用matlab实现多视图聚类算法

数据融合matlab代码自适应加权学习网络的轻量图像超分辨率 王朝峰，李振和石军，“具有自适应加权学习网络的轻量图像超分辨率”， 该代码基于 依存关系 的Python 3.5 PyTorch> = 0.4.0 麻木 skimage 意象 matplotlib tqdm 代码 git clone git@github.com:ChaofWang/AWSRN.git cd AWSRN 抽象的 近年来，深度学习已以出色的性能成功地应用于单图像超分辨率（SISR）任务。 但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。 在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。 在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。 此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。 AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分

一种有效的自适应加权中值滤波算法.doc

常被用于去除拉曼光谱中的背景噪声，扣除底噪的好工具。（找了半天才找到，传上来以免之后又找不到。） 绝对能用，不用积分，希望能帮助到大家！ 欢迎交流学习

多视图聚类旨在综合利用视图数据中的一致信息和互补信息实现对数据的划分, 但各视图表征数据的能力参差不齐, 甚至有的视图可能含有大量的冗余和噪声信息, 不仅不能带来多样的信息, 反而影响聚类性能. 本文提出了自适应加权的低秩约束的多视图子空间聚类算法, 通过自适应学习的方式给各视图赋予不同权重来构造各视图共享的潜在一致低秩矩阵. 并且提出了有效的可迭代优化算法对模型进行优化. 在5个公开数据集上的实验结果表明所提算法的有效性.

针对存在丢包的传感器网络中每个传感器节点对目标估计确信度不同的问题, 提出一种基于自适应加权融合的分布式滤波算法. 考虑节点在网络中的影响力及其节点属性, 将节点重要度与传感器网络节点观测数据间的支持度线性加权, 获得每个传感器节点对目标的估计确信度, 并将该确信度构成的融合权值引入节点状态估计值的一致性协议中, 更新传感器节点对目标的状态估计值, 提高分布式滤波算法的估计精度和传感器节点估计值的一致性. 仿真结果验证了所提出方法的有效性.

该算法首先通过噪声检测确 定图像中的噪声点，然后根据窗口内噪声点的个数自适应地调整滤波窗口的尺寸，再根据相似度大小，巧妙地将滤波窗口内各个 像素点按一定的规律自适应地分组并赋予每组像素点相应的权重，最后采用加权中值滤波算法对检测出的噪声点进行滤波处理。 计算机模拟实验结果表明：该算法既能有效地滤除噪声，又能较好地保护图像细节，滤波性能比传统中值滤波算法更理想

代码纯C编写。效果还不错。比opencv自带的中值滤波效果好。

中国石油大学毕业设计(论文)智能管理系统，代码和文档齐全

适用于NC-PPM-UWB通信系统的自适应加权能量检测接收器