該類方法主要指的是活動輪廓模型（active contour model）以及在其基礎(chǔ)上發(fā)展出來的算法，其基本思想是使用連續(xù)曲線來表達(dá)目標(biāo)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(zhuǎn)變?yōu)榍蠼饽芰糠汉淖钚≈档倪^程，一般可通過求解函數(shù)對應(yīng)的歐拉(Euler．Lagrange)方程來實現(xiàn)，能量達(dá)到最小時的曲線位置就是目標(biāo)的輪廓所在。
標(biāo)簽： 圖像處理
上傳時間： 2016-03-07
上傳用戶：2009dd
論文首先對基本定位算法如基于小區(qū)編號、接收信號場 強、到達(dá)時間到達(dá)時間差、到達(dá)角度、混合定 位方法等的原理，誤差消除及處理，還有與混合定位方法相關(guān)的數(shù)據(jù) 融合技術(shù)進(jìn)行了簡單介紹。隨后分析介紹了國內(nèi)外最新的定位算法及 優(yōu)化點，如約束極小化定位算法、基于向量機的模式識別定位 算法和指紋定位算法等，優(yōu)化點有在基于指紋定位方法的基礎(chǔ)上考慮 馬爾科夫模型，方法基礎(chǔ)上考慮功率加權(quán)算法，濾波方面考慮滑 動窗技術(shù)等。
標(biāo)簽： 蜂窩 無線網(wǎng)絡(luò) 手機定位 法的研究
上傳時間： 2017-03-15
上傳用戶：rocket1122
遺傳算法，模擬達(dá)爾文進(jìn)化論的自然選擇和遺傳學(xué)機理的生物進(jìn)化過程的計算模型，一種選擇不斷選擇優(yōu)良個體的算法。談到遺傳，想想自然界動物遺傳是怎么來的，自然主要過程包括染色體的選擇，交叉，變異（不明白這個的可以去看看生物學(xué)），這些操作后，保證了以后的個體基本上是最優(yōu)的，那么以后再繼續(xù)這樣下去就可以一直最優(yōu)了。
上傳時間： 2017-06-12
上傳用戶：tian610115
人臉檢測是人臉分析的首要環(huán)節(jié)，其處理的問題是確認(rèn)圖像（或影像）中是 否存在人臉，如果存在則對人臉進(jìn)行定位。人臉檢測的應(yīng)用領(lǐng)域相當(dāng)廣泛，是實 現(xiàn)機器智能化的重要步驟之一。 AdaBoost 算法是 1995 年提出的一種快速人臉檢測算法，是人臉檢測領(lǐng)域里 程碑式的進(jìn)步，這種算法根據(jù)弱學(xué)習(xí)的反饋，適應(yīng)性地調(diào)整假設(shè)的錯誤率，使在 效率不降低的情況下，檢測正確率得到了很大的提高。 本論文第一章和第二章簡述了人臉檢測的一般情況，第三章對一些人臉檢測 的經(jīng)典方法進(jìn)行了說明。 第四章講述了 AdaBoost 算法的發(fā)展歷史。從 PCA 學(xué)習(xí)模型到弱學(xué)習(xí)和強 學(xué)習(xí)相互關(guān)系的論證，再到 Boosting 算法的最終提出，闡述了 Adaptive Boosting 算法的發(fā)展脈絡(luò)。 第五章對影響 AdaBoost 人臉檢測訓(xùn)練算法速度的至關(guān)重要的兩方面：矩形 特征和積分圖的概念和理論進(jìn)行了仔細(xì)的闡明。 第六章給出了 AdaBoost 的算法，并深入探討了其中的一些關(guān)鍵問題——弱 學(xué)習(xí)器的構(gòu)造、選取等問題。 最后一章，用編寫的實現(xiàn)了 AdaBoost 算法的 FáDèt 程序，給出了相應(yīng)的 人臉檢測實驗結(jié)果，并和 Viola 等人的結(jié)果做了比較。
上傳時間： 2018-01-29
上傳用戶：dragon000008
