Stereo Processing by Semiglobal Matching and Mutual Information 原文

互信息法求混沌序列的最优时延，希望对大家有用。

Multi-focus image fusion using a morphology-based focus measure in a quad-tree structure的matlab实现

重击 用于计算符号互信息和熵的符号传递的Python模块

现在有大量关于模糊熵和模糊互信息理论的文章。 然而，这些概念的 Matlab 实现明显缺乏。 根据学生和研究人员的大量要求，我编写了此代码以简化此类概念并提供一个您可以直接尝试的工具。 当然，您可能会发现许多不同的方法可以增强代码的功能，因此请随时通知我和其他任何此类更新。 如果您使用此代码，请引用以下任何一篇论文： [1] RN Khushaba、A. Al-Jumaily 和 A. Al-Ani，“基于模糊熵和小波包变换的新型特征提取方法用于肌电控制”，第 7 届国际通信和信息技术研讨会 ISCIT2007，澳大利亚悉尼，第 352 – 357 页。 [2] RN Khushaba、S. Kodagoa、S. Lal 和 G. Dissanayake，“使用基于模糊小波包的特征提取算法的驾驶员睡意分类”，IEEE 生物医学工程汇刊，卷。 58，没有。 1，第 121-131 页，

互信息计算matlab代码计算聚类之间的调整后的相互信息 该存储库包含用于在R中的聚类之间快速且并行地计算调整后的相互信息（AMI），归一化的相互信息（NMI）和调整后的兰德指数（ARI）的代码。 NMI和ARI被广泛使用并且是成熟的分区协议度量标准。 调整后的相互信息度量标准由提出。 它提供了归一化的互信息度量，可通过计算观察到的群集大小分布的分区之间的预期互信息（EMI）来校正随机预期分区重叠的基线值，从而对其进行校正。 有关更多信息，另请参见。 原始作者提供了计算AMI值和其他功能的信息。 该存储库中的代码提供了AMI，NMI和ARI的快速，高效和可并行计算。 它用于特定的生物学应用：在将微生物宏基因组序列数据聚集成（OTU）时评估分区的一致性。 该存储库中提供的数据是针对〜1M序列的集合，根据完整链接或平均链接聚类，将其聚集成OTU。 两个分区都以每行一行（“ otu映射”）和每行一行（“ seq映射”）的格式保存； R脚本中提供了更多详细信息。 重要的是，该代码是通用的，可用于任何类型的聚类数据。 将序列聚类到OTU中只是一个应用示例。

pent 估计Copula熵和传递熵 介绍 实现了估计参数熵和传递熵的非参数方法。 估计copula熵的方法由两个简单步骤组成：通过等级统计估计经验copula和使用k最近邻法估计copula熵。 Copula熵是用于多元统计独立性测量和测试的数学概念，并被证明等同于互信息。与Pearson相关系数不同，Copula熵是为非线性，高阶和多元情况定义的，这使其普遍适用。估计copula熵可以应用于很多情况，包括但不限于变量选择[2]和因果发现（通过估计传递熵）[3]。有关更多信息，请参阅Ma and Sun（2011） 。有关中文的更多信息，请点击。 用于估计传递熵的非参数方法包括两个步骤：估计三个copula熵和从估计的copula熵计算传递熵。还提供了条件独立性测试的功能。有关更多信息，请参阅Ma（2019） 。 功能 pent-估计copula熵; Construct_empir

这是我们为基于BBPSO的特征选择而开发的Matlab工具箱，称为MIBBPSO。 该程序的详细信息可以在论文“Feature Selection Using Bare-Bones Particle Swarm Optimization with Mutual Information”中找到，该论文已提交给Pattern Recognition杂志。 在这个工具箱中，主函数被命名为“main”。

互信息计算matlab代码互信息代码 互信息的计算代码是用Matlab编写的。 互信息是衡量一个随机变量告诉我们另一个变量的数量的其中之一。 它是具有（通常）比特单位的无量纲量，并且可以被认为是在已知另一个随机变量的情况下，其不确定性的降低。 相互之间的信息丰富，表明不确定性大大降低； 相互信息量低表示减少幅度很小； 两个随机变量之间的相互信息为零意味着变量是独立的。

Estimating Mutual Information.pdf