流形學習算法LTSA的線性化方法，在基因分類聚類中得到了應用，可以將新樣本線性地投射到低維空間。
上傳時間： 2014-01-15
上傳用戶：ddddddos
本文提出的中值濾波的快速算法的基本思想是：原始數據序列上中值濾波的滑窗在移動過程中，當前窗只要刪除其最早的元素，加入窗后的新元素，即成為下一窗的內容。這個只是Matlab里封裝的算法代碼
上傳時間： 2017-09-20
上傳用戶：xinzhch
算法框架： a.. 問題的解空間：應用回溯法解問題時，首先應明確定義問題的解空間。問題的解空間應到少包含問題的一個（最優）解。 b. 回溯法的基本思想：確定了解空間的組織結構后，回溯法就從開始結點（根結點）出發，以深度優先的方式搜索整個解空間。這個開始結點就成為一個活結點，同時也成為當前的擴展結點。在當前的擴展結點處，搜索向縱深方向移至一個新結點。這個新結點就成為一個新的活結點，并成為當前擴展結點。如果在當前的擴展結點處不能再向縱深方向移動，則當前擴展結點就成為死結點。換句話說，這個結點不再是一個活結點。此時，應往回移動（回溯）至最近的一個活結點處，并使這個活結點成為當前的擴展結點。回溯法即以這種工作方式遞歸地在解空間中搜索，直至找到所要求的解或解空間中已沒有活結點時為止。 (3). 運用回溯法解題通常包含以下三個步驟： a. 針對所給問題，定義問題的解空間； b. 確定易于搜索的解空間結構； c. 以深度優先的方式搜索解空間，并且在搜索過程中用剪枝函數避免無效搜索；
上傳時間： 2017-09-21
上傳用戶：sdq_123
遺傳算法為群體優化算法，也就是從多個初始解開始進行優化，每個解稱為一個染色體，各染色體之間通過競爭、合作、單獨變異，不斷進化。 優化時先要將實際問題轉換到遺傳空間，就是把實際問題的解用染色體表示，稱為編碼，反過程為解碼，因為優化后要進行評價，所以要返回問題空間，故要進行解碼。SGA采用二進制編碼，染色體就是二進制位串，每一位可稱為一個基因；解碼時應注意將染色體解碼到問題可行域內。 遺傳算法模擬“適者生存，優勝劣汰”的進化機制，染色體適應生存環境的能力用適應度函數衡量。對于優化問題，適應度函數由目標函數變換而來。一般遺傳算法求解最大值問題，如果是最小值問題，則通過取倒數或者加負號處理。SGA要求適應度函數>0，對于<0的問題，要通過加一個足夠大的正數來解決。這樣，適應度函數值大的染色體生存能力強。 遺傳算法有三個進化算子：選擇（復制）、交叉和變異。 SGA中，選擇采用輪盤賭方法，也就是將染色體分布在一個圓盤上，每個染色體占據一定的扇形區域，扇形區域的面積大小和染色體的適應度大小成正比。如果輪盤中心裝一個可以轉動的指針的話，旋轉指針，指針停下來時會指向某一個區域，則該區域對應的染色體被選中。顯然適應度高的染色體由于所占的扇形區域大，因此被選中的幾率高，可能被選中多次，而適應度低的可能一次也選不中，從而被淘汰。算法實現時采用隨機數方法，先將每個染色體的適應度除以所有染色體適應度的和，再累加，使他們根據適應度的大小分布于0-1之間，適應度大的占的區域大，然后隨機生成一個0-1之間的隨機數，隨機數落到哪個區域，對應的染色體就被選中。重復操作，選出群體規模規定數目的染色體。這個操作就是“優勝劣汰，適者生存”，但沒有產生新個體。 交叉模擬有性繁殖，由兩個染色體共同作用產生后代，SGA采用單點交叉。由于SGA為二進制編碼，所以染色體為二進制位串，隨機生成一個小于位串長度的隨機整數，交換兩個染色體該點后的那部分位串。參與交叉的染色體是輪盤賭選出來的個體，并且還要根據選擇概率來確定是否進行交叉（生成0-1之間隨機數，看隨機數是否小于規定的交叉概率），否則直接進入變異操作。這個操作是產生新個體的主要方法，不過基因都來自父輩個體。 變異采用位點變異，對于二進制位串，0變為1，1變為0就是變異。采用概率確定變異位，對每一位生成一個0-1之間的隨機數，看是否小于規定的變異概率，小于的變異，否則保持原狀。這個操作能夠使個體不同于父輩而具有自己獨立的特征基因，主要用于跳出局部極值。 遺傳算法認為生物由低級到高級進化，后代比前一代強，但實際操作中可能有退化現象，所以采用最佳個體保留法，也就是曾經出現的最好個體，一定要保證生存下來，使后代至少不差于前一代。大致有兩種類型，一種是把出現的最優個體單獨保存，最后輸出，不影響原來的進化過程；一種是將最優個體保存入子群，也進行選擇、交叉、變異，這樣能充分利用模式，但也可能導致過早收斂。 由于是基本遺傳算法，所以優化能力一般，解決簡單問題尚可，高維、復雜問題就需要進行改進了。 下面為代碼。函數最大值為3905.9262，此時兩個參數均為-2.0480，有時會出現局部極值，此時一個參數為-2.0480，一個為2.0480。算法中變異概率pm=0.05，交叉概率pc=0.8。如果不采用最優模式保留，結果會更豐富些，也就是算法最后不一定收斂于極值點，當然局部收斂現象也會有所減少，但最終尋得的解不一定是本次執行中曾找到過的最好解。
