鲁汶地图匹配 将跟踪的GPS测量结果与地图或路段对齐。 匹配基于具有非发光状态的隐马尔可夫模型（HMM）。 该模型可以处理丢失的数据，您可以插入自定义过渡和发射概率分布。 主要参考： Meert Wannes，Mathias Verbeke，“具有非发射态的HMM用于地图匹配”，欧洲数据分析会议（ECDA），德国帕德博恩，2018年。 其他参考： Devos Laurens，Vandebril Raf（主管），Meert Wannes（主管），“通过矩阵函数和地图匹配揭示的交通方式”，硕士论文，工程科学学院，鲁汶大学，2018年 安装及使用 $ pip install leuvenmapmatching 更多信息和示例： 依存关系 必需的： 可选（仅在调用方法依赖于这些程序包时加载）： ：用于可视化 ：可视化 ：用于纬度-经度计算 ：导入GPX文件 ：使用卡尔曼滤波

A compact design of non-uniform meta-surface for patch antenna main beam steering is presented in this paper. The proposed design is realized using printed circuit board technology. By adding the non-uniform meta-surface to a patch antenna, the main-beam direction of the patch antenna can be steered by an angle up to 30 degrees from the boresight direction. The meta-surface together with the patch antenna here is called meta-surfaced antenna, which has a very compact structure since there is no

它是一种使用牛顿法求解 x 和 y 的两个非线性方程的数值方法。 它绘制了这两个函数以帮助用户决定使用 x 和 y 的哪些初始猜测。 它要求用户对x和y进行初始猜测，还可以让用户选择使用哪种终止标准，无论是指定的％相对误差还是多次迭代。

噪声自适应开关非局部方法

本书旨在用作研究生水平的教科书和技术参考。 重点是基本概念，分析技术和基本经验方法。 唯一的前提条件是有关傅立叶分析的入门课程。

matlab代码不React非侵入性深脑刺激 该存储库包含用于通过时间干扰（TI）模拟无创性深部脑刺激（DBS）的所有代码。 关于该项目 该项目的灵感来自于2017年6月发表的一篇论文[1]，该论文提出了一种通过两个（或多个）时间干扰信号的非侵入式DBS新方法。 使用此仓库中可用的代码，您可以可视化球形头模型中电场（电场）的分布。 此外，使用计算出的电场分布，我们还可以看到神经元在导电介质中任何点的响应（头部模型）。 假设您具有任意头部模型的有限元分析（FEA）产生的电场分布，这也是该项目的一部分（但此处未介绍），则可以使用其他脚本来可视化分布。 综上所述，此存储库的主要重点有两个方面： 可视化从FEA或分析解决方案生成的电场分布 在电场分布的不同位置测试不同神经元模型的响应 电场（电场）分布 在这个项目中，我使用了球形头模型，以使事情变得简单。 E场的计算和可视化是在Matlab中完成的（如果您感兴趣，请查看Matlab文件夹）。 为此，您可以选择要查看其分布的电极配置，然后运行代码。 输出示例如下所示： 神经元React 一旦有了电场分布，我们可能想看看神经元在不同位置如何响应这种

Jim Wilkes 教授提供了管道中水平流的体积流量与施加的压力梯度的代表性值 [1]。 管道半径等于 0.01 m。 我们使用这些代表值，结合使用 Mathematica 确定的体积流量的解析表达式，来计算幂律和宾汉流体的本构方程的参数。 参考： [1] Wilkes, JO，化学工程师的流体力学，Prentice Hall，Upper Saddle 河，1999。 如需使用 Mathematica 进行处理，请访问以下链接： http://library.wolfram.com/infocenter/Articles/6739/ http://library.wolfram.com/infocenter/MathSource/5152/

A Non-Local Cost Aggregation Method for Stereo Matching 作者关于核心算法做的PPT

核密度非参数估计的matlab代码Non_Parametric_Kernel_Density_Estimation 我们建议使用基于核密度估计 (KDE) 的方法进行分类。 这种非参数方法本质上以一种有原则的方式为每个类提供了成员资格的可能性。 该实现用于： [1] MU Ghani、F. Mesadi、SD Kanik、AO Argunsah、A. Hobbiss、I. Israely、D. Unay、T. Tasdizen 和 M. Cetin，“基于树突棘分类的形状和外观特征”，Journal of神经科学方法。 任何使用此代码的论文都应相应地引用 [1]。 该软件已经在Matlab R2013b下进行了测试。 解压压缩文件后，启动Matlab，然后可以在根目录下运行“KDE_JNeuMeth.m”。 如果报告错误，则您可能没有以下某些 MATLAB 工具箱。 请确保您已正确安装以下 MATLAB 工具箱： 统计和机器学习工具箱 生物信息学工具箱 如果您仍然有问题，您可以给我发电子邮件，或者我会尽力提供帮助。 照原样，该代码使用基于析取法线形状模型 (DNSM) 和定向梯度直方图

Non-Rigid Point Set Registration with Robust Transformation Estimation under Manifold Regularization