本书是国内多源信息融合领域的基础教材（印刷质量极好），内容详细，由浅入深，能够让读者全面了解数据融合技术并实现实践应用。
希望能为相关领域行业内的朋友们提供协助！！
希望能为相关领域行业内的朋友们提供协助！！
2020/9/14 21:42:32
50.83MB
1
OpenCV实现IHS简单图像融合文件中包括设计实验的整个流程引见和实验环境的搭建，可以作为opencv+vs2013在window7x64操作系统上的入门参考资料；
本资料主要含有IHS变换基本数据融合算法的实现代码和实验图像数据，此外还包含参考的两篇论文资料，是图像处理入门实践的基础。
本资料主要含有IHS变换基本数据融合算法的实现代码和实验图像数据，此外还包含参考的两篇论文资料，是图像处理入门实践的基础。
2018/9/22 2:29:31
1.56MB
1
SLAM导航机器人零基础实战系列-第3章_感知与大脑在我的想象中机器人首先应该能自由的走来走去，然后应该能流利的与主人对话。
朝着这个理想，我准备设计一个能自由行走，并且可以与人语音对话的机器人。
实现的关键是让机器人能通过传感器感知周围环境，并通过机器人大脑处理并输出反馈和执行动作。
本章节涉及到的传感器有激光雷达、IMU、轮式里程计、麦克风、音响、摄像头，和用于处理信息的嵌入式主板。
关于传感器的ROS驱动程序开发和在机器人上的使用在后面的章节会展开，本章节重点对机器人传感器和嵌入式主板进行讲解，主要内容：1.ydlidar-x4激光雷达2.带自校准九轴数据融合IMU惯性传感器3.轮式里程计与运动控制4.音响麦克风与摄像头5.机器人大脑嵌入式主板功能对比6.做一个能走路和对话的机器人
朝着这个理想，我准备设计一个能自由行走，并且可以与人语音对话的机器人。
实现的关键是让机器人能通过传感器感知周围环境，并通过机器人大脑处理并输出反馈和执行动作。
本章节涉及到的传感器有激光雷达、IMU、轮式里程计、麦克风、音响、摄像头，和用于处理信息的嵌入式主板。
关于传感器的ROS驱动程序开发和在机器人上的使用在后面的章节会展开，本章节重点对机器人传感器和嵌入式主板进行讲解，主要内容：1.ydlidar-x4激光雷达2.带自校准九轴数据融合IMU惯性传感器3.轮式里程计与运动控制4.音响麦克风与摄像头5.机器人大脑嵌入式主板功能对比6.做一个能走路和对话的机器人
2017/2/20 21:54:52
4.17MB
1
移动代理已广泛用于无线传感器网络并进行数据融合。
该文将移动代理用于簇成员节点间进行数据收集并进行数据融合,并提出了基于精度的量化编码的数据融合算法。
该算法无效减少了冗余数据,提高了传输速率,延长了无线传感器网络的寿命,并将其应用到森林防火中去。
该文将移动代理用于簇成员节点间进行数据收集并进行数据融合,并提出了基于精度的量化编码的数据融合算法。
该算法无效减少了冗余数据,提高了传输速率,延长了无线传感器网络的寿命,并将其应用到森林防火中去。
2020/2/24 14:08:33
896KB
1
针对矿井灾祸事故后的人员疏散和实施救援等问题,建立矿井巷道网络模型,给出一种在三维空间中进行搜索的启发式函数设计思路。
根据该思路进行数据结构设计,以改进A*算法,并利用模糊逻辑的数据融合技术得到巷道的综合权值,将综合权值与改进的A*算法相结合,完成对矿井灾祸应急救援最短时间的路径求取,加快了系统运算速度,提高了救援效率。
根据该思路进行数据结构设计,以改进A*算法,并利用模糊逻辑的数据融合技术得到巷道的综合权值,将综合权值与改进的A*算法相结合,完成对矿井灾祸应急救援最短时间的路径求取,加快了系统运算速度,提高了救援效率。
2018/6/10 20:23:58
252KB
1
本文采用两种改进的算法:基于HSV的小波融合算法(HSV-WT)、基于区域特征的自适应小波包融合算法(AWP)分别对多光谱LandSatTM数据与全色SPOT-5数据、TM数据与ERS-2的合成孔径雷达SAR数据进行融合.融合结果表明两种改进算法融合后的数据在保持光谱信息和提高空间细节信息两方面均得到提高.当应用两种方法对同一组数据进行处理时,AWP的功能参数优于HSV-WT.这两种算法相对传统小波算法,能克服对高频信息处理的缺陷,突破待融合数据的分辨率比值限制,实现分辨率之比非2n的数据融合.
2019/7/10 3:36:03
1.85MB
1
数据融合matlab代码自适应加权学习网络的轻量图像超分辨率王朝峰，李振和石军，“具有自适应加权学习网络的轻量图像超分辨率”，该代码基于依存关系的Python3.5PyTorch＞=0.4.0麻木skimage意象matplotlibtqdm代码 gitclonegit@github.com:ChaofWang/AWSRN.git cdAWSRN抽象的近年来，深度学习已以出色的功能成功地应用于单图像超分辨率（SISR）任务。
但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。
在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。
在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。
此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。
AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分
但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。
在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。
在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。
此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。
AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分
2018/6/1 12:43:36
3.95MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB