数据融合Matlab代码探索桶状皮层的功能映射

此代码库实现了一种方法，该方法可通过多分支 CNN 识别复制移动的源和目标区域。该方法利用插值伪影和边界不一致性的特征。

我们很高兴向神经科学界介绍关于人类皮层的新MRI分层地图集。该存储库提供了最新的地图集下载，并提供用于映射地图集的代码。请查看发表在《自然神经科学》上的文章获取更多信息和下载链接！解压缩zip文件后，您可以在/3T/Subcortex-Only文件夹中找到NIFTI和CIFTI格式的群体共识地图集。该图集还集成到几个著名的仅皮质层分隔图集中，在/3T/Cortex-Subcortex文件夹中可以找到组合的皮质-亚皮质图集。继续阅读下文获取详细信息和常见问题解答。

GRSL-2020-1 自述文件中提供了如何使用代码对提交的文章进行数值测试的说明：GRSL-IEEE 地球科学与遥感快报将强度通道中的证据融合以用于 PolSAR 图像中的边缘检测。 作者：Anderson A. de Borba、Maurício Marengoni 和 Alejandro C Frery 测试环境：Matlab / Octave 数据集：Flevoland 图像 步骤：1. 运行 /Code_matlab/imagem_real_lin_radial_flev.m2. 读取数据库 /Data/AirSAR_Flevoland_Enxuto.mat3. 将射线写入以下文件（共 9 个通道，但此处仅使用 3 个强度通道）：- /Data/a) 通道 hh-flevoland_1.txt- /Data/b) 通道 hv-flevoland_2.txt- /Data/c) 通道 vv-flevoland_3.txt4. 将射线坐标写入以下文件：- /Data/a) 文件 xc_flevoland.txt- /Data/b) 文件 yc_flevoland.txt5. 在 R² 中运行 /Code_r/evidencias_im_real_sa_param_mu_L.R - 读取数据

提供Logistic映射及反Logistic映射的MATLAB代码，与理论相结合，有助于深入理解映射特性。

Matlab中的代码段删除了流形一般的Matlab代码，信息和一些代码片段，用于与UoN数学学院的同事一起查看皮质表面上的功能性和解剖MRI数据。从样本对象的自由冲浪者细分中得出的解剖数据。要获取例如右半球的vtk文件，您可以cd到对象的目录${SUBJECTS_DIR}/xx/surf/并通过循环转换lh和rh的所有freesurfer格式文件。请注意，对于每个顶点只有一个值的标量数据（例如，曲线，厚度或面积文件），mris_convert需要一些其他信息。在这种情况下，您需要使用其他选项指定从。

该仓库提供一个捕获信息的平台，帮助那些想要将MATLAB代码迁移到Julia或学习Julia的用户。它补充了现有资源如Julia文档中的差异页面，结构化地回答使用MATLAB命令、函数或工具箱时，在Julia中的最佳对应项是什么，以及哪些Julia软件包提供了类似功能。

此MATLAB代码实现了多尺度表示融合网络（MRFN），用于IEEE信号处理快报上发表的智能故障诊断论文。运行环境为Windows 7和Matlab R2014b。源数据来自凯斯西储大学（CWRU）的机械故障预防技术（MFPT）数据集。我们提供了CWRU数据集的Matlab文件“Sample_multi_array.mat”，您可以从百度Netdisk免费下载。如需使用代码，请参考以下步骤。如果您有任何问题，请联系Hui Yu或作者。

瓦希德·诺鲁兹（Vahid Noroozi），萨拉·巴哈迪尼（Sara Bahaadini），雷铮，谢思宏，邵伟祥，余飞飞， IEEE大数据，arXiv CCA通过多模态生成对抗学习提炼产品标题张建国，邹鹏程，赵立，姚瑶，刘烨，潘秀明，龚宇，余飞飞， NIPS研讨会，arXiv ：甘民意调查具有多视图数据的特征选择：一项调查张R，聂芬芳，李力，魏伟-信息融合，2018 （）多视角学习调查常旭，陶大成，徐旭，arXiv：多视图表示学习研究李应明;杨明;张忠飞，1809年多视图数据分析的学习表示形式：模型和应用丁正明丁汉东赵云富光谱聚类单一检视稳健而高效的多路谱聚类， Anil Damle，Victor Minden，arXiv： ICML 2018，动态网络的快速近似光谱聚类-Lionel Martin，Andreas Loukas，Pierre Vandergheynst，arXiv：通过频谱分析进行有效内核选择李健，刘勇，林海伦，岳银良，王卫平（PDF |详细信息）超

Matlab KPCA程序动态神经正交映射用于故障检测，可直接运行“Comparison_DPCA_DKPCA_DNOM.m”获取图表1中的DPCA、DKPCA和DNOM结果。文件“Comparison_DPCA_DKPCA_DNOM.m”、 “KPCA.m”和“constructKernel.m”需放置同一目录下。Matlab版本为R2017b。未在其他版本测试过。为了GPU加速和快速计算，使用PyTorch开发了Python代码。在运行Python代码前，请安装所需库文件：“dnom.py”。详细信息参见跑步在Linux上：python3 dnom.py。