此函数可在 2D 表面上查找凹陷。 它的目的是模拟模拟地质表面上液体池的形成（湖泊在洼地中汇集）。 用法： [dMask, dDepths] = findDepressions(heights) 返回凹陷所在位置的逻辑掩码和这些凹陷的深度。

聚类马氏距离代码MATLAB SDCOR 用于大规模数据集中局部离群值检测的可扩展的基于密度的聚类 作者： Sayyed-Ahmad Naghavi-Nozad，Maryam Amir Haeri和Gianluigi Folino 目录 抽象的： 本文提出了一种基于批量密度的聚类方法，用于大规模数据集中的局部离群值检测。 与众所周知的假定所有数据都驻留在内存中的传统算法不同，我们提出的方法具有可伸缩性，并且可以在有限的内存缓冲区范围内逐块处理输入数据。 在第一阶段建立一个临时的聚类模型； 然后，通过分析点的连续内存负载来逐步更新它。 随后，在可伸缩聚类结束时，获得原始聚类的近似结构。 最后，通过对整个数据集的另一次扫描并使用适当的标准，将偏远评分分配给称为SDCOR（基于可伸缩密度的​​聚类离群值比率）的每个对象。 对现实生活和综合数据集的评估表明，与需要将所有数据加载到内存中的最著名的传统基于密度的方法相比，该方法具有较低的线性时间复杂度，并且更加有效。 还有一些基于快速距离的方法，这些方法可以对磁盘中驻留的数据执行操作。 框架： 更详细地，所提出的方法包括三个主要阶段。 在第一阶段

【厂房楼】某五层局部六层工业厂房毕业设计（建筑结构图、计算书等资料）.zip

包含机器学习中的线性回归，包含了最佳拟合线性回顾，局部加权线性回归，岭回归以及前向逐步线性回归等算法的数据集以及代码实现。

Spark-LSH 局部敏感哈希。 主要是的 PySpark 端口。 先决条件 火花 1.2+ Python 2.7+ SciPy 0.15+ NumPy 1.9+ 实施细则 该项目遵循 spark-hash Scala LSH 实现的主要工作流程。 它的核心lsh.py模块接受 RDD 支持的密集 NumPy 数组或 PySpark SparseVectors 列表，并生成一个模型，该模型只是对生成的所有中间 RDD 的包装。 下面将详细介绍每个步骤。 重要的是要注意，虽然这个管道将接受密集或稀疏向量，但来自的原始哈希函数几乎肯定会因密集向量而失败，导致所有向量都被散列到所有波段中。 目前正在开展工作以实现更均匀地分割密集向量的替代哈希函数。 对于稀疏情况，结果与的结果重复。 用法 用法遵循 spark-hash 项目的用法。 参数保持不变。 参数 命令行参数： --bins

正确的视盘(OD)定位和分割是糖尿病视网膜病变自动筛选系统中的两个主要步骤.鉴于此,提出一种基于显著性目标检测和改进局部高斯分布拟合(LGDF)模型的视神经盘分割方法.该方法主要包含两个阶段:第一阶段,将显著性检测技术应用到增强的视网膜图像中实现视盘的自动定位;第二阶段,通过增加椭圆约束信息来改进局部高斯分布拟合(LGDF)模型分割视盘边界.使用公开数据库Diaretdbq对所提出方法的性能进行测试,并与其他先进的方法进行对比,结果验证了所提出方法的优越性和有效性.

提出了一种基于局部特征分析的多聚焦图像融合方法。首先采用二维经验模式分解（BEMD）对不同聚焦图像进行分解，得到多个内蕴模函数（IMF）分量，然后提取出第一个IMF分量的统计信息作为图像融合的依据，对多张不同聚焦的图像进行融合，得到最终的融合图像。实验结果表明，本文提出的均值IMF方案与其他方案相比，具有较高的融合质量和较低的计算复杂度。

为了改善差分进化粒子群算法的局部搜索能力和收敛速度，提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化，并且将混沌变异操作引入其中，加强算法的局部搜索能力。通过对三个标准函数进行测试，仿真结果表明该算法与DEPSO算法相比，全局搜索能力、抗早熟收敛性能及收敛速度大大提高。

单眼视觉测程 具有4个组成部分的单眼视觉里程表（VO）：初始化，跟踪，局部地图和束调整。 阅读《灌篮高手》后，我做了这个项目。 这也是我于2019年3月在NWU开设的EESC-432 Advanced Computer Vision课程的最终项目。 演示： 在上图中： 左侧是视频和检测到的关键点。 右侧是与左侧视频相对应的摄像机轨迹：白线来自VO；白线来自VO。 绿线是事实。 白线上的红色标记是关键帧。 点是地图点，其中红色的点是新三角剖分的。 您可以在此处下载。 报告 我的pdf版本课程报告在。 与本自述文件相比，它对算法的描述更为清晰，因此我建议阅读。 目录 1.算法 通过以下过程/算法来实现此VO： 1.1。 初始化 估计相对相机姿势： 给定视频，将第一帧（图像）设置为参考，并与第二帧进行特征匹配。 计算两个帧之间的基本矩阵（E）和单应矩阵（H）。 用的方法计算它们的对称传递误差，然后选择更好的一个（即，如果H /（E + H）> 0.45，则选择H）。 将E或H分解为两个帧之间的相对姿势，即旋转（R）和平移（t）。 通过使用OpenCV，E给出1个结果，H给出2个结果，满

此 Simulink 模型是基于平衡点周围的局部线性化模型来说明非线性设备的 GPC 控制。 非线性设备是在论文“Constrained Pole Assignment Control of a Two Tank System”，2014 年第 15 届国际喀尔巴阡控制会议 (ICCC)，pp.52-57 中描述的双槽系统。 输出为罐 2 的液位。未观察罐 1 的液位。 它由以下文件组成： TwoTank.mdl：Simulink 模型T2Tank.m : 工厂的 S 函数T2TankControl.m : 控制器的 S 功能GPCcoef.m : 一个计算 GPC 系数的函数我的论文“一种新的类似 DMC 的 GPC 实现” Radial.m : 一个简单的函数来计算 sign(x)sqrt(|x|) 用户可以尝试修改这里作为参考信号的阶跃函数的最终值（一定不要偏离平衡太多，因为