標簽： 遺傳算法
上傳時間： 2015-06-04
上傳用戶：芃溱溱123
粒子群算法在仿真生物群體社會活動的基礎上，通過模擬群體生物相互協同尋優能力，從而構造出一種新的智能優化算法。本文主要講述了粒子群算法的基本原理及其一些改進算法以及其改進算法的一些應用。
標簽： 粒子群算法
上傳時間： 2015-07-10
上傳用戶：yjyzwr
一種新的免疫算法，以及他的應用，可以很好地學習該算法原理以及找到論文的創新點
上傳時間： 2017-03-10
上傳用戶：火穎閃耀
取各障礙物頂點連線的中點為路徑點，相互連接各路徑點，將機器人移動的起點和終點限制在各路徑點上，利用最短路徑算法來求網絡圖的最短路徑，找到從起點P1到終點Pn的最短路徑。上述算法使用了連接線中點的條件，因此不是整個規劃空間的最優路徑，然后利用遺傳算法對找到的最短路徑各個路徑點Pi (i=1,2,…n)調整，讓各路徑點在相應障礙物端點連線上滑動，利用Pi= Pi1+ti×(Pi2-Pi1)（ti∈[0,1] i=1,2,…n）即可確定相應的Pi，即為新的路徑點，連接此路徑點為最優路徑。
上傳時間： 2017-05-05
上傳用戶：tttt123
5G系統中F-OFDM算法設計5G 系統中 F-OFDM 算法設計 摘 要： 將 F ( filter ) - OFDM 的框架應用在傳統的 LTE 系統上 。 利用該新的波形技術 ， LTE 系統可以支持更加靈活的 參數配置， 滿足未來 5G 豐富的業務需求。 通過發射機子帶濾波器的設計， 相鄰子帶間的帶外泄漏 (OOB ) 可以被大幅度抑 制。 接收機采用匹配濾波機制實現各個子帶的解耦。 最后通過實驗仿真， 比較 OFDM 系統和 F- OFDM 系統的誤塊率 (BLER ) 性能， 可以看到當存在鄰帶干擾時， 后者通過子帶濾波器對干擾的抑制， 系統性能明顯優于前者。 關鍵詞： F- OFDM ； 帶外泄漏 (OOB ) ；
標簽： 5G
上傳時間： 2022-02-25
上傳用戶：
第一章 機器學習革命學習算法入門為何商業擁護機器學習給科學方法增壓10億個比爾·克林頓學習算法與國家安全我們將走向何方第二章 終極算法來自神經科學的論證來自進化論的論證來自物理學的論證來自統計學的論證來自計算機科學的論證機器學習算法與知識工程師天鵝咬了機器人終極算法是狐貍，還是刺猬我們正面臨什么危機新的萬有理論未達標準的終極算法候選項機器學習的五大學派第三章 符號學派：休謨的歸納問題特別說明：僅作為愛好者學習使用（請勿商用）！本文檔由人工智能吧（QQ群 565128329）整理提供并更多學習分享，若覺得不錯請購買印刷版書籍。約不約“天下沒有免費的午餐”定理對知識泵進行預設如何征服世界在無知與幻覺之間你能信任的準確度歸納是逆向的演繹掌握治愈癌癥的方法20問游戲符號學派第四章 聯結學派：大腦如何學習感知器的興盛與衰亡物理學家用玻璃制作大腦世界上最重要的曲線攀登超空間里的高峰感知器的復仇一個完整的細胞模型大腦的更深處第五章 進化學派：自然的學習算法達爾文的算法探索：利用困境程序的適者生存法則性有何用先天與后天誰學得最快，誰就會贏第六章 貝葉斯學派：在貝葉斯教堂里統治世界的定理所有模型都是錯的，但有些卻有用從《尤金·奧涅金》到Siri所有東西都有關聯，但不是直接關聯推理問題掌握貝葉斯學派的方法馬爾可夫權衡證據邏輯與概率：一對不幸的組合第七章 類推學派：像什么就是什么完美另一半維數災難空中蛇災爬上梯子起床啦第八章 無師自通物以類聚，人以群分發現數據的形狀擁護享樂主義的機器人熟能生巧學會關聯第九章 解開迷惑萬里挑一終極算法之城馬爾科夫邏輯網絡從休謨到你的家用機器人行星尺度機器學習醫生馬上來看你第十章 建立在機器學習之上的世界性、謊言和機器學習數碼鏡子充滿模型的社會分享與否？方式、地點如何？神經網絡搶了我的工作戰爭不屬于人類谷歌＋終極算法=天網？進化的第二部分
上傳時間： 2022-05-07
上傳用戶：
這是十大濾波算法源碼，對于開發人員非常有用，節約了大量時間，不用再做重復工作，提高開發效率，把時間精力投入到新發明研究上
標簽： 濾波算法
上傳時間： 2022-05-31
上傳用戶：
