art演算法

A. 交友art是什麼意思

有以下意思。
art有多種義項，包括英語單詞、代數重建法、應用軟體、搜維爾合作夥伴、自適應共振理論等。Art英語翻譯過來的意思是：藝術。代數重建法指的是：針對ART()演算法重建圖像中投影系數是影響重建速度和重建質量的主要因素,提出一種快速計算投影系數的方法。該方法由射線出發,根據射線與網格相交的不同情況,分類快速求解投影系數。同時利用平行射束下射線的相關性與對稱性,避免大量重復計算,節省了計算時間。模擬實驗選用Shepp-Logan模型,結果表明該方法快速有效。交友有三個原則：（不要搶說話），（不要有話不說），（沒眼色，不要閉眼說話），過猶不及。選擇一個什麼樣的朋友，就是選擇了一種什麼樣的生活方式。

朋友相交，貴在知心。真正的好朋友應該是患難與共，也就是當你需要的時候，他隨時都會伸出友誼的手。所以朋友的定義應該是：一要難予能予，二是難作能作，三是難忍能忍，四是密事相語，五是不揭彼過，六是遭苦不舍，七是貧賤不輕。

B. matlab 小波閾值去噪 求高手賜教！

MATLAB中實現了信號的閾值去噪，主要包括閾值去噪和閾值獲取兩方面。

1.閾值獲取
MATLAB中實現閾值獲取的函數有ddencmp、thselect、wbmpen和wwdcbm，下面對它們的用法進行簡單的說明。

ddencmp的調用格式有以下三種：
（1）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,IN2,X)
（2）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,'wp',X)
（3）[THR,SORH,KEEPAPP,CRIT]=ddencmp(IN1,'wv',X)
函數ddencmp用於獲取信號在消噪或壓縮過程中的默認閾值。輸入參數X為一維或二維信號；IN1取值為'den'或'cmp'，'den'表示進行去噪，'cmp'表示進行壓縮；IN2取值為'wv'或'wp'，wv表示選擇小波，wp表示選擇小波包。返回值THR是返回的閾值；SORH是軟閾值或硬閾值選擇參數；KEEPAPP表示保存低頻信號；CRIT是熵名（只在選擇小波包時使用）。

函數thselect的調用格式如下：
THR=thselect(X,TPTR);
THR=thselect(X,TPTR)根據字元串TPTR定義的閾值選擇規則來選擇信號X的自適應閾值。
自適應閾值的選擇規則包括以下四種：
*TPTR='rigrsure'，自適應閾值選擇使用Stein的無偏風險估計原理。
*TPTR='heursure'，使用啟發式閾值選擇。
*TPTR='sqtwolog'，閾值等於sqrt(2*log(length(X))).
*TPTR='minimaxi'，用極大極小原理選擇閾值。
閾值選擇規則基於模型 y = f(t) + e，e是高斯白雜訊N(0,1)。

函數wbmpen的調用格式如下：
THR=wbmpen(C,L,SIGMA,ALPHA);
THR=wbmpen(C,L,SIGMA,ALPHA)返回去噪的全局閾值THR。THR通過給定的一種小波系數選擇規則計算得到，小波系數選擇規則使用Birge-Massart的處罰演算法。{C,L]是進行去噪的信號或圖像的小波分解結構；SIGMA是零均值的高斯白雜訊的標准偏差；ALPHA是用於處罰的調整參數，它必須是一個大於1的實數，一般取ALPHA=2。
設t*使crit(t)=-sum(c(k)^2,k<=t) + 2 * SIGMA^2 * t*(ALPHA+log(n/t))的最小值，其中c(k)是按絕對值從大到小排列的小波包系數，n是系數的個數，則THR=|c(t*)|。
wbmpen(C,L,SIGMA,ALPHA,ARG)計算閾值並畫出三條曲線。
2 * SIGMA^2 * t*(ALPHA+log(n/t))
sum(c(k)^2, k<=t)
crit(t)

wdcbm的調用格式有以下兩種：
（1）[THR,NKEEP]=wdcbm(C,L,ALPHA);
（2）[THR,NKEEP]=wdcbm(C,L,ALPHA,M);
函數wdcbm是使用Birge-Massart演算法獲取一維小波變換的閾值。返回值THR是與尺度無關的閾值，NKEEP是系數的個數。[C,L]是要進行壓縮或消噪的信號在j=length(L)-2層的分解結構；LAPHA和M必須是大於1的實數；THR是關於j的向量，THR（i)是第i層的閾值；NKEEP也是關於j的向量，NKEEP(i)是第i層的系數個數。一般壓縮時ALPHA取1.5，去噪時ALPHA取3.

