介绍隐马尔科夫模型中的前向后向、维特比和分段K-均值算法

压缩感知(CS)是一种新的信号采样、处理和恢复理论,能够显著地降低高频窄带信号的采样频率。针对稀疏度未知信号的重建,提出了步长自适应前向后向追踪(AFBP)算法。不同于固定步长前向后向追踪(FBP)算法,AFBP的步长可变。它利用一种自适应阈值的方法选取前向步长,然后对候选支撑集进行正则化处理以保证其可靠性,接着用自适应阈值与变步长双向控制的方法选取后向步长以减少重建时间。AFBP能够自适应后向删除估计支撑集中部分错误索引以提高信号准确重建概率。在稀疏信号非零值服从常见分布条件下,用AFBP、FBP等算法进行重建的结果表明,AFBP的准确重建概率、重建精度与FBP相当,重建时间明显少于FBP,能够更高效地重建稀疏度未知信号。

二、前向纠错（FEC） 1、思路 前向纠错系统中，发送端的信道编码器将输入数据序列变换成能够纠正错误的码，接收端的译码器根据编码规律检验出错误的位置并自动纠正。

连续投影算法（successive projections algorithm， SPA） 是前向特征变量选择方法。SPA利用向量的投影分析，通过将波长投影到其他波长上，比较投影向量大小，以投影向量最大的波长为待选波长，然后基于矫正模型选择最终的特征波长。SPA选择的是含有最少冗余信息及最小共线性的变量组合

模型是使用MATLAB开发，基于全工况模型建立的预警系统，具有三级报警和紧急制动功能，进一步丰富之后可以作为定速巡航系统的一部分。

使用无限制的扩散方程进行图像滤波，对图像加Gaussian噪声、椒盐噪声进行实验 【结论】将热方程作用于图像，能平滑图像，对图像模糊化，相当于低通滤波，并且随着迭代次数的增加图像会越来越模糊。但是热方程对于高斯噪声和椒盐噪声的处理效果不好，迭代50次后仍能看到明显噪声

HMM前向、后向及维特比算法的Python实现 HMM前向、后向及维特比算法的Python实现 HMM前向、后向及维特比算法的Python实现 HMM前向、后向及维特比算法的Python实现 HMM前向、后向及维特比算法的Python实现

使用C++类封装BP神经网络

用Java实现了HMM中的前/后向算法、Viterbi算法。测试的内容参照了《统计学习方法》例10.2和例10.3

三层简单的神经网络的前向传播算法，适合初学者学习借鉴