本元件库是专属于移动端的Axure元件库，由常用组件、信息输入、信息输出、信息反馈、综合系列等五大元件类型组成。本元件库中包含各类移动端基本元素、动态交互组件，以及各类常用界面模板，是一套最佳的移动端原型设计指南和解决方案，能助您快速的输出友好美观的移动端交互原型。本元件库将持续的更新完善以适应最佳的原型输出需要。会员用户可直接在会员群中获取本作品相关文件。

自己学习编写的混合像元分解中的端元提取部分的纯像元指数PPI算法的MATLAB代码。可以运行得到结果，但没有结果用于验证，亦未编写精度评定，不保证结果的正确性。

光谱解混可以有效提升高光谱图像的利用效率。非负矩阵分解(NMF)常用于寻找非负数据的线性表示,可以有效解决混合像元问题。基于丰度的稀疏性和图像局部不变性提出一种高光谱解混算法。对丰度采取稀疏性约束和基于拉普拉斯矩阵的图正则项约束,构造了一个新的目标函数,端元和丰度在经过若干次迭代后取得了较好的解混合结果。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明所提算法具有良好的解混性能。

axure移动端元件库_V1.0.zip

html5手机端元宵节专题页面模板源码,可用于微信公众号开发，适应于各种只能手机界面。

兼容AxureRP9，元件库及原型都在附件里

axure元件包括7，8，9版本的移动元件。直接导入使用。

N-FINDR: an algorithm for fast autonomous spectral end-member determination in hyperspectral data 作者Michael E. Winter

最小角回归matlab代码标题 用于高光谱端元提取的改进 GSEE 算法 抽象的 在高光谱解混文献中，端元提取主要使用三种方法进行处理，即统计、稀疏回归和几何。 大多数端元提取算法仅基于其中一种方法开发。 最近，已经提出了结合几何和统计特征的 GSEE（Geo-Stat Endmember Extraction）。 在本文中，我们提出了一种考虑去除噪声带的改进型 GSEE (MGSEE) 算法。 在建议的工作中，最小噪声分数 (MNF) 用于选择高 SNR 频段。 MGSEE 框架的强度使用合成和真实的基准数据集进行审查。 在本文中，我们表明通过在噪声去除步骤之前从 GSEE 获得所提出的算法大大降低了光谱角度误差 (SAE) 和光谱信息发散 (SID) 误差，从而表明其在分离问题中提取纯材料的重要性。 将这篇论文引用为 D. Shah 和 T. Zaveri，“用于高光谱端元提取的改进 GSEE 算法”，2020 年 IEEE 第 5 届计算通信与自动化国际会议 (ICCCA)，印度大诺伊达，2020 年，第 449-453 页，doi：10.1109/ICCCA49541 .202

Axure-交互原型移动端元件库精简版，交互设计师、UI设计师、产品经理必备。