Human Activity and Posture Classification Using Single Non-Conta

MahNMF Manhattan Non-negative Matrix Factorization code % Manhattan Non-negative Matrix Factorization. % ManhNMF: Matlab Code for Efficient Robust Manhattan NMF Solver % Reference % [1] N. Guan, D. Tao, Z. Luo, and J. Shawe-taylor, "MahNMF: Manhattan % Non-negative Matrix Factorization," arXiv:1207.3438v1, 2012. % [2] N. Guan, D. Tao, Z. Luo, and J. Shawe-taylor, "MahNMF: Manhattan % Non-negative Matrix Factorization," Submitted to Journal of Machine Learning Research, 2013. % The model is X \approx W^TH, where X, W, and H are defined as follows: % X (m x n): data matrix including n samples in m-dimensional space; % W (r x m): basis matrix including r bases in m-dimensional space; % H (r x n): coefficients matrix includeing n encodings in r-dimensional space. % Written by Naiyang Guan (ny.guan@gmail.com) % Copyright 2012-2014 by Naiyang Guan and Dacheng Tao % Modified at Jan. 28 2013 % % X : Input data matrix (m x n) % r : Target low-rank % % (Below are optional arguments: can be set by providing name-value pairs) % MAX_ITER : Maximum number of iterations. Default is 1,000. % MIN_ITER : Minimum number of iterations. Default is 10. % MAX_TIME : Maximum amount of time in seconds. Default is 100,000. % W_INIT : (m x r) initial value for W. % H_INIT : (r x n) initial value for H. % LAM_INIT : initial value of smoothness parameter. Default is 1. % MDL_TYPE : Model type (Default is 'PLAIN'), % 'PLAIN' - MahNMF (min{||X-W^T*H||_1,s.t.,W >= 0 and H >= 0}.), % 'BXC' - Box Constrained MahNMF (min{||X-W^T*H||_1,s.t.,1 >= W >= 0 and 1 >= H >= 0}.), % 'MNR' - Manifold Regularized MahNMF % (min{||X-W^T*H||_1+.5*beta*TR(H*Lp*H^T),s.t.,W >= 0 and H >= 0}.), % 'GSP' - Group Sparse MahNMF % (min{||X-W^T*H||_1+.5*beta*\sum_{g\in G}||W^[g]||_{1,p},s.t.,W >= 0 and H >= 0}.), % 'SYM' - Symmetric MahNMF (min{||X-H*H^T||_1,s.t., H >= 0}.). % ALG_TYPE : Algorithm type (Default is 'AGD'), % 'AGD' - Accelerated Gradient Descent, % 'RRI' - Rank-one Residue Iteration. % BETA : Tradeoff parameter over regularization term. Default is 1e-3. % SIM_MTX : Similarity matrix constructed by 'constructW'. % GPP_MTX : Group pattern for boundary of all groups. % TOL_INNR : Stopping tolerance of inner iterations. Default is 1e-2. % TOL_OUTR : Stopping tolerance of outer iterations. Default is 1e-3. % If you want to obtain a more accurate solution, decrease TOL_INNR or TOL_OUTR and increase MAX_ITER at the same time. % VB_OUTR : 0 (default) - No debugging information is collected. % 1 (debugging purpose) - History of computation is returned by 'HIS' variable. % 2 (debugging purpose) - History of computation is additionally printed on screen. % VB_INNR : 0 (default) - No debugging information is collected. % 1 (debugging purpose) - History of computation is returned by 'HIS' variable. % 2 (debugging purpose) - History of computation is additionally printed on screen. % % W : Obtained basis matrix (r x m). % H : Obtained coefficients matrix (r x n). % iter : Number of iterations. % elapse : CPU time in seconds. % HIS : (debugging purpose) History of computation, % niter - total iteration number spent for Nesterov's optimal % gradient method, % cpus - CPU seconds at iteration rounds, % objf - objective function values at iteration rounds, % dlta - stopping criteria of block coordinate descent. % % % >>X=rand(1000,500); % >>ManhNMF(X,10); % >>ManhNMF(X,20,'verbose',1); % >>ManhNMF(X,30,'verbose',2,'w_init',rand(r,m)); % >>ManhNMF(X,5,'verbose',2,'tol_outr',1e-5); % Note: other files 'GetStopCriterion.m', 'ApproxFunC.m', and 'wmedianf.mexw32' should be included under the same % directory as this code.

