讨论了有关散乱点云的取样及三角网络化模型的实现 并提出了一种高效率的点云提取方法 最后就基于被提取点生成三角网络模型进行了探讨 -Discussed the scattered point cloud sampling and triangulation network and proposed a model to achieve an efficient point cloud extraction method to extract the last point to be gener

复杂网络中有如随机图，WS小世界网络，NW小世界网络及BA无标度网络等一些常见的基本模型，，本程序从这些网络的产生机理，生成了这些复杂网络模型，并且分析了其基本性质如平均路径长度，聚类系数及度分布等。-Complex networks like the random graph, WS small world network, NW small-world network and BA scale-free network and some common basic model of the p

matlab程序，生成小世界网络，可输入概率P，生成小世界网络模型-WS small world network

深度信念网络 (Deep Belief Network, DBN) 由 Geoffrey Hinton 在 2006 年提出。它是一种生成模型，通过训练其神经元间的权重，我们可以让整个神经网络按照最大概率来生成训练数据。我们不仅可以使用 DBN 识别特征、分类数据，还可以用它来生成数据。下面的图片展示的是用 DBN 识别手写数字： -Depth belief networks (Deep Belief Network, DBN) proposed by the Geoffrey Hinton i

提出一种新的显着性检测方法，通过将区域级显着性估计和像素级显着性预测与CNN（表示为CRPSD）相结合。对于像素级显着性预测，通过修改VGGNet体系结构来执行完全卷积神经网络（称为像素级CNN）以执行多尺度特征学习，基于该学习进行图像到图像预测以完成像素级显着性检测。对于区域级显着性估计，首先设计基于自适应超像素的区域生成技术以将图像分割成区域，基于该区域通过使用CNN模型（称为区域级CNN）来估计区域级显着性。通过使用另一CNN（称为融合CNN）融合像素级和区域级显着性以形成nal显着图，并