提出了一种融合全局和局部深度特征（GLDFB）的视觉词袋模型。通过视觉词袋模型将深度卷积神经网络提取的多个层次的高层特征进行重组编码并融合，利用支持向量机对融合特征进行分类。充分利用包含场景局部细节信息的卷积层特征和包含场景全局信息的全连接层特征，完成对遥感影像场景的高效表达。通过对两个不同规模的遥感图像场景数据集的实验研究表明，相比现有方法，所提方法在高层特征表达能力和分类精度方面具有显著优势。

非局部均值滤波(Non-Local Means，NLM)是一种有效的图像去噪算法．但它仅利用了图像的表面特征而忽略了图像的结构信息，其相似度量标准泛化能力差，相似集合的准确性低．笔者提出一种基于结构相似度(Structure Similarity，SSIM)全参考模型的非局部均值图像去噪方法．由于SSIM能够更好的描述图像块的全局特征和结构特征，基于此模型的相似度量具有较强的泛化能力．实验结果证明，此方法对自然图像的去噪效果优于传统的NLM算法．

以下论文中描述的非局部欧几里得中值 (NLEM) 算法的 MATLAB 实现： [1] KN Chaudhury 和 M. Unser，“非局部欧几里得中位数”，IEEE 信号处理信件，卷。 19，没有。 2012 年 11 月。 当前的实现是为了实验用途，在效率方面远非最佳。 例如，它可以使用 *parfor* 循环进行优化，或使用 mex 代码计算欧几里得中值。

最大似然波达方向(DOA)估计具有最优的理论性能,但是存在计算量过大的问题。为了降低最大似然DOA估计的计算量,将参数估计转化为高维非线性函数的优化问题,并提出了一种新的优化算法。首先利用波束形成法对空间谱进行预估计并根据空间谱信息构造一组满足"预估分布"的初始解,这组初始解以较大概率落在全局最优解的局部吸引域中。然后将其中适应度最大的一个初始解作为局部搜索的起点。网格爬山法是一种以网格为单元的局部搜索方法,比传统爬山法更加高效和稳定,因此采用该方法获取全局最优解。新算法不仅能够得到精确的参数估计,同时具有较高的计算效率,计算机仿真显示新算法的计算效率高于基于粒子群优化的最大似然DOA估计算法。

确定从等间距电极的线性阵列获得的一组电压轨迹的一维（空间）电流源密度 (CSD)。 CSD 可以使用标准 CSD 方法（Nicholson & Freeman, 1975, J Neurophysiol, 38(2): 356-68）或逆 (delta) CSD 方法（Petterson 等人，2006，J Neurosci Methods，154 (1-2):116-33)。 函数脚本中包含有关如何使用该函数的完整说明。 任何错误/错误的建议或迹象将非常受欢迎。

通过局部传播进行图像滤波的边缘感知梯度域优化框架

针对图像中相似冗余背景造成的显著目标识别的干扰问题，提出了一种基于超像素的冗余信息抑制的显著目标检测方法。首先,引入超像素的概念，利用超像素优化的空间特征分割图像，获取图像的相似区域；其次,为消除像素间的相关性，计算超像素的香农熵来表示图像的像素信息，并据此建立图像的信息图，最后,为了更有效地去除图像中的相似信息，利用自相似性抑制方法克服冗余信息，建立高效的图像显著图。最后的仿真结果表明, 所提算法与传统方法相比，不仅可以准确识别显著目标，而且可以更有效地抑制背景中的冗余信息。

利用模拟退火-粒子群算法进行全局路径规划后，设置动态障碍物进行DWA局部规划，仅是将两种方法进行融合，没什么难度一看就会，详细讲解请移步至https://blog.csdn.net/weixin_53293018/article/details/129802545?spm=1001.2014.3001.5501

针对标准粒子群算法(PSO)全局与局部搜索能力相互制约的缺点,提出一种带有独立局部搜索机制、多区域搜索策略和渐近收敛能力的新型PSO算法(ILS-PSO).设计新的简化参数的全局搜索公式、非劣解邻域局部搜索公式和当前最优解邻域深度搜索公式,使算法具备独立的全局与局部搜索能力.通过参数xi$和\lambda$ 协调算法的全局与局部搜索能力,以实现算法的多区域搜索和渐近式收敛.典型函数及其偏移函数的对比测试结果表明,ILS-PSO算法具有良好的优化性能,其综合性能优于其他对比算法.

周围计算matlab代码DLORE-DP Dense Members of Local Cores-based Density Peaks Clustering Algorithm DLORE_DP.m 的 matlab 代码和合成数据集包括 DLORE-DP 算法（手稿的算法 4），CoreSearch_supk.m 包括算法 2 和算法 3。使用 DP.m集群本地核心。 drawcluster2 用于绘制聚类结果。 SNNDPC2.m 包含我们在实验中比较的 SNN-DPC 算法。 合成数据集 pacake 包括我们在实验中使用的合成数据集