去除白噪声,用ＭＭＳＥ方法抑制白噪声来提高信噪比,是一种基于统计分析的噪声去除方法，广泛应用于语音增强方面.

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

传统核窗宽固定的mean shift跟踪算法不能很好地对尺寸变化的目标进行有效的跟踪。在结合增量试探法和梯度方向检测的基础上，提出了一种适应带宽的mean shift目标跟踪算法。算法能够对逐渐放大和逐渐缩小的目标都能够进行有效的跟踪，解决了增量试探法难以很好地对放大目标进行自适应带宽跟踪的问题，提高了自适应带宽跟踪的准确性。两段不同场景下的运动目标跟踪实验，证实了该算法的有效性。

DAX 数据的对冲分析说明了本书第 10 章中讨论的主题。 Delta-Gamma 或均值方差对冲。 对于真实数据以及模拟路径。

K均值分类 IRIS数据集上的k均值分类

最小均方差滤波器MATLAB代码 Adaptive-Filter-Minimum-Mean-Square-Error- The adaptive minimum mean square error filter for noise removal for image processing coded in Matlab.

本文将详细的说明Mean Shift的基本思想及其扩展,其背后的物理含义,以及算法步骤,并给出理论证明.最后本文还将给出Mean Shift在聚类,图像平滑,图像分割,物体实时跟踪这几个方面的具体应用.

1.基本概念 **线性回归（Linear Regression）**是一种通过属性的线性组合来进行预测的线性模型，其目的是找到一条直线或者一个平面或者更高维的超平面，使得预测值与真实值之间的误差最小化。 2.特点 优点：结果具有很好的可解释性（w直观表达了各属性在预测中的重要性），计算熵不复杂。 缺点：对非线性数据拟合不好 适用数据类型：数值型和标称型数据 3.自己实现的线性回归 3.1 简单线性回归 1.利用最小二乘法得到的系数 2.用简答随机数模拟的方法来搭建简单线性回归 import numpy as np import matplotlib.pyplot as plt x =

快速mex K-means聚类算法，可进行K-mean ++初始化 (mex-interface 修改自原始 yael 包 https://gforge.inria.fr/projects/yael) - 接受单/双精度输入 - 支持 BLAS/OpenMP 进行多核计算 请运行 mexme_kmeans.m 来编译 mex 文件（确保已经完成了 mex -setup 至少一个） 运行演示“test_yael_kmeans.m”

https://github.com/hysts/anime-face-detector