鲁棒几何拟合

该matlab开源源码实现了鲁棒几何拟合的随机聚类模型。该模型由TT Pham、T.-J. Chin、J. Yu 和 D. Suter 提出，通过随机聚类进行几何模型的稳健拟合。相关论文包括： IEEE CVPR会议论文，普罗维登斯，罗德岛，美国，2012年，标题：Random Cluster Model for Geometric Fitting。 IEEE TPAMI期刊文章，2014年，标题：The Random Cluster Model for Robust Geometric Fitting。 其他相关文献：TT Pham, T.-J. Chin, K. Schindler, 和

之前学习统计分析时，整理了一些关于鲁棒回归的 PDF 和 PPT 学习资料，供大家参考。

该软件包提供了一系列鲁棒卡尔曼滤波器的优化实现。每个滤波器均使用固定参数tau（取值介于0和1之间）进行选择，通过容差参数c来调整滤波器的鲁棒性。设计保证在模型扰动下，真实模型落在一个名义球内，其中模型间的Tau散度小于宽容度C。此外，软件包还包含了实际应用示例演示。参考文献：M.佐尔齐，“模型扰动下的鲁棒卡尔曼滤波”；M.佐尔齐，“关于模型不确定性下贝叶斯和维纳估计量的鲁棒性”。

该存储库包含了在2019年欧洲控制会议（ECC）上发表的论文“在机会受限的轨迹规划中使用不确定性数据”的MATLAB源代码。为了重现的模拟和绘图，请在case_study文件夹中导航并运行generatePlotsCaseStudy MATLAB函数。此函数将运行所有必要的模拟并生成所有图表，同时也将以TikZ格式保存在plots文件夹下，以便轻松地包含在LaTeX文档中。任何使用此代码的引用，请务必引用原始论文。

实现了DVTSR算法的PyTorch版本，提升动态运动视频的时间分辨率。我们在ICCVW AIM2019会议上展示了该方法，并在sRGB和Raw-RGB轨道上获得了第二和第三名的成绩。我们使用VTSR数据集进行了模型训练，并提供了MATLAB代码generate_train.m用于生成训练数据。详细的实施依赖于Python 3.6和PyTorch 1.0.0，支持TensorBoardX火炬摘要数据的记录。运行示例：python main_tsr.py --lr 1e-4 --step 2 --cuda True --train_data0 ./train_data0.h5 --train_d

MATLAB精确性检验代码服务器提供了随机优化的鲁棒元算法的MATLAB实现。项目运行前需要安装以下软件包：文件过滤（filters目录）。主要包括不同方法的过滤点：baselineGradient.m，用于删除具有最大梯度的点；baselineLosses.m，删除损失最大点的基线；baselineOracleL2.m，除去具有最大L2范数的点。filterSimple.m是我们的方法，它将渐变投影到顶部的主成分上，并根据其结果大小去除点。SVM部分（svm目录）包括我们的SVM评估的代码和数据，分为Enron数据集和综合数据集两个文件夹。攻击集合保存在diaries目录下，每个数据集根据损

MATLAB分时代码El Topo是一个免费的C++软件包，用于跟踪三角形网格表示的动态表面。它处理拓扑变化（如合并和缩小），同时保持高质量的三角剖分。当前版本包括El Topo库和示例应用程序Talpa的源代码。El Topo已在OS X和Linux上进行了测试，可以免费下载。如需帮助或建议，请通过电子邮件联系我们。

SC - 稀疏分类器，FSC - 快速稀疏分类器，GSC - 群稀疏分类器，FGSC - 快速群稀疏分类器，NSC - 最近子空间分类器，使用SPGL1 - [链接] 进行稀疏化，使用GroupSparseBox - [链接]，更多详情请参阅 [链接]。

在处理受噪声和异常值干扰的数据点时，识别底层模型常导致复杂的多模型拟合问题。提出了一种基于稳健几何模型拟合的快速分割方法，通过将数据点的高阶亲和力投影到图形中，并使用谱聚类进行聚类。为了减少计算成本，引入了一种有效的采样策略，以获取全图的高精度近似。实验结果显示，这种方法在精确性和计算效率上都优于传统的多结构模型拟合技术。

CPSOLA 算法CPSOLA算法是一种基于群体协同行为和自动机学习能力的粒子群优化技术。该算法采用三层协作机制：* 群内协作: 粒子在各自群体内进行信息交流和协作。* 群间协作: 不同群体之间进行信息共享和协作。* 学习自动机: 嵌入式学习自动机负责决策是否进行群间协作。 CPSOLA 算法的结构CPSOLA 算法包含两个活跃的种群：* 主要种群: 粒子分布在所有群体中，每个群体包含搜索空间的多个维度。* 二级种群: 采用常规粒子群优化算法的更新格式。 实验结果在五个基准函数上的实验结果表明，CPSOLA算法具有显著的性能和鲁棒性，其群体协作行为和成功的种群自适应控制能力得到了验证。