利用 Cosserat理论建立了细长杆的三维非线性动力学模型。 借助伪刚体法和变分原理得到了 Cosserat杆的包括各种形变的三维空间运动方程。

变分模态分解,用于分解各种信号，可用来故障诊断，特征提取。

里面是收集的近几年的变分框架下的图像去雾参考文献。

变分模态分解 信号处理方法 数据序列平稳化。

超分辨重建，基于贝叶斯和总变分，牛人的文章对应的程序

Btv双边全变分正则化重建方法及重建方法其发展......

包含VMD、EMD、EEMD工具箱，可用于变分模态分解、EMD以及EEMD谐波检测对对比分析

分布式Dirichlet分配的在线可变贝叶斯 Matthew D. Hoffman和 Michael Li （C）版权所有2010，Matthew D. Hoffman 这是免费软件，您可以根据GNU通用公共许可证的条款重新分发和/或修改它。 GNU通用公共许可证不允许在专有程序中重新分发此软件。 分发该软件是希望它会有用，但没有任何保证； 甚至没有对适销性或特定用途适用性的暗示保证。 您应该已经与该程序一起收到了GNU通用公共许可证的副本； 如果不是，请写信给美国自由软件基金会公司，地址：59 Temple Place，Suite 330，波士顿，马萨诸塞州02111-1307 该Python代码实现了由Matthew D. Hoffman，David M. Blei和Francis Bach撰写的论文“潜在狄利克雷分配的在线学习”中提出的在线变异贝叶斯（VB）算法，该算法

VAE总结 VAE的本质是什么？VAE虽然也称是AE（AutoEncoder）的一种，但它的做法(或者说它对网络的诠释)是别具一格的。在VAE中，它的Encoder有两个，一个用来计算均值，一个用来计算方差，让人意外：Encoder不是用来Encode的，是用来算均值和方差的；此外均值和方差都是统计量，这里是用神经网络来计算。 事实上，VAE本质上就是在我们常规的自编码器的基础上，对encoder的结果(在VAE中对应着计算均值的网络)加上了“高斯噪声”，使得结果decoder能够对噪声有鲁棒性；而那个额外的KL loss（目的是让均值为0，方差为1），事实上就是相当于对encoder的一个正则项，希望encoder出来的东西均有零均值。 另外一个encoder（对应着计算方差的网络）的作用用来动态调节噪声的强度的。直觉上来想，当decoder还没有训练好时（重构误差远大于KL loss），就会适当降低噪声（KL loss增加），使得拟合起来容易一些（重构误差开始下降）；反之，如果decoder训练得还不错时（重构误差小于KL loss），这时候噪声就会增加（KL loss减少），使得拟合更加困难了（重构误差又开始增加），这时候decoder就要想办法提高它的生成能力了。两者是对抗的过程。重构损失希望p(Z|X)的方差越小越好（噪声越小，重构越容易），KL损失希望它的方差越接近1越好。

说明1：本人学习笔记07的内容，有原始的.md文档格式，和打印出来的PDF文档格式。 说明2：内容包含一些根据微磁学基本能量密度的公式来推导有效场，主要是求偏导和矢量分析。