2021美赛A题M奖论文+代码（可一键运行）+手稿。原文可见这里 https://blog.csdn.net/qq_44782352/article/details/122809167

推荐系统 推荐系统笔记，包括论文，代码实现，相关推荐比赛等

用于灰度图像中高密度椒盐噪声去除的不同自适应修正Riesz均值滤波器 引文： S.Memiş和U. Erkan，2021。《用于灰度图像中高密度盐和胡椒噪声去除的不同自适应修正Riesz均值滤波器》，《欧洲科学技术杂志》，（23），359-367。 doi：https ：//doi.org/10.31590/ejosat.873312 抽象的： 本文提出了一种新的滤波器，差分自适应修正里氏均值滤波器（DAMRmF），用于去除高密度椒盐噪声（SPN）。 DAMRmF可操作像素加权函数和自适应中值滤波器（AMF）的适应性条件。 在仿真中，将所提出的滤波器与自适应频率中值滤波器（AFMF），三值加权方法（TVWM），无偏加权均值滤波器（UWMF），不同应用中值滤波器（DAMF），自适应加权均值滤波器（AWMF）进行了比较。 ），自适应Cesáro均值滤波器（ACmF），自适应Riesz均

出版日期和地址； Erkan, U., Enginoğlu, S., Thanh, DNH, Memiş, S., 2020. 改进的自适应加权平均滤波器去除椒盐噪声，Proc. 第二届电气、通信和计算机工程国际会议 (ICECCE)，第 1-5 页，6 月 12-13 日，土耳其伊斯坦布尔。 doi：10.1109/ICECCE49384.2020.9179351。 抽象的： 在这项研究中，我们提出了一种改进的自适应加权平均滤波器（IAWMF）来去除椒盐噪声。 IAWMF 最突出的优点是它能够考虑自适应窗口中无噪声像素的权重。 因此，新的灰度值比自适应加权平均滤波器 (AWMF) 计算的灰度值更接近中心像素的原始灰度值。 此外，所提出的方法利用AWMF的优势来减少检测噪声像素的误差。 在实验中，我们将所提出方法的去噪结果与其他最先进的图像去噪方法进行了比较。 结果证实 IAWMF

一些相关的迁移学习论文的代码以及数据集，DAAN,DAN,DaNN,DDC,DeepCoral,ResNet,AlexRet,MRAN,TCP等等，包括一些常用的数据集，内容详细，需要的可以下载。

真棒能量预测 有关能源预测的文件，代码和其他资源清单。 竞赛 文件 2020年 Ahmad，W.，Ayub，N.，Ali，T.，Irfan，M.，Awais，M.，Shiraz，M.，＆Glowacz，A.（2020年）。 使用改进的支持向量机和极限学习机进行短期电力负荷预测。 Energies，13（11），2907。 Yagli，GM，Yang，D.，Gandhi，O.，＆Srinivasan，D.（2020年）。 我们是否可以用卫星衍生的太阳辐照度证明产生单变量机器学习预测是合理的？ 应用能源，259，114122。 Yagli，GM，Yang，D.，＆Srinivasan，D.（2019年）。 使用机器学习模型进行小时自动太阳预报。 可再生与可持续能源评论，105，487-498。 Ahmed，R.，Sreeram，V.，Mishra，Y.，＆Arif，MD（2020）。 对

图像模糊matlab代码复合材料 论文代码“一种改进的模糊C均值算法用于颅面CBCT图像中的阴影校正” 内容 matlab 文件夹包含执行偏差校正的 matlab 代码，而 python 文件夹包含执行相同操作的 python 代码，以及更复杂方法的示例，其中偏差场也受平滑度约束。 例子 在人头示例上运行代码的示例。

压缩感知可实现信号编解码，特征提取，研究意义广泛，影响深远，在领域内均具有应用。原文对应代码，欢迎使用，广泛交流，谢谢！

向前欧拉法matlab代码 -Graduation-Thesis-Code 这个是自己的毕业论文中的代码，运动学的代码推导源自于Mathematica, 其实是可以写成递归的形式，以提高一些效率的，但是想知道末端执行器的具体符号表达式，所以在写运动学那块代码就显得很冗余。 研究的对象以UR5机械臂为例，采用了标准的DH方法建立了所有的运动学/动力学模型，不得不说的是，当初在编写动力学方程的时候，感受到了标准法的不便之处，不少论文给出的是改进的DH法建立的运动学模型，不过没去验证。但是在想，在使用Lagrange法建立的动力学模型去做控制，一个程序岂不是要跑很久很久？一开始也写的动力学方程，只不过不是递归形式下的，卡的令人无语。。。。Newton-Euler法建立的模型还是在实习期间学会的(感谢储工的指导)，不过对于matlab而言，还是感觉有些慢了（相对工业来说），不过对于自己的数值仿真而言，已经足够了。由于数值仿真效率缘故，如果使用了ODE求解器，会导致仿真跑好几个小时，当然，这么多的时间用来跑仿真了，而且占用自己计算机资源，未免太浪费，所以将原有的基于ODE仿真的代码删除了，都替换

更新：如果您正在寻找Wav2Lip， Lip2Wav 仅通过唇部动作即可产生高质量的语音。该代码是论文的一部分：在CVPR'20上发表的论文，学习个人说话风格以实现准确的语音合成。 | | 最近更新 发布了适用于所有扬声器的数据集和预训练模型！ 已发布在LRW数据集上训练的多扬声器单词级Lip2Wav模型的预训练模型！ （分支） 强调 在不受限制的情况下，仅通过嘴唇运动即可产生可理解的语音的第一项工作。 问题的序列到序列建模。 提供5个扬声器的数据集，其中包含100多个小时的视频数据！ 提供了完整的培训代码和预训练的模型。 推理代码从预训练的模型生成结果。 还提供了用于计算论文中报告的指标的代码。 你也可能对此有兴趣： :party_popper:使用Wav2Lip进行口语同步的语音视频到任何语音： : 先决条件 Python 3.7.4 （此版本已通过代码测试） ffmpeg： sudo apt