本書是一部設(shè)計與分析領(lǐng)域的經(jīng)典著作，著重介紹了計算機算法設(shè)計領(lǐng)域的基本原則和根本原理。書中深入分析了一些計算機模型上的算法，介紹了一些和設(shè)計有效算法有關(guān)的數(shù)據(jù)結(jié)構(gòu)和編程技術(shù)，為讀者提供了有關(guān)遞歸方法、分治方法和動態(tài)規(guī)劃方面的詳細(xì)實例和實際應(yīng)用，并致力于更有效算法的設(shè)計和開發(fā)。同時，對NP完全等問題能否有效求解進(jìn)行了分析，并探索了應(yīng)用啟發(fā)式算法解決問題的途徑。另外，本書還提供了大量富有指導(dǎo)意義的習(xí)題。
標(biāo)簽： 算法分析
上傳時間： 2018-04-28
上傳用戶：jakewyh
在微電網(wǎng)調(diào)度過程中綜合考慮經(jīng)濟、環(huán)境、蓄電池的 循環(huán)電量，建立多目標(biāo)優(yōu)化數(shù)學(xué)模型。針對傳統(tǒng)多目標(biāo)粒子 群算法(multi-objective particle swarm optimization，MOPSO) 的不足，提出引入模糊聚類分析的多目標(biāo)粒子群算法 (multi-objective particle swarm optimization algorithm based on fuzzy clustering，F(xiàn)CMOPSO)，在迭代過程中引入模糊聚 類分析來尋找每代的集群最優(yōu)解。與 MOPSO 相比， FCMOPSO 增強了算法的穩(wěn)定性與全局搜索能力，同時使優(yōu) 化結(jié)果中 Pareto 前沿分布更均勻。在求得 Pareto 最優(yōu)解集 后，再根據(jù)各目標(biāo)的重要程度，用模糊模型識別從最優(yōu)解集 中找出不同情況下的最優(yōu)方案。最后以一歐洲典型微電網(wǎng)為 例，驗證算法的有效性和可行性。
標(biāo)簽： 模糊 模型識別 微電網(wǎng) 多目標(biāo)優(yōu)化 聚類分析
上傳時間： 2019-11-11
上傳用戶：Dr.趙勁帥
本書以并行計算為主題，主要討論并行計算的硬件基礎(chǔ)— ——當(dāng)代并行計算機系統(tǒng)及其 結(jié)構(gòu)模型，并行計算的核心內(nèi)容— ——并行算法設(shè)計與并行數(shù)值算法以及并行計算的軟件支 持—— —并行程序的設(shè)計原理與方法。本書強調(diào)融并行機結(jié)構(gòu)、并行算法和并行編程為一 體，著重討論并行算法的設(shè)計方法和并行數(shù)值計算算法，力圖反映本學(xué)科的最新成就和發(fā) 展趨勢。
上傳時間： 2020-03-17
上傳用戶：hhhmty
恒定轉(zhuǎn)彎率與速度模型的擴展卡爾曼交互式多模型的濾波跟蹤算法。
上傳時間： 2021-07-22
上傳用戶：迷途在北極的魚
蟻群算法基本模型STEP1（外循環(huán)）若滿足算法停止規(guī)則，停止計算，輸出計算得到的最好解給定外循環(huán)的最大數(shù)目，表明有足夠的螞蟻工作當(dāng)前最優(yōu)解連續(xù)K次相同而停止，K是給定的整數(shù)，表示算法已收斂◆給定優(yōu)化問題的下界和誤差值，當(dāng)算法得到的目標(biāo)值同下界之差小于給定的誤差值時，算法終止否則使螞蟻s（1≤s≤m）從起點出發(fā)，用L（S）表示螞蟻S行走的城市集合，初始L（s）為空集。設(shè)m只螞蟻在圖的相鄰節(jié)點間移動，協(xié)作異步地得到解。螞蟻計算出下一步所有可達(dá)節(jié)點的一步轉(zhuǎn)移概率，并按此概率實現(xiàn)一步移動，依此往復(fù)。一步轉(zhuǎn)移概率由圖中每條邊上的兩類參數(shù)決定：信息素值、可見度（即先驗值）。信息素的更新有2種方式：揮發(fā)——所有路徑上信息素以一定比率減少增強——給評價值“好”（有螞蟻走過）的邊增加信息素蟻群算法基木模型令我們以求解平面上n個城市的TSP問題（1，2，…，n）表示城市號為例說明ACA的模型。