2.信號的閾值去噪
MATLAB中實現信號的閾值去噪的函數有wden、wdencmp、wthresh、wthcoef、wpthcoef以及wpdencmp。下面對它們的用法作簡單的介紹。

函數wden的調用格式有以下兩種：
（1）[XD,CXD,LXD]=wden(X,TPTR,SORH,SCAL,N,'wname')
（2）[XD,CXD,LXD]=wden(C,L,TPTR,SORH,SCAL,N,'wname')
函數wden用於一維信號的自動消噪。X為原始信號，[C,L]為信號的小波分解，N為小波分解的層數。
THR為閾值選擇規則：
*TPTR='rigrsure'，自適應閾值選擇使用Stein的無偏風險估計原理。
*TPTR='heursure'，使用啟發式閾值選擇。
*TPTR='sqtwolog'，閾值等於sqrt(2*log(length(X))).
*TPTR='minimaxi'，用極大極小原理選擇閾值。
SORH是軟閾值或硬閾值的選擇（分別對應's'和'h'）。
SCAL指所使用的閾值是否需要重新調整，包含下面三種：
*SCAL='one' 不調整；
*SCAL='sln' 根據第一層的系數進行雜訊層的估計來調整閾值。
*SCAL='mln' 根據不同的雜訊估計來調整閾值。
XD為消噪後的信號，[CXD,LXD]為消噪後信號的小波分解結構。格式（1）返回對信號X經過N層分解後的小波系數進行閾值處理後的消噪信號XD和信號XD的小波分解結構[CXD,LXD]。格式（2）返回參數與格式（1）相同，但其結構是由直接對信號的小波分解結構[C,L]進行閾值處理得到的。

函數wdencmp的調用格式有以下三種：
(1)[XC,CXC,LXC,PERF0,PERFL2]=wdencmp('gbl',X,'wname',N,THTR,SORH,KEEPAPP);
(2)[XC,CXC,LXC,PERF0,PERFL2]=wdencmp('lvd',X,'wname',N,THTR,SORH);
(3)[XC,CXC,LXC,PERF0,PERFL2]=wdencmp('lvd',C,L,'wname',N,THTR,SORH);
函數wdencmp用於一維或二維信號的消噪或壓縮。wname是所用的小波函數，gbl(global的縮寫)表示每一層都採用同一個閾值進行處理，lvd表示每層採用不同的閾值進行處理，N表示小波分解的層數，THR為閾值向量，對於格式（2）和（3）每層都要求有一個閾值，因此閾值向量THR的長度為N，SORH表示選擇軟閾值或硬閾值（分別取值為's'和'h'），參數KEEPAPP取值為1時，則低頻系數不進行閾值量化，反之，低頻系數要進行閾值量化。XC是要進行消噪或壓縮的信號，[CXC,LXC]是XC的小波分解結構，PERF0和PERFL2是恢復或壓縮L^2的范數百分比。如果[C,L]是X的小波分解結構，則PERFL2=100*(CXC向量的范數/C向量的范數)^2；如果X是一維信號，小波wname是一個正交小波，則PERFL2=100||XC||^2/||X||^2。

函數wthresh的調用格式如下：
Y=wthresh(X,SORH,T)
Y=wthresh(X,SORH,T) 返回輸入向量或矩陣X經過軟閾值（如果SORH='s'）或硬閾值（如果SORH='h'）處理後的信號。T是閾值。
Y=wthresh(X,'s',T)返回的是Y=SIG(X)*(|X|-T)+，即把信號的絕對值與閾值進行比較，小於或等於閾值的點變為零，大於閾值的點為該點值與閾值的差值。
Y=wthresh(X,'h',T)返回的是Y=X*1(|X|>T)，即把信號的絕對值和閾值進行比較，小於或等於閾值的點變為零，大於閾值的點保持不變。一般來說，用硬閾值處理後的信號比用軟閾值處理後的信號更粗糙。

