由于医学图像会同时含有物体边缘、物体阴影与噪声, 针对于医学图像边缘检测中很难从噪音或者微小几何特征中区分出精确边缘的问题, 本文提出了一种基于超熵的检测嘈杂医学图像边缘的算法，引入超熵系数,通过适当确定超熵的参数值，不仅可以抑制噪声，还可以适应图像的不同边缘检测。通过试验，发现所提出的算法相对于其他方法性能具有明显的提高,运行时间缩短至80%。

该脚本通过 Kozachenko-Leonenko 方法计算一维日期的熵点估计。

信息熵概念与公式表及在NLP上的含义：包含名称、节点、信息论含义、NLP含义、公式

图像的霍夫曼编码，MATLAB程序，可以直接运行，求图像的平均码长，信息熵

基于模糊熵的运动想象脑电信号特征提取

采用偏最小二乘法，各种kalman滤波器的设计，基于负熵最大的独立分量分析。

该资源为试用版代码~ 一行代码快速实现特征提取！ 理论讲解：https://blog.csdn.net/fengzhuqiaoqiu/article/details/124979190?spm=1001.2014.3001.5501 function fea = genFeatureEn(data,featureNamesCell,options) % 特征提取函数 % 输入： % data：待特征提取的时域信号，可以是二维数据，行列方向不可出错 % options：其他设置，使用结构体的方式导入。 % featureNamesCell：拟进行特征提取的特征名称，该变量为cell类型，其中包含的特征名称为字符串，特征名称需要在下边列表中： % 目前支持的特征（2022.7.10，共8种）： % psdE：功率谱熵 % svdpE：奇异谱熵 % eE：能量熵 % ApEn：近似熵 % SampleEn：样本熵 % FuzzyEn：模糊熵 % PerEn：排列熵

基于挖掘分析影响学生学习效果主因素为目的，采用了能够对数据进行挖掘分析并直观展示结果的决策树技术方法，通过某班学生某门课程的学习信息数据进行挖掘分析的试验，采用ID3和C4.5算法生成决策树，并使用后剪枝技术精简决策树，最终找出决定本门课程学习效果的主要因素-考勤。从而为分析学生学习情况，给予个性化提示与指导提供有效的建议。

交叉熵损失函数 python实现源码 focal_loss.py 实际工程项目所用，可供学习参考！

matlab开发-基于谱熵的神经网络同步分析工具。该算法计算了基于相关谱熵的函数连通性。