是一种完全增量的在线算法，用于在高维空间中进行非线性函数逼近，能够处理冗余和不相关的输入维。 它的核心是使用局部线性模型，该模型由输入空间中选定方向上的少量单变量回归所跨越。 使用偏最小二乘（PLS）的局部加权变体来进行降维。 请引用：[1] Sethu Vijayakumar，Aaron D'Souza和Stefan Schaal，《高维增量在线学习》，《神经计算》，第一卷。 17号，第12卷，第2602-2634页（2005）。 [2] Stefan Klanke，Sethu Vijayakumar和Stefan Schaal，《局部加权投影回归的图书馆》，《机器学习研究》（JMLR），第1卷。 9，623--626（2008）。 代码网站上的更多详细信息和使用指南。

利用局部加权回归，对UCI数据进行分段线性拟合，使用时需修改下路径名。

上周讲专题时做的ppt