函數wthcoef的調用格式下面四種：
（1）NC=wthcoef('d',C,L,N,P)
（2）NC=wthcoef('d',C,L,N)
（3）NC=wthcoef('a',C,L)
（4）NC=wthcoef('t',C,L,N,T,SORH)
函數wthcoef用於一維信號小波系數的閾值處理。
格式（1）返回小波分解結構[C,L]經向量N和P定義的壓縮率處理後的新的小波分解向量NC，[NC,L]構成一個新的小波分解結構。N包含被壓縮的細節向量，P是把較小系數置0的百分比信息的向量。N和P的長度必須相同，向量N必須滿足1<=N(i)<=length(L)-2。
格式（2）返回小波分解結構[C,L]經過向量N中指定的細節系數置0後的小波分解向量NC。
格式（3）返回小波分解結構[C,L]經過近似系數置0後的小波分解向量NC。
格式（4）返回小波分解結構[C,L]經過將向量N作閾值處理後的小波分解向量NC。如果SORH=』s『，則為軟閾值；如果SORH='h'則為硬閾值。N包含細節的尺度向量，T是N相對應的閾值向量。N和T的長度必須相等。

函數wpdencmp的調用格式有以下兩種：
（1）[XD,TREED,PERF0,PERFL2]=wpdencmp(X,SORH,N,'wname',CRIT,PAR,KEEPAPP)
（2）[XD,TREED,PERF0,PERFL2]=wpdencmp(TREE,SORH,CRIT,PAR,KEEPAPP)
函數wpdencmp用於使用小波包變換進行信號的壓縮或去噪。
格式（1）返回輸入信號X（一維或二維）的去噪或壓縮後的信號XD。輸出參數TREED是XD的最佳小波包分解樹；PERFL2和PERF0是恢復和壓縮L2的能量百分比。PERFL2=100*(X的小波包系數范數/X的小波包系數)^2；如果X是一維信號，小波wname是一個正交小波，則PERFL2=100*||XD||^2/||X||^2。SORH的取值為's'或'h'，表示的是軟閾值或硬閾值。
輸入參數N是小波包的分解層數，wname是包含小波名的字元串。函數使用由字元串CRIT定義的熵和閾值參數PAR實現最佳分解。如果KEEPAPP=1，則近似信號的小波系數不進行閾值量化；否則，進行閾值量化。
格式（2）與格式（1）的輸出參數相同，輸入選項也相同，只是它從信號的小波包分解樹TREE進行去噪或壓縮。

C. "ART"這個是什麼意思

art有多種義項，包括英語單詞、代數重建法、應用軟體、搜維爾合作夥伴、自適應共振理論等。Art英語翻譯過來的意思是：藝術。代數重建法指的是：針對ART(Algebraic Reconstruction Technique)演算法重建圖像中投影系數是影響重建速度和重建質量的主要因素,提出一種快速計算投影系數的方法。該方法由射線出發,根據射線與網格相交的不同情況,分類快速求解投影系數。同時利用平行射束下射線的相關性與對稱性,避免大量重復計算,節省了計算時間。模擬實驗選用Shepp-Logan模型,結果表明該方法快速有效。

D. 求教C++高手，用C++把靈敏度矩陣和ART演算法編出來的代碼是什麼，靈敏度矩陣為 其中為第個單元的面積

這個我空間有

E. matlab ART重建演算法可用於CT圖像重建或EST圖像重建

去網路搜啊。有個專門的源碼的網站。注冊一下會員就好了。 過去的賬號也忘了。。。。也就幾分鍾就搞定了。。

F. 神經網路演算法原理

一共有四種演算法及原理，如下所示：

1、自適應諧振理論（ART）網路

自適應諧振理論（ART）網路具有不同的方案。一個ART-1網路含有兩層一個輸入層和一個輸出層。這兩層完全互連，該連接沿著正向（自底向上）和反饋（自頂向下）兩個方向進行。

2、學習矢量量化（LVQ）網路

學習矢量量化（LVQ）網路，它由三層神經元組成，即輸入轉換層、隱含層和輸出層。該網路在輸入層與隱含層之間為完全連接，而在隱含層與輸出層之間為部分連接，每個輸出神經元與隱含神經元的不同組相連接。