介绍 目的 本指南描述了用于设置和执行OpenFOAM研究的工作流程，并使用通过集管的水流模拟来说明该方法。 工作流由多个单独讨论的步骤组成。 该研究的目的是评估在不同条件下流体域中形成的压力，速度和温度模式。 该研究包括symmetric-velocity-temperature和asymmetric-velocity-temperature symmetric-velocity-temperature两种情况。 这些案例使用相同的“和“ ，但对入口贴片采用不同的“初始条件”（IC）和“边界条件”（BC），如“部分所述。 平台 这项研究是在具有以下配置的台式工作站上执行的： CPU（ lscpu ）：AMD锐龙7 1800X八核处理器 操作系统（ uname -a ）：Linux nick-AX370-Gaming 5.4.0-26-generic＃30-Ubuntu SMP Mon

N32905 Non-OS 源码 包含了部分外设的代码. 使用KEIL打开

快速 NLM 方法基于积分图像，并在 Darbon 的论文中进行了描述。 一般来说，这种快速实现比经典的 NLM 方法快 10 倍以上。

非本地手段 介绍 在这个项目中，我以幼稚的方式并使用积分图像实现了非局部均值过滤。 这些文件中都对这两种方法进行了解释： 非本地均值降噪 用于块匹配的积分图像 描述 非局部均值算法用于去除图像中的噪点。 我们输入了三件事： 我们要去噪的图像 大小为kxk的内核 wxw大小的窗口 对于图像中的每个像素（我们将要去噪），我们将窗口围绕其居中，通常，该窗口是相当大的，但出于性能方面的考虑，当然不如整个图像大。 然后，对于窗口中的每个像素，我们滑动一个补丁（通常为3x3或5x5），我们要去噪的像素将是图像补丁上的加权和。 整体影像改善 如果我们使用积分图像，则可以加快计算速度。 伦敦大学学院图像处理课程中的Lourdes Agapito教授的图像幻灯片 由于以下公式，我们可以加快计算速度： 图片摘自Wikipedia（ ） 如何使用代码 只需打开Matlab并为完整的图像实现运行nonL

主要讲述了permutation test(置换检验)和Bootstrap 方法的原理和应用，并与t-test比较.PDF来源于某国外教材，质量很可以，非常清晰

matlab lm算法代码多视图三角剖分和非线性优化 描述 在此代码中，实现了使用多视图三角剖分来重建合成多维数据集（由56个点组成）的方法。 多视图三角剖分是2视图三角剖分的直接扩展，您已经在中进行了编码。 与2视图三角剖分类似，使用所有8个视图的投影矩阵并设置Ax = b形式的最小二乘系统，然后使用SVD对其求解。 例如3D点X3必须满足以下约束P1 X3 = x13，P2 X3 = x23，...，P8 * X3 = x83，其中x13表示图像1中X3的2D投影，x23表示图中X3的2D投影图像2，...，x83表示图像8中X3的2D投影。 合成多维数据集的图像以8×2×56（numOfViews×2×56）张量的形式提供给您，命名为cube_imgs.mat。 相应的投影矩阵以名为projMatrices.mat的8×1（numOf V×1）的MATLAB单元数组提供； 两者都存储在MatFilesQues1文件夹中。 非线性最小二乘的Levenberg-Marquardt（LM）算法用于解决非线性最小二乘问题。 结果显示在Report.pdf中

非负矩阵分解（NMF）被证明是一种非常有效的分解方法，可用于数据分析中的降维，并且已广泛应用于计算机视觉，模式识别和信息检索中。 但是，NMF实际上是一种不受监督的方法，因为它无法利用有关数据的先验知识。 在本文中，我们提出了使用图拉普拉斯算子（CNMF-GL）进行约束的非负矩阵分解，该方法不仅利用了几何信息，而且还适当地使用了标签信息来增强NMF。 具体来说，我们期望图的正则化项能够保留原始数据的局部结构，同时具有相同标签和具有不同标签的数据点将具有相应的约束条件。 结果，学习的表示将具有更大的辨别力。 图像聚类的实验结果证明了该算法的有效性。

这段代码只是 Dirk-Jan Kroon 的 matlab 愿景，他发表了 Fast Non-Local Means 1D、2D Color 和 3D（ http://www.mathworks.com/matlabcentral/fileexchange/27395-fast-non-local-means- 1d-2d-color-and-3d ）。