matlab中补充模代码2016-ICML-格罗莫夫-沃瑟斯坦 用Matlab代码重现论文的一些结果 加布里埃尔·佩雷（GabrielPeyré），马可·卡图里（Marco Cuturi），贾斯汀·所罗门（Justin Solomon）， ICML 2016。 仅实现形状插值应用程序。 compute_gw_barycenters.m：实现重心的计算。 perform_gw_sinkhorn.m：实现解决GW问题的耦合计算。 test_distmat_interpol.m：用于启动计算的主脚本。 将图形另存为.eps文件。 batch_barycenter_distances.m：以批处理模式启动计算。 data /：包含形状的二进制图像。 mesh2d /：Darren Engwirda惊人的代码，用于对二维域进行网格化。 工具箱/：各种辅助功能。

ESG工作组 03章三法与程序 01-SelectedDataset / 01-AudioFeatures 01-SelectedDataset / 02-AudioPreprocessing 01-audio-raw.wav： ：//sayedqasim.github.io/ESG-WGANGP/03-ChapterThree-MethodsAndProcedures/01-SelectedDataset/02-AudioPreprocessing/01-audio-raw.wav 01-audio-raw-approximated.wav： ： 02-audio-trimmed.wav： ：//sayedqasim.github.io/ESG-WGANGP/03-ChapterThree-MethodsAndProcedures/01-SelectedDataset/

Matlab仿真未归一化的最优运输 一个存储库，其中包含用于在一维和二维中计算非标准化Wasserstein-2（UW-2）距离的代码。 该代码取自： Gangbo，Wilfrid等。 “未归一化的最佳运输。” arXiv预印本arXiv：1902.03367（2019）。 该代码是用C ++和Mex包装器编写的，因此可以使用Matlab调用该代码。 文件内容如下： UnnormalizedOTSolver1D.cpp / h-一个C ++类，可用于实际计算1维的UW-2。 有关用法示例，请参见main.cpp UnnormalizedOTSolver.cpp / h-与上面相同，但用于二维计算UW-2。 main.cpp-包括C ++接口的示例用法以及用于在2维中计算UW-2的mex入口点。 如果在没有mex编译器的情况下编译代码，则代码的Matlab部分将被自动排除。 有关mex示例，请参阅mex_unbalanced_emd_code.m。 MexUnnormalizedOtSolver1DEntry.cpp-用于计算1维UW-2的混合代码的入口点。 有关示例用法，请参阅mex_

瓦瑟斯坦·甘 Wasserstein GAN（WGAN）论文的PyTorch实现。 该项目正在尝试出于教育目的复制LSUN和CIFAR10实验。 在这个项目中，我们还可以看到深度卷积生成对抗网络（DCGAN）如何演变成WGAN。 注意：DCGAN最初是使用Keras 1实现的，并迁移到了Keras 2。 Jupyter笔记本 火炬 LSUN卧室数据集 用于下载和预处理LSUN LMDB数据的脚本 火炬 CIFAR10 凯拉斯2 MNIST 预训练模型 PyTorch权重文件： 生成的图像样本 更多生成的样本

瓦瑟施泰因 用于高效计算Wasserstein距离的Python / C ++库。 请参阅。 版权所有（C）2019-2021 Patrick T.Komiske III

Wasserstein流与复制因子动力学——演员评论中表征学习的平均场分析_Wasserstein Flow Meets Replicator Dynamics A Mean-Field Analysis of Representation Learning in Actor-Critic.pdf

IE598NH-lecture-21-Wasserstein Distributionally Robust Optimization.pdfIE598NH-lecture-21-Wasserstein Distributionally Robust Optimization.pdf

Wasserstein 重心是分析高维数据的一个重要概念，在应用概率、经济学、统计学，尤其是聚类和图像处理中具有广泛的应用。 我们陈述了 Wasserstein 重心问题与 n 耦合问题等价的一般版本。 因此，与求和原理的耦合（表征 n 耦合问题的解决方案）也为重心的显式表征提供了新标准。 基于这个标准，我们提供了一个简单的实现算法来计算重心，作为主要贡献。 我们在几个例子中发现，我们的方法相对于完善的算法具有相似的时间复杂度，并且能够提供大量度量的重心的准确和快速的可视化。 所提出的算法也可以应用于更复杂的优化问题，如 k-重心问题。

随着风电、光伏等可再生能源发电渗透率的增加，电 力系统运行需要考虑随之而来的不确定性。场景分析法因为 可明确体现不确定性因素的概率特征而被广泛采用，但是由于大规模场景会降低随机规划的求解效率，实用性受到限 制。

针对不可抗力因素造成无人机航拍绝缘子图片模糊、绝缘子目标检测率较低的问题，提出了一种基于Wasserstein距离优化的生成式对抗网络(WGAN)图片去模糊的绝缘子目标检测方法。首先在WGAN训练过程中引入残差网络，使得生成的绝缘子图片更加清晰；其次在损失函数中引入Wasserstein距离以保证训练过程的稳定性；最后通过优化模型的训练过程，使得生成的绝缘子图片细节还原度更高。绝缘子图片去模糊化实验结果表明，所提方法在结构相似性与峰值信噪比等评价指标上均高于基于卷积神经网络与深度多尺度卷积神经网络等图像去模糊算法。另外，将利用所提方法生成的绝缘子图片与模糊绝缘子图片划分为3组，采用改进的基于区域建议的卷积神经网络目标检测算法分别进行目标检测实验，精确度均值分别提高了5.77%、6.73 %与5.98 %，有效提高了绝缘子的目标检测率。