3、Kohonen網路

Kohonen網路或自組織特徵映射網路含有兩層，一個輸入緩沖層用於接收輸入模式，另一個為輸出層，輸出層的神經元一般按正則二維陣列排列，每個輸出神經元連接至所有輸入神經元。連接權值形成與已知輸出神經元相連的參考矢量的分量。

4、Hopfield網路

Hopfield網路是一種典型的遞歸網路，這種網路通常只接受二進制輸入（0或1）以及雙極輸入（+1或-1）。它含有一個單層神經元，每個神經元與所有其他神經元連接，形成遞歸結構。

(6)art演算法擴展閱讀：

人工神經網路演算法的歷史背景：

該演算法系統是 20 世紀 40 年代後出現的。它是由眾多的神經元可調的連接權值連接而成，具有大規模並行處理、分布式信息存儲、良好的自組織自學習能力等特點。

BP演算法又稱為誤差反向傳播演算法，是人工神經網路中的一種監督式的學習演算法。BP 神經網路演算法在理論上可以逼近任意函數，基本的結構由非線性變化單元組成，具有很強的非線性映射能力。

而且網路的中間層數、各層的處理單元數及網路的學習系數等參數可根據具體情況設定，靈活性很大，在優化、信號處理與模式識別、智能控制、故障診斷等許 多領域都有著廣泛的應用前景。

G. 代數重建法ART，SIRT的公式是什麼

P--觀測數據 ，X--原始圖像 ，R--一個非零的M×N矩陣；
需要解決的問題是從數據P重建圖像X；
ART與SIRT方法屬於迭代演算法，迭代精度並不完全正比於迭代次數；但SIRT較ART方法的迭代收斂性好、收斂速度快；

記得追加分哦親~~~

H. 機器學習一般常用的演算法有哪些

機器學習是人工智慧的核心技術，是學習人工智慧必不可少的環節。機器學習中有很多演算法，能夠解決很多以前難以企的問題，機器學習中涉及到的演算法有不少，下面小編就給大家普及一下這些演算法。

一、線性回歸

一般來說，線性回歸是統計學和機器學習中最知名和最易理解的演算法之一。這一演算法中我們可以用來預測建模，而預測建模主要關注最小化模型誤差或者盡可能作出最准確的預測，以可解釋性為代價。我們將借用、重用包括統計學在內的很多不同領域的演算法，並將其用於這些目的。當然我們可以使用不同的技術從數據中學習線性回歸模型，例如用於普通最小二乘法和梯度下降優化的線性代數解。就目前而言，線性回歸已經存在了200多年，並得到了廣泛研究。使用這種技術的一些經驗是盡可能去除非常相似（相關）的變數，並去除噪音。這是一種快速、簡單的技術。

二、Logistic 回歸

它是解決二分類問題的首選方法。Logistic 回歸與線性回歸相似，目標都是找到每個輸入變數的權重，即系數值。與線性回歸不同的是，Logistic 回歸對輸出的預測使用被稱為 logistic 函數的非線性函數進行變換。logistic 函數看起來像一個大的S，並且可以將任何值轉換到0到1的區間內。這非常實用，因為我們可以規定logistic函數的輸出值是0和1並預測類別值。像線性回歸一樣，Logistic 回歸在刪除與輸出變數無關的屬性以及非常相似的屬性時效果更好。它是一個快速的學習模型，並且對於二分類問題非常有效。

三、線性判別分析（LDA）

在前面我們介紹的Logistic 回歸是一種分類演算法，傳統上，它僅限於只有兩類的分類問題。而LDA的表示非常簡單直接。它由數據的統計屬性構成，對每個類別進行計算。單個輸入變數的 LDA包括兩個，第一就是每個類別的平均值，第二就是所有類別的方差。而在線性判別分析，進行預測的方法是計算每個類別的判別值並對具備最大值的類別進行預測。該技術假設數據呈高斯分布，因此最好預先從數據中刪除異常值。這是處理分類預測建模問題的一種簡單而強大的方法。

