语言:English (United States) 使用Drift的会话性着陆页来捕获贸易展览上的潜在客户？ 每条潜在客户自动清除您的Drift Cookie！

一 致 性 点 漂 移 算 法 (Coherent Point Drift, CPD)是一种鲁棒的基于高斯混合模型的点集匹配 算法。该算法适用于刚体以及非刚体变换下的多维 点集配准问题，对于噪声、出格点以及缺失点的影 响具有较强鲁棒性。但由于采用的是EM算法框架， 其存在两个缺陷： (1)对于迭代的初始点选取十分敏 感，如果选取不当，极易陷入局部最优解，从而导 致算法的最终匹配结果较差； (2)CPD算法的收敛速 度与待匹配点集大小成反比，从而导致在解决大规 模点集匹配问题时，该算法的运行速度较慢。针对 上述问题，

matlab噪声点的判断代码自动校正眼动数据垂直漂移的算法 该存储库包含在Behavior Research Methods 上发表的关于垂直漂移校正算法的论文的代码和数据。 您可以下载开放获取论文，也可以观看我们的 15 分钟心理经济学演讲。 如果您只是想更正一些眼动数据，您可能首先需要查看 Python 包或 R 包。 这些软件包提供了更通用、更高级的工具，用于管理、清理和分析眼动追踪数据，特别强调阅读行为。 这包括使用论文中报告的许多算法来纠正垂直漂移问题的能力。 或者，如果您想做一些更复杂的事情（例如，您想将一个或多个算法集成到您自己的分析代码中），那么请查看algorithms/目录。 在那里，您将找到可用作起点的 Matlab、Python 和 R 函数。 您可能需要做一些工作来将这些功能重组为对您的特定项目有意义的内容。 如果您想复制论文中报告的分析或以我们的工作为基础，请继续阅读... 此存储库的结构 algorithms/ ：漂移校正算法的 Matlab/Octave、Python 和 R 实现。 code/ ：用于分析算法的 Python 代码（使用模拟和自然数据集

使用 Lyapunov Drift-Plus-Penalty 技术的随机网络优化

HTML5 Drift Race（急速漂移汽车） 英文游戏源码，完整可运营版本，很不错的游戏。休闲好玩。直接上传服务器即可。

Matlab集成的c代码coherent_point_drift_cuda 介绍 这是用于非刚性点集配准的相​​干点漂移（CPD）算法的CUDA实现。 给定两个点集X和Y，该算法找到将Y与X对齐的变换。 对齐点集为T = Y + GW 。 相干点漂移算法：Myronenko，A.＆Song，X.（2010）。 点集配准：相干点漂移。 IEEE关于模式分析和机器智能的事务，32（12），2262-2275。 要求 具有CUDA功能的GPU 工具包和驱动程序 命令行解释器CLI11.hpp包含在存储库中，并受其关联的许可证控制 C / C ++编译器，版本必须与CUDA兼容 Windows- Linux- 有关适用于您平台的兼容编译器版本，请参阅 跨平台构建系统 CMake目标 cpd_cuda ：静态C ++库，包含CPD算法的CUDA实现。 cpd_cmd ：命令行程序。 链接到cpd_cuda。 cpd_mex ：cpd_cuda库周围的MEX包装器，可与MATLAB一起使用。 Windows版本 使用CUDA 9.0和CUDA 10.1在Visual Studio 2015中进行了

使用ADWIN和朴素贝叶斯分类器的数据流中概念漂移检测 AdWin：自适应滑动WINdow算法 基于纸张： Bifet和R. Gavalda。 2007年。使用自适应窗口技术从时变数据中学习 class concept_drift . adwin . AdWin ( delta = 0.002 , max_buckets = 5 , min_clock = 32 , min_win_len = 10 , min_sub_win_len = 5 ) 参数 三角洲 置信度值 max_buckets 一桶排内的最大桶数 min_clock 用于减少窗口和检测变化的最少新数据数量 min_window_len 最小窗口长度，用于开始缩小窗口并检测变化 min_sub_window_len 最小子窗口长度，从整个窗口中拆分 方法 set_input ( value ) 将输入值

matlab优化泊松方程代码漂移扩散模型 这是用Python编写的一维模型，该模型使用有限差分求解半导体泊松漂移扩散方程。 该模型模拟了光照下的太阳能电池，但也可以适用于其他半导体器件。 可以对其进行修改以解决其他系统（即，通过更改边界条件，添加重组率和修改生成率）。 使用称为Gummel方法的自洽迭代方法求解方程。 为了确保连续性方程的数值稳定性，使用了Scharfetter Gummel离散化以及新旧解决方案的线性混合。 表现 使用Numba @jit装饰器可以加速代码。 示例CPU时间：不使用Numba：469.7秒使用Numba：73.7秒 得出的结论是，Numba的工作量很轻，而且性能显着提高。 您可以在此处阅读有关Numba的信息： C ++和Matlab实现 您可以在这里找到相同模型的C ++和Matlab实现以及2D和3D版本： 性能比较： 对于网格尺寸为dx = 0.25nm，系统尺寸为300nm的一维代码： Python：69.8秒Matlab：40秒C ++：3.7秒 因此，当前的C ++版本要快得多，可能具有阅读不太优雅的缺点。

使用区分性分类器（D3）的无监督概念漂移检测 ÖmerGözüaçık，AlicanBüyükçakır，Hamed Bonab和Fazli Can。 2019。具有区分性分类器的无监督概念漂移检测。 在第28届ACM国际信息和知识管理国际会议论文集中，中国北京，2019年11月3日至7日，（CIKM'2019），4页。 D3在河包中的实施 D3现在在river中得到支持，它是creme和scikit-multiflow之间的合并。 它是用于对流数据进行机器学习的最全面的python库之一。 目前，该软件包中不包含D3，但是您可以下载并安装该软件包的开发版本以访问D3。 由于代码是根据库标准重构的，因此结果可能与原始实现不同。 有关河的更多详细信息，请访问： : 具有D3的河的分叉版本： : 安装包括D3的river开发版本。 pip install git+https

CPD-matalb工具包