n個城市的TSP問題就是尋找通過n個城市各次且最后回到出發(fā)點的最短路徑蟻群算法研究現(xiàn)狀令A(yù)CA是模擬自然界中真實蟻群的覓食行為而形成的一種模擬進(jìn)化算法。10年多來的研究結(jié)果已經(jīng)表明：ACA用于組合優(yōu)化具有很強的發(fā)現(xiàn)較好解的能力，具有分布式計算易于與其他方法相結(jié)合、魯棒性強等優(yōu)點，在動態(tài)環(huán)境下也表現(xiàn)出高度的靈活性和健壯性。在求解TSP、QAP問題方面，與遺傳算法、模擬退火算法等算法比較，ACA仍是最好的解決方法之一。
標(biāo)簽： 螞蟻算法
上傳時間： 2022-03-10
上傳用戶：
1.針對一類參數(shù)未知的非線性離散時間動態(tài)系統(tǒng)，提出了一種新的基于神經(jīng)網(wǎng)絡(luò)的MMAC方法。首先，將系統(tǒng)分為線性部分和非線性部分。針對系統(tǒng)線性部分采用局部化方法逮立多個固定模型覆蓋系統(tǒng)的參數(shù)范圍，在此基礎(chǔ)上，建立自適應(yīng)模型來提高系統(tǒng)性能；針對系統(tǒng)非線性部分建立非線性神經(jīng)網(wǎng)絡(luò)預(yù)測模型來邏近系統(tǒng)的非線性。然后，針對每個子模型設(shè)計相應(yīng)的擅制器。最后，設(shè)計基于誤差范數(shù)形式的性能指標(biāo)函數(shù)對控制器進(jìn)行硬切換。仿真結(jié)果表明，所提出的MMAC方法與傳統(tǒng)的在參數(shù)空間均勻分布的MMAC方法相比能顯著提高非線性系統(tǒng)的暫態(tài)性能。2針對一類具有參數(shù)跳變的非線性離散時間動態(tài)系統(tǒng)，提出子一種基才聚類方法和神經(jīng)網(wǎng)絡(luò)的MMAC方法，首先，采用模糊c均值聚類算法對系統(tǒng)先驗數(shù)據(jù)進(jìn)行分類處理，再分別對每類數(shù)據(jù)采用RLS算法建立多個固定模型。在此基礎(chǔ)上，建立兩個白適應(yīng)模型來提高系統(tǒng)響應(yīng)速度和控制品質(zhì)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型來補償系統(tǒng)非線性。然后，分別針對相應(yīng)的子模型設(shè)計線性魯棒自適應(yīng)控制器和神經(jīng)網(wǎng)絡(luò)控制器。最后，采用基于信號有界和測量誤差的性能切換指標(biāo)對控制器進(jìn)行切換，并證明閉環(huán)系統(tǒng)的穩(wěn)定性。仿真結(jié)果表明，所提出的算法能更好地解決非線性系統(tǒng)發(fā)生參數(shù)跳變問題，使得系統(tǒng)具有良好的控制品質(zhì)3.針對MMAC方法中的模型庫優(yōu)化問題，考慮系統(tǒng)實際運行數(shù)據(jù)，提出了種基于相似度準(zhǔn)則和設(shè)置最大模型數(shù)的動態(tài)優(yōu)化模型庫方法。該方法能對新數(shù)據(jù)進(jìn)行綜合考量并判斷是否應(yīng)該將該數(shù)據(jù)納入子模型建模，并通過設(shè)置最大模型數(shù)來確保系統(tǒng)用最少的子模型就能保證系統(tǒng)的控制性能。仿真結(jié)果表明，所提出的算法能極大地減少子模型數(shù)量且具有較好的控制效果。關(guān)鍵詞：非線性系統(tǒng)；多模型方法；自適應(yīng)控制；模糊聚類；神經(jīng)網(wǎng)絡(luò)
標(biāo)簽： 自適應(yīng)控制
上傳時間： 2022-03-11
上傳用戶：
蟲蟲下載站版權(quán)所有 京ICP備2021023401號-1
