基于稀疏表示的可见光遥感图像飞机检测算法

jDSM是用于表示和分析设计结构矩阵（DSM）的Java库。 它可以用于分析有关模块化的任何Java软件。

作为一种强大而有前途的统计信号建模技术，稀疏表示已广泛应用于各种图像处理和分析领域。 对于高光谱图像分类，以前的研究已经表明了基于稀疏性的分类方法的有效性。 本文提出了一种非局部加权联合稀疏表示分类方法（NLW-JSRC），以提高高光谱图像分类的效果。 在联合稀疏模型​​（JSM）中，对中央测试像素周围的不同相邻像素使用不同的权重。 一个特定的相邻像素的权重由相邻像素和中央测试像素之间的结构相似性确定，这被称为非局部加权方案。 本文采用同时正交匹配追踪技术求解非局部加权联合稀疏模型​​（NLW-JSM）。 在三个高光谱图像上测试了所提出的分类算法。 实验结果表明，该算法的性能优于其他基于稀疏性的算法和经典的支持向量机高光谱分类器。

仿真matlab程序代码

更新新闻！！！ iLearnPlus - iFeature和iLearn的更新版本现已发布！ （2021-02-28） iLearnPlus是第一个同时具有基于图形和基于Web的用户界面的机器学习平台，该平台可以构建自动机器学习管道，以使用核酸和蛋白质序列进行计算分析和预测。 iLearnPlus集成了21种机器学习算法（包括12种常规分类算法，2种整体学习框架和7种深度学习方法）和19种主要序列编码方案（总共147个特征描述符），数量超过了所有当前的Web服务器和独立服务器据我们所知，用于生物序列分析的工具。 此外，生物学家还可以使用iLearnPlus友好的GUI（图形用户界面）来顺利进行分析，与现有管道相比，显着提高了有效性和用户体验。 iLearnPlus是一个用于学术目的的开源平台，可从。 可从在线访问iLearnPlus-Basic模块。 iLearnPlus-基本模块界面：

CMD 域不变表示学习的中心矩差异-ICLR 2017 注意：及其和均可使用 该存储库包含用于重现实验的代码，该论文在Werner Zellinger，Edwin Lughofer和Susanne Saminger-Platz的美国国际学习表示会议（ICLR2017）上发表了报告的实验。 JKU Linz的基于知识的数学系统，以及软件能力Hagenberg的数据分析系统小组的Thomas Grubinger和ThomasNatschläger。 在源代码中，CMD域正则化器用'mmatch'表示。 要求 该实现基于Theano和神经网络库Keras。 要安装Theano和Keras，请按照各自github页面上的安装说明进行操作。 您还需要：numpy，熊猫，seaborn，matplotlib，sklearn和scipy 数据集 我们在论文中报告两个不同基准数据集的结果：Amazo

将一组给定的值表示为传递函数形式。

经典的机器学习隐含地假设训练数据的标签是从一个干净的分布中采样的，这对于真实的场景来说限制太大了。然而，基于统计学习的方法可能不能很好地训练深度学习模型。因此，迫切需要设计标签噪声表示学习(LNRL)方法对带噪声标签的深度模型进行鲁棒训练。为了充分了解LNRL，我们进行了综述。

网状卷 这不是一个严肃的项目，只是一个大学作业的解决方案！ 由三角形网格表示的模型的体积计算，在 CUDA 中实现。 该代码在具有 nVidia Tesla K20M 卡的上实现和测试。 用法 使用make命令编译代码并从子文件夹之一运行二进制文件： ./volume 其中N是每个块的线程数（必须是 32 的乘法）， file是文件的路径。 或者，您可以使用make test命令运行基准make test ，该命令会生成一个report.txt文件。 实现 减少 数据结构 已用内存 块之间的减少 simple_aos_global_seqsum 顺序索引 结构数组 仅限全球 顺序使用 CPU simple_soa_global_seqsum 顺序索引 数组的结构 仅限全球 顺序使用 CPU simple_soa_shared_seqsum 顺

用时态逻辑LTL公式表示系统性质 安全性：  ¬ p 可达性：  p 响应性： (p   q) （弱）公平性：   p    q （强）公平性：   p    q   p --- p无限多次为真   p --- 从某个时刻起, p一直为真。