系统分析了滚动导向滤波的参数,根据参数变化的规律提出一种基于滚动导向滤波的混合多尺度分解方法,并基于此方法将红外与可见光图像分解到基本层、小尺度层和大尺度层。在基本层上使用像素能量与梯度能量相结合的融合规则,在大、小尺度层上采用双通道自适应脉冲耦合神经网络(DAPCNN)的融合规则。通过逆混合多尺度分解方法得到融合图像。与已有的图像分解方法相比,所提图像分解方法不仅可以很好地提取图像的纹理细节,保留图像的边缘特征,还可以避免在边缘位置上出现光晕现象。实验结果表明,所提方法可以很好地提取图像的红外目标信息,并将其融合到可见光图像中,与已有的融合方法相比,所提方法不仅在人眼视觉感知的主观评价方面具有明显优势,而且在互信息、信息熵、标准差、非线性相关信息熵和Chen-Varshney指标等客观评价标准上也具有很大的优势。

详细介绍WBS通用性要求，步骤和历史，特别是附录中提供了5个典型系统的WBS范例，具有很强的指导性和参考性，自顶向下的WBS是系统设计、可靠性设计、健壮性设计、研发和工程项目管理的必备技能和工具之一，强力推荐！

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.

QR分解法是目前求一般矩阵全部特征值的最有效并广泛应用的方法，一般矩阵先经过正交相似变化成为Hessenberg矩阵，然后再应用QR方法求特征值和特征向量。它是将矩阵分解成一个正规正交矩阵Q与上三角形矩阵R，所以称为QR分解法，与此正规正交矩阵的通用符号Q有关。 本程序用最常用的c语言编写，简便易读，有注释

EMD分解的MATLAB代码 很好用哦，同行朋友可以看看，交流经验

小波分解及matlab源码 描述 通过小波多级分解重构一维信号的系数，并在Python中实现Matlab函数wrcoef 目的 在Python中，我们有两个很棒的库来处理不同类型的wavelet：和。 后者目前不在积极开发中，但可以用于鼓舞人心的目的。 不幸的是，在两个包中都没有实现从多级分解重构信号的功能，例如，参见的相关源代码。 希望在Matlab Wavelet Toolbox中实现相关功能，请参见。 因此，我们将为一个特殊的小波家族（称为）重新设计该函数的代码。 样例代码 import pywt from wrcoef import wavedec , wrcoef x = range ( 10 ) w = pywt . Wavelet ( 'sym3' ) C , L = wavedec ( x , wavelet = w , level = 3 ) for n in range ( len ( L ) - 2 ): D = wrcoef ( C , L , wavelet = w , level = n + 1 ) print ( D ) 将返回值与Matlab实现进行比较

Matrix_Calculations 线性方程组 特征值和特征向量 奇异值分解 最小二乘法 目的 该项目旨在实现稠密矩阵的某些矩阵运算（稠密矩阵是具有零元素数量非常有限的矩阵。）包括求解线性方程组，查找矩阵的特征值和特征向量，求解最小二乘问题以及执行奇异值分解。 实现的矩阵由2D长双精度数组表示，对于大小小于10,000的矩阵应该足够了。 如果矩阵的大小很大，则矩阵元素应存储在多台计算机中，并且应该相应地修改所提及的操作的实现。 实施方式 在整个项目中，我将long double的数据类型定义为LDouble ，将LDouble *定义为LDPtr ，将unsigned int定义为MInt 。 家庭户 此类表示Householder矩阵，该矩阵由向量x生成，形式为H = I-beta * v * transpose（v），其中beta是一个恒定的实数。 令H * x为一个向量，则该向

软工课设第一周---4班3组项目进展及成果、任务分解表、讨论记录、周一评审记录.zip

rsa因数分解+随机生产公私钥

本征正交分解（POD）Matlab代码，实现对信号的本征正交分解。