支持向量机 (SVM) 是许多分类问题的有效模型。 然而，SVM 需要二次规划的解决方案，需要专门的代码。 此外，SVM 有很多参数，影响了 SVM 分类器的性能。 最近，提出了广义特征值近端 SVM（GEPSVM）来解决 SVM 的复杂性。 在现实世界的应用程序中，数据可能会受到错误或噪声的影响，处理这些数据是一个具有挑战性的问题。 在本文中，已经提出了一种方法来克服这个问题。 这种方法称为 DSA-GEPSVM。 主要改进基于以下几点：1）线性情况下的新模糊值。 2) 非线性情况下的新核函数。 3) 差分搜索算法 (DSA) 被重新制定以找到 GEPSVM 参数及其内核参数的接近最优值。 实验结果表明，所提出的方法能够找到合适的参数值，并且与其他一些算法相比具有更高的分类精度。

基于python的广义霍夫变换代码，本代码对每个点进行了投票，若想加快速度可以先提取sift特征再对sift特征点进行投票

针对传统总广义变分（TGV）小波修复模型采用单一小波基变换，仅对纹理细节信息较少且结构简单的图像有很好修复能力的缺点，提出一种紧框架域下的总广义变分正则化修复模型。不同于经典小波变换，紧框架系统具有冗余、时移不变和线性相位等图像处理过程中较为重要的特性。新模型通过引入多层紧框架分解系数的低阶与高阶导数项建立正则化项，获取图像不同尺度多方向上的特征信息来对图像进行约束。模型的数值实现采用分裂技术与原始-对偶方法相结合的优化算法（PDSBA），交替迭代求解两个易于处理的子问题，提高了图像修复过程的处理效率。相比于传统模型，所提模型不仅具有保边性能，而且对含有较多细节或纹理信息的图像也有较好的修复效果。实验结果显示，三个修复性能指标：峰值信噪比（PSNR）、平均绝对误差（MAE）和结构相似测度（SSIM）均获得显著提升。

建模汇率波动性至关重要，因为它对公司的获利能力和决策者的决策具有多种影响。 本文通过对2006年4月1日至2018年1月31日期间的USDINR和EURINR日汇率应用滚动对称和非对称GARCH模型，对印度货币的汇率波动进行了实证研究。得出的总观察值为2861。 （1,1）和EGARCH（1,1）模型，数据窗口滚动了五年，有近1200个观测值，一个月用作每个窗口的预测期。 样本内准则（例如对数似然准则，Akaike信息准则（AIC），贝叶斯信息准则（SIC）和Hannan Quinn准则（HQC））以及样本外准则（例如均方误差（MSE））和平均绝对误差（MAE）已用于测试模型拟合和预测模型的准确性。 为了检验结果的稳健性，使用Diebold-Mariano检验来比较两个模型的预测准确性。 此外，还通过将样本期分为印度汇率的平静和波动时期来测试这两种模型的预测准确性。 结果表明，具有广义误差分布的GARCH（1,1）模型足以捕获USDINR和EURINR汇率收益的均值和波动过程。

matlab_基于SOGI（2阶广义积分器）的单相锁相环simulink仿真

二阶广义积分器 作用： 1.追踪正弦信号，并将正弦信号滞后90度。 2. 对正弦信号进行滤波 具体原理分析不再赘述，下面是MATLAB/simulink仿真

在对象参数未知的情况下进行广义预测控制，实现良好的控制效果

能够对信号进行时频分析，对时间方向和频率方向的分辨率进行自由设定

第五章 数组&广义表1

各种加权函数cc phat ml Roth scot