利用三个点计算后获得仿射矩阵，然后进行图像拼接

分布式电源(DG)出力的随机性和间歇性导致其并网谐波电流具有不确定性，进而导致含DG配电网的谐波分布具有不确定性。为处理配电网谐波潮流计算中DG作为谐波源的不确定信息，以复仿射数代替点值，建立DG并网逆变器输出阻抗复仿射模型，该模型反映了直流侧电压源的不确定性对DG并网谐波电流的影响。在所提模型的基础上，改造传统确定性谐波潮流算法，提出含多DG配电网的不确定谐波潮流计算方法分析DG不确定性对谐波潮流的影响。采用典型33节点配电网算例进行仿真，与确定性分析方法计算结果的对比验证了所提方法的有效性和应用价值。

文中讨论了二维仿射变换的平移、旋转和缩放等特性。对可见光波段和红外波段图像采 用基于特征的配准,以边界作为特征进行相关运算,求出边界对应位置的关系,建立仿射变换模型, 按照最大相关原则自适应确定最佳配准参数k 、θ、Δx 和Δy ,能够实现图像的自动配准。并利用实 际可见光与红外图像给出了运用仿射变换模型的实验结果,表明该模型可有效解决图像配准中的 平移、旋转和缩放

Fast Affine Template Matching

为了进一步改善自适应算法收敛速度和稳态偏差的性能，在对仿射组合滤波器自适应算法性能分析的基础上，提出了一种新的组合参数更新公式，该更新公式中的固定系数改为与子滤波器输出相关的函数，使仿射组合自适应滤波算法可以更好地实时跟踪子滤波器的性能变化。仿真结果表明，基于新组合参数更新公式的仿射组合自适应滤波算法与基于理想组合参数更新公式的仿射组合自适应滤波算法性能一致，同时具有快的收敛速度和低的稳态偏差，且对子滤波器步长变化具有良好的跟踪性能。

07年提出的新的聚类算法。它根据N个数据点之间的相似度进行聚类，自适应（不需要设定分类数），聚类效果好

凸优化概念和结论的证明

mtcnn对齐facenet部署 项目简介 本项目参考了bubbliiiing的和两个工程，在此对作者表示感谢！ 这两个工程都是keras模型，所提供的模型文件都只有权重没有网络结构，我利用作者提供的网络定义和权重文件重新生成了带有网络结构的权重文件。某个原始先只有权重的模型文件pnet.h5 ，生成包含网络结构和权重的模型文件PNET.h5 。接着用keras2onnx工具把它（ PNET.h5 ）转换成onnx模型pnet.onnx ，其他胶水部分的逻辑没什么变化。具体的转换代码请参考keras_onnx.py文件。 另外我还尝试了将keras h5模型转成tensorflow pb模型，具体代码请参考h5_to_pb.py文件。需要注意的是：每个tensorflow PB请模型单独执行h5_to_pb.py脚本生成。 （每次修改weight_file参数） 如果你想简单地测试一下mt

仿射变换（Affine Transformation）matlab代码，

并行实现的稀疏约束仿射投影算法及其在压缩感知中的应用