提出了一种基于无芯光纤的单模多模单模（SMS）结构的折射率光纤传感器并对其进行了理论和实验研究。用一种新颖的无芯光纤来作为SMS结构中的多模波导，避免了常规SMS折射率传感器制作过程中的化学腐蚀所带来的问题，具有易于设计和制作的优点。制作了一支基于无芯光纤的SMS折射率光纤传感器，并用具有不同折射率的蔗糖溶液对其进行了实验测试，在1.356～1.392的折射率范围内得到了431.4 nm/RIU的平均折射率灵敏度，实验结果与模拟结果符合得很好。进一步的理论研究发现，通过减小无芯光纤的直径可以进一步提高传感器对折射率的灵敏度。

主要实现Pet与CT、MRI图像的配准、pet本身伪彩色映射、不同模态的图像融合及可视化等。

2021腾讯广告算法大赛-双赛道20队伍PPT

多模态图像配准的特征邻域互信息.pdf

CASIC多模卫星导航接收机协议规范

matlab代码黄色MR脑组织分割 MR脑组织分割是生物医学图像处理中的重要问题。 目标是将图像分为三个组织，即白质（WM），灰质（GM）和脑脊髓液（CSF）。 我们使用具有多模态和邻接约束的LSTM方法进行脑图像分割。 我们从大脑图像生成特征序列，并将其输入经过训练的LSTM / BiLSTM模型中以获得语义标签。 该方法实现了有希望的分割结果以及对噪声的鲁棒性。 纸 谢凯，应雯。 LSTM-MA：一种具有多模态和邻接约束的LSTM方法，用于脑图像分割。 （提交给ICIP 2019） 代码 用于实现我们的方法的Matlab代码：LSTM-MA和BiLSTM-MA。 数据集 ：包含正常脑的MRI模拟量，具有三种模式：T1，T2和PD。 ：包含T1，T1反向恢复和FLAIR序列。 管道 我们建议的细分渠道的说明。 给定多模态切片的输入，遵循两个阶段以获得最终的分割结果。 首先是序列构建阶段，以两种方式生成特征序列，即逐像素约束和超逐像素约束。 其次是分类阶段，将特征序列分别输入LSTM或BiLSTM层，然后再输入完全连接的层和s​​oftmax层。 正常的大脑 在BrainWeb上的三个

针对健康数据种类日益增多，而统计学算法不能实现所有数据种类的特征提取与健康状态评估的问题，文中提出了基于卷积与BP神经网络的健康数据分析算法来评估用户的健康状态。对健康数据类型进行分析，总结为数字、文本、图像3种模态的数据类型，并分别针对这3种数据类型进行基于卷积神经网络的数据特征表征模型的构建。经过特征融合，利用多元高斯分布定义健康状态的划分，并利用BP神经网络构建健康数据分析算法。通过在样本数据上的测试结果表明，与朴素贝利斯模型对比，文中所述健康数据分析算法具有较高的准确率，使用多模态数据较单一数据类型的健康评估结果更优，其准确率约为84.2 %。

七十年代光纤进入实用化阶段是从多模光纤的局间中继开始的。二十多年以来，单模光纤新品种不断出现，光纤功能不断丰富和增强，性能价格比不断苛求，但多模光纤并没有被取代而是始终保持稳定的市场份额，和其他品种同步发展。其原因是多模光纤的特性正好满足了网络用纤的要求。相对于长途干线，光纤网络的特点是：传输速率相对较低；传输距离相对较短；节点多、接头多、弯路多；连接器、耦合器用量大；规模小，单位光纤长度使用光源个数多。

克隆侠站群七代站群程序 安装即可用

蔡氏电路matlab仿真代码MMGCN：用于微视频个性化推荐的多模式图卷积网络 这是本文的Pytorch实现： 魏银威，王翔，聂立强，何湘南，洪理昌和蔡达生（2019）。 MMGCN：多模式图卷积网络，用于微视频的个性化推荐。 在法国10月，NICE的ACM MM`19。 2019年21月25日作者：魏因伟博士（hotmail.com上的weiyinwei） 介绍 多模式图卷积网络是一种基于图卷积网络的新颖多模式推荐框架，可对特定于模式的用户偏好进行显式建模，以增强微视频推荐。 我们更新代码，并使用完整的排名策略进行验证和测试。 引文 如果您想在研究中使用我们的代码和数据集，请引用： @inproceedings{MMGCN, title = {MMGCN: Multi-modal graph convolution network for personalized recommendation of micro-video}, author = {Wei, Yinwei and Wang, Xiang and Nie, Liqiang and He, Xiangnan and Hon