搜索资源列表
-
0下载：
本文提出了一种新的跨国家的障碍
检测技术为基础的立体视觉系统。
原始图像的预处理的高斯
过滤器和对比度限制的自适应直方图
均衡（ CLAHE ）方法来削弱作用 噪音，光线和对比度。哈里斯的角落位于与子像素精确。
-Cross-country intelligent vehicles always work in
complicated environments with varying illuminations.
The paper presents a n
-
-
0下载：
第二篇 文件操作
实例24 文件加密（1）
实例25 文件加密（2）
实例26 批处理程序的加密
实例27 给自己的程序加上行号
实例28 文件分割程序
实例29 删除目录树
实例30 显示系统文件表
实例31 显示一个目录的存储内容
实例32 递归读取磁盘文件
实例33 C语言直接读取FoxPro的.DBFYYWR
实例34 用索引文件读取数据项
实例35 加密数据库
第三篇 系统调用
实例36 用C语言内嵌汇编语言实现
-
-
0下载：
用来产生多变量高斯过程的MATLAB源程序。-MULTI_GP generates a multivariate Gaussian random process with mean vector m (column vector) and covariance matrix C。
-
-
0下载：
对lena.map先分块处理，然后做cs变换，观测矩阵用随机高斯矩阵，重构算法用l1算法-On lena.map first block processed, and then do cs transform, random Gaussian matrix with the observation matrix, reconstruction algorithm algorithm using l1
-
-
0下载：
randgen(mu,mu1,mu2,cov1,cov2,cov3) = Random generation of Gaussian Samples
in d-dimensions where d = 2
mu, mu1, mu2 = (x,y) coordinates(means) that the gaussian samples are centered around
cov1, cov2, cov3 are the covariance matrices and will v
-
-
0下载：
对256×256大小的8bit灰度lena图像进行仿真计算，稀疏矩阵采用DCT矩阵，观测矩阵采用高斯随机矩阵，重构算法采用OMP（正交匹配追踪）算法。
-256256 size 8bit grayscale lena image simulation, sparse matrix DCT matrix, and observation matrix using Gaussian random matrix reconstruction algorithm using OMP (orthogo
-
-
0下载：
压缩感知CS——采用小波变换进行稀疏表示，高斯随机矩阵为观测矩阵，重构算法为ILRS算法，对256*256的lena图处理，比较原图和IRLS算法在不同采样比例(0.74、0.5、0.3)下的重构效果，并各运行50次，比较算法性能PSNR和每次的运行时间-Compressed sensing CS- using wavelet transform as sparse representation, Gaussian random matrix as the observation matrix
-
-
0下载：
压缩感知CS——采用小波变换进行稀疏表示，高斯随机矩阵为观测矩阵，重构算法为OMP算法，对256*256的lena图处理，比较原图和OMP算法在不同采样比例(0.74、0.5、0.3)下的重构效果，并各运行50次，比较算法性能PSNR和每次的运行时间
-Compressed sensing CS- using wavelet transform as sparse representation, Gaussian random matrix as the observation matrix
-
-
1下载：
压缩感知CS——采用小波变换进行稀疏表示，高斯随机矩阵为观测矩阵，重构算法为SP算法，对256*256的lena图处理，比较原图和SP算法在不同采样比例(0.74、0.5、0.3)下的重构效果，并各运行50次，比较算法性能PSNR和每次的运行时间-Compressed sensing CS- using wavelet transform as sparse representation, Gaussian random matrix as the observation matrix and
-
-
0下载：
压缩感知CS——采用小波变换进行稀疏表示，高斯随机矩阵为观测矩阵，重构算法为ROMP算法，对256*256的lena图处理，比较原图和ROMP算法在不同采样比例(0.74、0.5、0.3)下的重构效果，并各运行50次，比较算法性能PSNR和每次的运行时间
-Compressed sensing CS- using wavelet transform as sparse representation, Gaussian random matrix as the observation matr
-
-
2下载：
压缩感知CS——采用小波变换进行稀疏表示，高斯随机矩阵为观测矩阵，重构算法为SL0算法，对256*256的lena图处理，比较原图和SL0算法在不同采样比例(0.74、0.5、0.3)下的重构效果，并各运行50次，比较算法性能PSNR和每次的运行时间
-Compressed sensing CS- using wavelet transform as sparse representation, Gaussian random matrix as the observation matrix
-
-
1下载：
对256*256大小的8bit灰度lena图像进行仿真
将图像分为16*16的分块进行计算
稀疏矩阵采用DCT矩阵，观测矩阵采用高斯随机矩阵，重构采用OMP算法- 256* 256 size lena image simulation 8bit grayscale image is divided into 16 * 16 calculate block sparse matrix using DCT matrix, observation matrix using Ga
-
-
1下载：
压缩感知，稀疏表示采用小波基表示，压缩测量采用随机高斯矩阵，重构算法是omp重构-Compressed sensing, sparse representation using wavelet representation, compression measurements using random Gaussian matrix remodeling reconstruction algorithm is omp
-
-
0下载：
包含压缩传感的随机矩阵程序，如小波变换和高斯随机矩阵和omp重构算法-Random matrix containing the compressed sensing programs, such as wavelet transform and Gaussian random matrices and omp reconstruction algorithm
-
-
0下载：
应用正交匹配追踪求解等式y=Ax,要求：
待求x是稀疏向量，A为高斯随机矩阵
调用形式：x = myomp(A,y,err)
A -线性投影矩阵；
y -投影向量
err -所需精度-apply Orthogonal matching pursuit to solve the equation y = Ax,
requirements:
the unknown x is sparse vector,
A is a Gaussian random.
ca
-
-
0下载：
应用傅立叶变换矩阵对信号进行稀疏,经高斯随机观测矩阵观测,经正交匹配追踪算法重构.压缩感知入门程序-The Fourier transform matrix is used to spill the signal. Observed by Gaussian random observation matrix and reconstructed by orthogonal matching tracing algorithm. Compression Sensing Getting Started
-
-
1下载：
（a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。
（b）在上述数据集上运用感知器算法，并且使用不同的初始向量初始化参数向量。
（c）测试每一次算法在和上的性能。
（d）画出数据集和，以及分类面。((a) Generate
-
-
2下载：
a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。
（b）在上述数据集上和分别属于+1类和-1类，请在上述数据集的两类中各随机抽取150个样本作为训练集，运用Logistic regression算法得到的分类面，然后对余下的各5
-
