基于MATLAB的数字中频GPS信号生成模型

诸如GAN之类的生成模型的评估是深度学习研究的重要组成部分。 在2D图像生成领域，三种方法得到了广泛传播：初始分数（aka IS） ，弗雷谢特初始距离（aka FID） 和内核初始距离（aka KID） 。 这些指标尽管具有清晰的数学和算法描述，但最初是在TensorFlow中实现的，并继承了框架本身的一些属性（请参阅Interpolation）和它们所依赖的代码（请参见Model）。 这些设计决策已有效地纳入评估协议，并成为度量标准规范的固有组成部分。 结果，希望在生成建模中与最新技术进行比较的研究人员被迫使用原始度量标准作者的代码库进行评估。 虽然可以在PyTorch和其他框架中重新实现指标，但是它们不能提供适当级别的保真度，因此使其不适合报告结果并将其与其他方法进行比较。 该软件旨在在PyTorch中提供上述指标的epsilon精确实现，从而消除与生成模型评估和开发相关的不便

生成二维空间 Gabor 函数。 用于生成模型简单的细胞感受野，或用于执行边缘检测。 参数允许指定空间频率、方向、宽度和中心。

使用pytorch生成文本：使用pytorch GRU构建文本生成模型

K-means聚类，手撕代码、包括数据生成、模型展示，可直接运行

GAN研究 研究生研究项目，使用CycleGAN和其他生成模型探索图像到图像的翻译。

深度生成模型因其为各种应用生成数据的能力而备受关注，这些应用包括医疗保健、金融技术、监控等，其中最受欢迎的模型是生成对抗网络和变分自动编码器。然而，与所有机器学习模型一样，人们一直担心安全漏洞和隐私泄露，深度生成模型也不例外。

精确的GPS信号生成器是测试与评价先进GPS接收机设宝十的重要分析工具。本文在中频GPS信号理论模 型分析的基础上，用Matlab实现了一种数字GPS信号生成模型，它能够在数字中频上产生GPS接收信号，其中包含仿真 的噪声和接收机时钟误差。与常规的GPS信号生成器(或模拟器)相比，这种模型设计灵活、易于使用，此外，模型构 建涉及对GPS信号在接收机射频前端处理过程的仿真，从而为GPS接收机射频前端的设计提供了支持。

高光谱图像分离matlab代码深度生成端元建模：无监督光谱解混的应用 这个包包含作者对论文 [1] 的实现。 为了解决光谱分离中的端元可变性，端元光谱使用深度生成模型 (VAE) 建模，该模型从观察到的高光谱图像中学习。 这使我们能够使用生成模型的低维潜在空间中的点对可变端元进行参数化，然后可以与丰度同时优化以解决分离问题。 代码在 MATLAB 中实现，包括： example1.m - 比较算法的演示脚本 (DC1) example2.m - 比较算法的演示脚本 (DC2) example3.m - 比较算法的演示脚本 (DC3) example4.m - 比较算法的演示脚本 (DC4) example_real1.m - 比较算法的演示脚本（休斯顿） example_real2.m - 比较算法的演示脚本 (Samson) example_real3.m - 比较算法的演示脚本（Jasper Ridge） ./DeepGUn/ - 包含与 DeepGUn 算法相关的 MATLAB 文件 ./python/ - 包含与 DeepGUn 算法相关的 Python 文件 ./other_

在Tensorflow2中实现了许多生成模型GAN，VAE，Seq2Seq，VAEGAN，GAIA、Spectrogram Inversion。一切都在jupyter笔记本中的编写，便于输出到colab。