معرفی شرکت ها
cs1-0.2.2
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Compressed Sensing library for 1D Spectroscopic Profiling Data
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | cs1-0.2.2 |
| نام | cs1 |
| نسخه کتابخانه | 0.2.2 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Yinsheng Zhang (Ph.D.) |
| ایمیل نویسنده | oo@zju.edu.cn |
| آدرس صفحه اصلی | https://github.com/zhangys11/cs1 |
| آدرس اینترنتی | https://pypi.org/project/cs1/ |
| مجوز | - |
# cs1
Compressed Sensing library for 1D (one-dimensional) Spectroscopic Profiling Data
<table>
<thead>
<tr>
<th>package</th>
<th>module</th>
<th>sub-module</th>
<th>description</th>
</tr>
</thead>
<tbody>
<tr>
<td rowspan=9>cs1<sup>[3]</sup></td>
</tr>
<tr>
<td colspan = 2>cs1.cs</td>
<td>basic functions for CS sensing, recovery, hyper-parameter grid-search, etc.</td>
</tr>
<tr>
<td rowspan = 2>cs1.basis</td>
<td>cs1.basis.common</td>
<td>commonly used non-adaptive CS transform bases<sup>[1]</sup></td>
</tr>
<tr>
<td>cs1.basis.adaptive</td>
<td>adaptive CS transform bases, e.g., LDA (linear discriminant analysis)-based, EBP (eigenvector-based projection)<sup>[2]</sup>, VAE (variational auto-encoder)</td>
</tr>
<tr>
<td colspan = 2
>cs1.metrics</td>
<td>CS-related metrics, e.g., mutual coherence, sparsity, MSE, KLD</td>
</tr>
<tr>
<td>cs1.security</td>
<td>cs1.security.tvsm</td>
<td>time-variant sensing matrix mechanism</td>
</tr>
<tr>
<td rowspan = 2>cs1.domain</td>
<td>cs1.domain.audio</td>
<td>contains functions for audio and other one-dimensional signal processing. e.g., wave file I/O, lossy compression, ECG simulator</td>
</tr>
<tr>
<td>cs1.domain.image</td>
<td>contains functions for image processing. e.g., image CS, lossy compression</td>
</tr>
<tr>
<td colspan = 2>cs1.gui</td>
<td>provides a web-based playground for researchers. users can try different CS bases and sampling ratios</td>
</tr>
</tbody>
</table>
Publications:
[1] Adaptive compressed sensing of Raman spectroscopic profiling data for discriminative tasks [J]. Talanta, 2020, doi: 10.1016/j.talanta.2019.120681
[2] Task-adaptive eigenvector-based projection (EBP) transform for compressed sensing: A case study of spectroscopic profiling sensor [J]. Analytical Science Advances. Chemistry Europe, 2021, doi: 10.1002/ansa.202100018
[3] Compressed Sensing library for spectroscopic profiling data [J]. Software Impacts, 2023, doi: 10.1016/j.simpa.2023.100492
# Installation
> pip install cs1
# A simple startup
import cs1
# Generate common non-adaptive bases and save to a local pickle file.
# The generation process can be very slow, so save it for future use.
cs1.basis.common.Generate_PSIs(n, savepath = 'PSIs_' + str(n) + '.pkl') # n is the data/signal dimensionality
# load back bases
file = open('PSIs_' + str(n) + '.pkl','rb')
PSIs = pickle.load(file)
file.close()
# sparsity analysis
cs1.metrics.analyze_sparsity(x, PSIs)
<img src='sparsity_analysis.png'>
# compare different bases and sampling ratio on a single sample
rmses = cs1.cs.GridSearch_Sensing_n_Recovery(x, PSIs, solver = 'LASSO') # returns relative MSEs
<img src='grid_search.png'>
# low-level cs functions
from cs1.basis.common import *
dftmtx()
dctmtx()
hwtmtx()
from cs1.cs import *
sensing()
recovery()
from cs1.metrics import *
mutual_coherence()
...
# singal processing functions for audio / image domains
from cs1.domain.audio import *
simulate_ECG()
dct_lossy_signal_compression()
dft_lossy_signal_compression()
from cs1.domain.image import *
img_dct()
img_dft()
dct_lossy_image_compression()
dft_lossy_image_compression()
# adaptive cs bases
from cs1.basis.adaptive import *
PSI, _ = EBP(X) # X is a m-by-n training dataset. PSI is the EBP basis
PSI, _, _ = LDA(X, y, display = True) # X and y are training dataset. PSI is the LDA basis.
# run as a local web server
`python -m cs1.gui.run`
You can then access the web GUI at the 5006 port:
<img src="src/cs1/gui/static/images/Sensing - clean.png">
<img src="src/cs1/gui/static/images/reconstruction - clean.png">
نیازمندی
| مقدار | نام |
|---|---|
| - | scikit-learn |
| - | matplotlib |
| - | numpy |
| - | PyWavelets |
| - | statsmodels |
| - | pydub |
| - | opencv-python |
| - | torch |
| - | torchvision |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.6 | Python |
نحوه نصب
نصب پکیج whl cs1-0.2.2:
pip install cs1-0.2.2.whl
نصب پکیج tar.gz cs1-0.2.2:
pip install cs1-0.2.2.tar.gz