可以用來做時間序列分析哦，包括模式判別，模型檢驗，大家共同學習啊
標簽： ARMA模型（自回歸滑動平均模型）
上傳時間： 2015-12-22
上傳用戶：haiwen5668
該類方法主要指的是活動輪廓模型（active contour model）以及在其基礎上發展出來的算法，其基本思想是使用連續曲線來表達目標邊緣，并定義一個能量泛函使得其自變量包括邊緣曲線，因此分割過程就轉變為求解能量泛函的最小值的過程，一般可通過求解函數對應的歐拉(Euler．Lagrange)方程來實現，能量達到最小時的曲線位置就是目標的輪廓所在。
標簽： 圖像處理
上傳時間： 2016-03-07
上傳用戶：2009dd
基于四元數小波變換的隱馬爾可夫樹模型（Q-HMT）,并應用于圖像去噪，圖像去噪效果在峰值信噪比以及視覺效果上均優于經典的去噪方法。
標簽： hmt 模型 去噪
上傳時間： 2016-07-01
上傳用戶：zcwl
灰色預測模型（Gray Forecast Model）是通過 少量的、不完全的信息，建立數學模型并做出預 測的一種預測方法.當我們應用運籌學的思想方法 解決實際問題，制定發展戰略和政策、進行重大 問題的決策時，都必須對未來進行科學的預測. 預測是根據客觀事物的過去和現在的發展規律， 借助于科學的方法對其未來的發展趨勢和狀況進 行描述和分析，并形成科學的假設和判斷.
標簽： 灰色預測模型
上傳時間： 2019-07-21
上傳用戶：Tqco702
準確量化和預測陸地生態系統碳水通量對于理解陸氣間相互作用，預測未來氣候變化和控制溫室效應具有重要意義。通量觀測和模型模擬是目前研究碳水通量的兩種主要方法。通量觀測精度較高，但觀測范圍局限、站點分布不均勻，易受環境影響，難以區域擴展；模型模擬可實現不同尺度參量估算，但由于理想化假設、模型參數和驅動數據等限制，導致其模擬結果往往與真實值存在較大偏差。模型-數據融合方法主要是通過參數估計和數據同化兩種技術集成觀測和模型信息，建立兩者相互制約調節的優化關系，以提高模型結果與真實值之間的匹配程度。基于該思路，本研究在地面觀測數據、遙感衛星資料以及相關氣候環境數據基礎上，重點突破全球動態植被模型（Lund-Potsdam-Jena Dynamic Globa Vegetation Model.LPJ-DGVM）敏感參數優化方法，獲取適宜中國的參數化方案：在此基礎上，引入數據同化算法，將遙感衛星產品信息與模型相融合，在模擬過程中不斷校正原有模型模擬軌跡，提高模型適用性。將以上改進的模型推廣至中國區域，實現對20002015年中國地區總初級生產力（Gross Primary Productivity GPP）和敬發（Evapotranspiration，ET的空間格局模擬及分析。主要結論如下1）將LP」DGwM中所選出的22個可調參數（涉及光合、呼吸、水平衡異速生長、死亡、建立以及土壤和掉落物分解共七個作用領域）在各自取值范圍內隨機獲得不同的參數組合，結果表明22個參數可引起GPP和ET模擬結果產生較大的不確定性，尤其集中在生長季。所有站點GPP相對不確定性（Relative Uncertainty，RU）基本保持在09-1.25之間，不具有明顯的年際變異性：ET相對不確定性RU月變化趨勢明顯，且基本處于0.5以下，明顯低于GPP，說明所篩選的22個參數對GP模擬產生的影響更為顯著。
標簽： 數據融合
上傳時間： 2022-03-16
上傳用戶：shjgzh
為了提高語音信號的識別率，提出了一種改進的LPCC參數提取方法。該方法先對語音信號進行預加重、分幀加窗處理，然后進行小波分解，在此基礎上提取LPCC參數，從而構成新向量作為每幀信號的特征參數。最后采用高斯混合模型（GMM）進行說話人語音識別，實驗表明新特征參數取得了較好的識別率。
標簽： LPCC 參數提取
上傳時間： 2013-10-10
上傳用戶：asdgfsdfht
可持續捕撈的概念意味著，如果每年通過自然死亡，捕撈和產卵繁殖補充，使得魚群能夠在每年年初捕撈開始時保持平衡不變，那么這樣的捕撈策略就可以年復一年地一直持續下去，因此可持續捕撈的魚群應該是模型（6）（7）（8）的平衡解，即模型不依賴于時間的
標簽：
上傳時間： 2013-12-31
上傳用戶：xcy122677
WDM驅動程序設計 一．WDM簡介 微軟不斷推出新的操作系統，現在Windows98和Windows2000已經成了主流，原先用來實現驅動程序的VxD技術隨著Win95的淡出也慢慢地將退出歷史舞臺，在Windows98和Windows2000中設備驅動程序將根據Windows驅動程序模型（WDM）來設計。WDM通過提供一種靈活的方式來簡化驅動程序的開發，在實現對新硬件支持的基礎上減少并降低所必須開發的驅動程序的數量和復雜性。
標簽： WDM 驅動 程序設計 微軟
上傳時間： 2015-06-29
上傳用戶：253189838
LVQ算法( Learning Vector Quantization，學習矢量量化網絡)是一種基于模型（神經網絡）的方法，本實驗要實現的是對LVQ改進的聚類方法——MLVQ（閆德勤等人提出）。該方法克服了LVQ算法對初值敏感的問題和廣義學習矢量量化(GLVQ)網絡算法性能不穩定的缺點。(附文章)
標簽： Quantization Learning Vector LVQ
上傳時間： 2015-08-31
上傳用戶：youke111
opnet學習資料，提供部分網絡仿真模型。一:介紹OPNET 環境。二：執行M/M/1隊列模型。三：以太網模型（Aloha，CSMA,CSMA－CD).四：TCP.五：OSPF
標簽： opnet
上傳時間： 2013-12-29
上傳用戶：a673761058
蟲蟲下載站版權所有 京ICP備2021023401號-1