四、決策樹

決策樹是預測建模機器學習的一種重要演算法。決策樹模型的表示是一個二叉樹。這是演算法和數據結構中的二叉樹，沒什麼特別的。每個節點代表一個單獨的輸入變數x和該變數上的一個分割點。而決策樹的葉節點包含一個用於預測的輸出變數y。通過遍歷該樹的分割點，直到到達一個葉節點並輸出該節點的類別值就可以作出預測。當然決策樹的有點就是決策樹學習速度和預測速度都很快。它們還可以解決大量問題，並且不需要對數據做特別准備。

五、樸素貝葉斯

其實樸素貝葉斯是一個簡單但是很強大的預測建模演算法。而這個模型由兩種概率組成，這兩種概率都可以直接從訓練數據中計算出來。第一種就是每個類別的概率，第二種就是給定每個 x 的值，每個類別的條件概率。一旦計算出來，概率模型可用於使用貝葉斯定理對新數據進行預測。當我們的數據是實值時，通常假設一個高斯分布，這樣我們可以簡單的估計這些概率。而樸素貝葉斯之所以是樸素的，是因為它假設每個輸入變數是獨立的。這是一個強大的假設，真實的數據並非如此，但是，該技術在大量復雜問題上非常有用。所以說，樸素貝葉斯是一個十分實用的功能。

六、K近鄰演算法

K近鄰演算法簡稱KNN演算法，KNN 演算法非常簡單且有效。KNN的模型表示是整個訓練數據集。KNN演算法在整個訓練集中搜索K個最相似實例（近鄰）並匯總這K個實例的輸出變數，以預測新數據點。對於回歸問題，這可能是平均輸出變數，對於分類問題，這可能是眾數類別值。而其中的訣竅在於如何確定數據實例間的相似性。如果屬性的度量單位相同，那麼最簡單的技術是使用歐幾里得距離，我們可以根據每個輸入變數之間的差值直接計算出來其數值。當然，KNN需要大量內存或空間來存儲所有數據，但是只有在需要預測時才執行計算。我們還可以隨時更新和管理訓練實例，以保持預測的准確性。

七、Boosting 和 AdaBoost

首先，Boosting 是一種集成技術，它試圖集成一些弱分類器來創建一個強分類器。這通過從訓練數據中構建一個模型，然後創建第二個模型來嘗試糾正第一個模型的錯誤來完成。一直添加模型直到能夠完美預測訓練集，或添加的模型數量已經達到最大數量。而AdaBoost 是第一個為二分類開發的真正成功的 boosting 演算法。這是理解 boosting 的最佳起點。現代 boosting 方法建立在 AdaBoost 之上，最顯著的是隨機梯度提升。當然，AdaBoost 與短決策樹一起使用。在第一個決策樹創建之後，利用每個訓練實例上樹的性能來衡量下一個決策樹應該對每個訓練實例付出多少注意力。難以預測的訓練數據被分配更多權重，而容易預測的數據分配的權重較少。依次創建模型，每一個模型在訓練實例上更新權重，影響序列中下一個決策樹的學習。在所有決策樹建立之後，對新數據進行預測，並且通過每個決策樹在訓練數據上的精確度評估其性能。所以說，由於在糾正演算法錯誤上投入了太多注意力，所以具備已刪除異常值的干凈數據十分重要。

八、學習向量量化演算法（簡稱 LVQ）

學習向量量化也是機器學習其中的一個演算法。可能大家不知道的是，K近鄰演算法的一個缺點是我們需要遍歷整個訓練數據集。學習向量量化演算法（簡稱 LVQ）是一種人工神經網路演算法，它允許你選擇訓練實例的數量，並精確地學習這些實例應該是什麼樣的。而學習向量量化的表示是碼本向量的集合。這些是在開始時隨機選擇的，並逐漸調整以在學習演算法的多次迭代中最好地總結訓練數據集。在學習之後，碼本向量可用於預測。最相似的近鄰通過計算每個碼本向量和新數據實例之間的距離找到。然後返回最佳匹配單元的類別值或作為預測。如果大家重新調整數據，使其具有相同的范圍，就可以獲得最佳結果。當然，如果大家發現KNN在大家數據集上達到很好的結果，請嘗試用LVQ減少存儲整個訓練數據集的內存要求