基于MATLAB的汽车路面不平度重构方法研究.pdf

火灾探测图像数据集 该数据集包含普通图像和带火焰的图像。 应对现实世界是高度不平衡的。 它包括各种场景和不同的火灾情况（强度，光度，大小，环境等）。

介绍路面不平度测量及表示方法，包括白噪声滤波，2D/3D路面及用于平顺性分析的随机不平路面。

2021年全球不平等调查报告（英）.pdf.pdf

此代码实现了 RUSBoost。 RUSBoost 是一种处理具有离散类标签的数据中的类不平衡问题的算法。 它结合使用 RUS（随机欠采样）和标准提升程序 AdaBoost，通过删除多数类样本来更好地对少数类进行建模。 它与 SMOTEBoost 非常相似，后者是另一种结合了 boosting 和数据采样，但声称通过随机欠采样 (RUS) 实现目标多数类的例子。 这种方法导致算法更简单，模型训练时间更快。 目前RUSBoost的实现已经由作者独立完成以研究为目的。 为了让用户使用很多不同的用于提升的弱学习器，使用 Weka API 创建了一个接口。 目前，四种 Weka 算法可以用作弱学习器：J48、SMO、IBk、Logistic。 它使用 10 次 boosting 迭代，并通过删除多数类在每次 boosting 迭代中实现 35:65（少数：多数）的类不平衡比样品。 有关该算法

smote采样matlab代码MV-LEAP 基于多视图学习的数据增殖器 (MV-LEAP)，用于使用由 Olfa Graa 创建的高度不平衡的类来促进分类。 请联系查询。 谢谢。 单击此处显示主图： 介绍 这项工作已发表在 2019 年神经科学方法杂志上。 MV-LEAP 是一个用于促进不平衡多视图数据分类的框架。 MV-LEAP 包含两个关键步骤，用于解决分类任务中的两个主要机器学习问题： 问题 1：训练数据不平衡。 提议的解决方案 ==>基于流形学习的增殖器，它能够为每个视图生成合成数据，被提议用于处理不平衡的数据。 问题 2：要学习的输入多视图数据的异质性。 建议的解决方案 ==> 提出了一种利用张量规范相关分析的多视图流形数据对齐，将所有原始（即基本事实）和增殖（即合成）视图映射到共享子空间中，其中它们的分布针对目标分类对齐任务。 更多细节可以在:) 或 在这个存储库中，我们发布了 MV-LEAP 源代码，该源代码在从 4 个高斯分布中提取的模拟异构多视图数据集上训练和测试，如下所示： 比较方法和MV-LEAP（我们的）的分类结果如下所示： 安装 该框架是在 Matlab R

用于点云平面拟合程序测试，此为三维不平整表面点云（.obj格式），相关代码请见本人博客，供大家交流学习使用

QC T 242-2014 汽车车轮静不平衡量.pdf

基于SNP的连锁不平衡分析，第四军医大刘智广老师的PPT教程，很详细

解决分类中的不平衡问题，ADASYN算法的matlab程序，里边附带测试代码帮助了解用法