ContentsSection I FundamentalsChapter 1 Introduction1.1 Practical Needs for Image and Video Compression1.2 Feasibility of Image and Video Compression1.2.1 Statistical Redundancy1.2.2 Psychovisual Redundancy1.3 Visual Quality Measurement 1.3.1 Subjec
TITLE: New Theoretical Results on Channelized Hotelling Observer Performance Estimation With Known Difference of Class Means Abstract—Task-based assessments of image quality constitute a rigorous, principled approach to the evaluation of imaging sys
典型的网格系统Globus和Web Services,由于其服务器发布、发现均采用集中式模型,可扩展性差且存在单点失效问题,因此有许多研究者利用P2P技术构建面向服务的Grid架构(SOA)。大部分P2P-Grid架构,或是为减少中央服务器工作负担,在结构中使用Peer to Peer数据传输方式,各个节点在中央服务器注册、交互信息,只在任务传输中应用P2P传输;或如当前大多数研究,使用P2P算法进行资源搜索操作,仅从体系结构角度,在Grid众多模块中的资源管理模块引入P2P,而其中的P2P算
$DEBUG C THIS IS A GROGRAM FOR CANONCAL CORRELATION ANALYSIS AND FORECASTING C BY USING HOTELLING CRITERION PARAMETER(N=46,NN=0,M1=3,M2=3,M=6) C PROGRAM CCAF
核主元分析KPCA的降维特征提取以及故障检测应用-KPCA_v2.zip 本帖最后由 iqiukp 于 2018-11-9 15:02 编辑 核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用。主要功能有：（1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 参考文献： Lee J M, Yoo C K, Choi S W, et al.
核主元分析KPCA的降维特征提取以及故障检测应用-data.rar 本帖最后由 iqiukp 于 2018-11-9 15:02 编辑 核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用。主要功能有：（1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 参考文献： Lee J M, Yoo C K, Choi S W, et al. Non
